I.3Извлечение и структурирование данных

Модель singulared/Qwen3.8-27B-ROCmFP4-MTP-GGUF представляет собой квантизированную сборку Qwen3.8-27B, опубликованную пользователем или организацией singulared на базе исходной модели Qwen/Qwen3.8-27B и GGUF-версии от ggml-org. Она предназначена для генерации текста и запуска через llama.cpp с поддержкой ROCmFPX, прежде всего на AMD-оборудовании с архитектурой RDNA 3.5, включая Radeon 8060S и платформы Strix Halo. Лицензия — Apache-2.0. В комплект входят несколько вариантов основной модели в формате GGUF с представлением ROCmFP4, а также отдельные MTP-драфтеры разных разрядностей для speculative decoding. Доступны пресеты STRIX, FAST и COHERENT; их размер составляет примерно 13,33–14,41 GiB, а размер драфтеров — около 1,48–2,86 GiB. Архитектура, число параметров 27B и исходные языковые характеристики унаследованы от Qwen3.8-27B, но подробные сведения о поддерживаемых языках, модальностях и максимальном контексте в карточке не указаны. Основное преимущество сборки — сниженное потребление памяти: для FP4 заявлено около 15,6 GiB резидентной памяти против 17,3 GiB у Q4_K_M при сопоставимом декодировании. MTP может ускорять генерацию, однако результат сильно зависит от предсказуемости задачи, глубины draft и версии ROCm; для типичных измерений указана скорость около 27–28 токенов в секунду, а в благоприятных условиях — до примерно 39 токенов в секунду. FP4 ориентирован прежде всего на уменьшение занимаемой памяти, а не на максимальную скорость. Требуется специальная сборка ROCmFPX, поскольку стандартный llama.cpp не поддерживает используемые типы тензоров. FP2-драфтер не рекомендуется из-за резкого падения принятия черновых токенов, а сочетание параметров -ctk q8_0 и -ctv turbo4 может повреждать результаты при длинном контексте.

MihaiPopa-1 опубликовал модель на основе Empero Qwen3.8-2B-Distill; в карточке указано, что исходную модель разработала Empero. Это причинная языковая модель для диалогов, рассуждений и генерации текста, дообученная методом abliteration для снижения числа отказов. В сравнении с исходной моделью авторы сообщают 3 отказа из 100 запросов против 83 из 100; это может быть полезно для широкого круга запросов, но не гарантирует ответы на каждый запрос. Модель содержит около 2 млрд параметров и использует архитектуру Qwen3.5. Карточка базовой модели указывает дистилляцию на примерах для математики, общих рассуждений и следования инструкциям; заявлен контекст до 262 144 токенов и поддержка вызова инструментов. Доступны веса в формате Safetensors для Transformers и совместимых с архитектурой сред. Хотя архитектура происходит от мультимодальной модели, это дообучение описано как текстовое, а поведение при работе с изображениями не оценивалось. В README приведены результаты на GSM8K и MMLU, однако они относятся к базовой Qwen3.8-2B, а не к версии Heretic-Max, поэтому их нельзя считать оценкой качества этой версии. Веса распространяются по лицензии Apache-2.0; авторы предоставляют их без гарантий и для исследований и экспериментов.

lmstudio-community/Qwen3-8B-MLX-8bit — это 8-битная версия модели Qwen3-8B, преобразованная сообществом lmstudio-community в формат MLX с использованием mlx-lm 0.24.0. Исходная модель опубликована в репозитории Qwen/Qwen3-8B; в README указано назначение для генерации текста и совместимость с библиотекой mlx-lm. Модель предназначена для локального запуска на устройствах, поддерживающих MLX, а также для диалоговой генерации с использованием chat template. Ключевые характеристики: около 8 миллиардов параметров, 8-битное представление и текстовая модальность. Архитектура, поддерживаемые языки, размер контекста, сильные стороны и ограничения в README не описаны, поэтому их нельзя достоверно оценить по предоставленным данным. Модель распространяется по лицензии Apache-2.0.

Карточка модели ArchiveStudio/Qwen3-Reranker-0.6B на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

Qwen3-VL-Reranker-2B-5bit — версия мультимодального реранкера из семейства Qwen3-VL, опубликованная mlx-community для запуска в формате MLX. В README указано, что модель преобразована из Qwen/Qwen3-VL-Reranker-2B с помощью mlx-lm версии 0.1.0; метаданные связывают её с дообученной Qwen/Qwen3-VL-2B-Instruct и определяют основную задачу как text-ranking. Модель предназначена для переупорядочивания текстовых результатов поиска по релевантности запросу. Базовая модель поддерживает анализ изображений и видео, однако в данных этой карточки подтверждена только задача текстового ранжирования. Репозиторий содержит веса safetensors, а условия использования определяются лицензией Apache-2.0.

CEIA-POSITIVO2/Qwen-4B-capado — языковая генеративная модель семейства Qwen3, опубликованная пользователем CEIA-POSITIVO2 на Hugging Face. Модель предназначена для генерации и продолжения текста, а также для диалоговых сценариев, на что указывают метаданные text-generation и conversational. Модель содержит около 3,5 млрд параметров и поддерживает контекст до 40 960 токенов. Для работы используется библиотека Transformers, а веса представлены в формате Safetensors. Эти характеристики подходят для локального запуска и интеграции в приложения, которым требуется компактная генеративная модель с длинным контекстом. Карточка модели не содержит достоверных сведений о разработчике, языках, лицензии, данных обучения, результатах оценки и рекомендуемых режимах использования. Поэтому модель следует дополнительно тестировать перед применением в продуктивных системах, а условия распространения необходимо проверять отдельно.

i1j/reranker — текстовый Cross-Encoder, дообученный на базе BAAI/bge-reranker-v2-m3 с использованием библиотеки sentence-transformers. Модель разработана как переранжировщик: она совместно обрабатывает пары текстов и выдаёт оценку их релевантности, которую можно использовать для изменения порядка результатов поиска и семантического поиска. Архитектура основана на XLM-RoBERTa и реализована как XLMRobertaForSequenceClassification с одним выходным значением. Максимальная длина последовательности составляет 8192 токена; модель принимает текст и выдаёт оценку. Лицензия в предоставленных данных не указана.

Это модель Cross Encoder на базе prajjwal1/bert-tiny, дообученная с использованием библиотеки Sentence Transformers на данных GooAQ. Разработчик в README явно не указан; модель опубликована в пространстве cross-encoder-testing. Она принимает пары текстов и вычисляет оценку их смысловой взаимосвязи. Модель предназначена для ранжирования результатов поиска, оценки семантического сходства, поиска перефразирований, классификации текста и других задач, где требуется совместно анализировать два текстовых фрагмента. В частности, её можно применять как reranker: сначала получить кандидатов из поисковой системы, а затем упорядочить их по релевантности запросу. Поддерживается английский язык. Архитектурно это компактный Cross Encoder с одним выходным значением и максимальной длиной последовательности 512 токенов. Обучение выполнено с использованием BinaryCrossEntropyLoss на наборе размером 578 402 примера; заявленные метрики включают MAP, MRR@10 и nDCG@10. Компактность BERT-tiny может обеспечивать более быструю и менее ресурсоёмкую обработку по сравнению с крупными моделями, однако Cross Encoder требует отдельного вычисления для каждой пары текстов и поэтому может быть затратным при ранжировании больших коллекций. Лицензия — Apache-2.0.

Карточка модели camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_10 на Hugging Face совпадает с карточкой camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7, поэтому описание составлено по ней. camidenecken/RM2-RoBERTa-rm-v3-SBERT-v2_7 — модель sentence-transformers на архитектуре RoBERTa, обученная Sentence Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения смысловой близости, семантического поиска и кластеризации. Модель содержит 151,8 млн параметров, принимает текст и имеет контекст до 514 токенов. В README версия помечена как устаревшая: качество векторных представлений низкое, поэтому для новых систем рекомендуется выбрать более качественную модель эмбеддингов. Распространяется по лицензии Apache-2.0.

Saba-Passthrough-2 — объединённая языковая модель Sakalti, созданная методом passthrough с помощью mergekit на основе Sakalti/Saba1.5-Pro. Это плотная авторегрессионная модель семейства Qwen2 с 2,9 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors под лицензией Apache-2.0. README указывает на слияние одной модели, хотя метаданные каталога описывают происхождение как дообучение Sakalti/Saba1.5-Pro, поэтому способ происхождения в карточке трактуется как слияние по описанию автора.

Карточка модели SouthMemphis/Saiga на Hugging Face совпадает с карточкой IlyaGusev/saiga_mistral_7b_merged, поэтому описание составлено по ней. IlyaGusev/saiga_mistral_7b_merged — объединённая версия модели семейства Mistral, предназначенная для генерации текста. По метаданным это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. В README указано, что существуют версии GGUF и квантизации TheBloke, но данный репозиторий содержит веса PyTorch. Модель ориентирована на русскоязычные запросы; метаданные связывают её с русскоязычными наборами инструкций и диалогов. Её можно использовать для ответов на вопросы, диалогов и выполнения текстовых инструкций на русском языке. Лицензия — Apache-2.0. README не раскрывает, какие именно модели были объединены и как выполнялось слияние.

SauerkrautLM Mixtral 8X7B — это языковая модель для генерации текста в формате GGUF, созданная VAGO solutions и квантизированная TheBloke. Модель основана на VAGOsolutions/SauerkrautLM-Mixtral-8x7B, дообучалась с использованием наборов данных Open-Orca/SlimOrca и argilla/distilabel-math-preference-dpo. Она предназначена для диалогов, ответов на запросы и других задач генерации текста, включая локальный запуск на CPU и GPU. Модель использует архитектуру Mixtral и доступна в вариантах GGUF с квантизацией на 2, 3, 4, 5, 6 и 8 бит. README не указывает точное число параметров активной архитектуры или размер контекста. Заявлена поддержка английского, немецкого, французского, итальянского и испанского языков. Для взаимодействия используется шаблон ChatML. Файлы совместимы с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Сильными сторонами являются мультиязычность, возможность выбора степени квантизации и локального запуска, а также поддержка CPU и GPU-инструментов. Квантизация позволяет снизить требования к памяти, однако может уменьшать точность по сравнению с исходной моделью, особенно при более низкой разрядности. Модель предназначена только для текстовой модальности; сведения о специализированных ограничениях качества и безопасности в README не приведены. Лицензия — Apache-2.0.

Карточка модели JetLM/SDAR-1.7B-Chat-b32 на Hugging Face совпадает с карточкой JetLM/SDAR-8B-Chat-b32, поэтому описание составлено по ней. JetLM/SDAR-8B-Chat-b32 — чат-модель семейства SDAR, разработанная авторами SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионная составляющая обеспечивает эффективное обучение, а диффузионный подход позволяет генерировать токены параллельно. В репозитории указана плотная архитектура SDARForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста; в карточке также заявлен интерфейс вызова инструментов. Авторы сообщают о сопоставимой с сильными авторегрессионными моделями общей производительности и преимуществах в некоторых научных задачах рассуждения для моделей SDAR того же масштаба. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Языки и отдельные результаты именно этой версии в карточке не приведены.

CultriX/SeQwence-14Bv1 — объединённая языковая модель на архитектуре Qwen2, созданная CultriX с помощью mergekit и метода DARE TIES. В качестве базовой модели при слиянии использована Qwen/Qwen2.5-14B; в состав также вошли CultriX/SeQwence-14B, CultriX/Qwen2.5-14B-Wernicke, CultriX/Qwen2.5-14B-MegaMerge-pt2, VAGOsolutions/SauerkrautLM-v2-14b-DPO и v000000/Qwen2.5-Lumen-14B. Модель предназначена для генерации текста и диалоговых сценариев. Это плотная модель с 14 млрд параметров и контекстом до 131 072 токенов; принимает текст и выдаёт текст. В метаданных указан английский язык, а интерфейс поддерживает чат и вызов инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных сведений о поведении объединённой модели.

chankhavu/smolmo-32b-sft-merged-proofpilot — это объединённая методом равномерного усреднения весов модель на базе OLMo 3, подготовленная автором репозитория из восьми последовательных контрольных точек одного запуска SFT. Усреднены снимки шагов 18 750–20 500; независимые дообученные модели не смешивались. Модель содержит 31,7 млрд параметров, использует плотную архитектуру Olmo3ForCausalLM, представлена в safetensors и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Усреднение хвостовых контрольных точек было применено как способ сгладить эффект незавершённого затухания скорости обучения, но автор указывает, что возможное улучшение обобщения следует проверять на отложенной оценке относительно финальной контрольной точки. Данные о лицензии и поддерживаемых естественных языках в предоставленных источниках отсутствуют.

jaspionjader/sof-10 — это объединённая авторегрессионная языковая модель семейства Llama, созданная с помощью mergekit методом Model Stock. В качестве базовой модели использована jaspionjader/sof-6; в объединение также вошли jaspionjader/sof-3, jaspionjader/sof-5 и jaspionjader/sof-9. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый режим и имеет контекстное окно до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Файлы опубликованы в формате safetensors, библиотека для работы — Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках, поэтому нельзя определить основной язык модели. Лицензия в доступных данных не указана.

Spark-X2.5-1.7B-GGUF — квантизированная версия языковой модели Spark-X2.5-1.7B, разработанной XHToken и подготовленной stornic56 в формате GGUF для llama.cpp. Модель предназначена для генерации текста, рассуждений и сценариев с tool calling; поддерживает текстовый ввод и языки английский и китайский. По умолчанию модель выводит ход рассуждений внутри тегов <think>...</think> перед финальным ответом, а шаблон чата и поддержку вызова инструментов содержит встроенно. Модель имеет 1,7 млрд параметров и распространяется в вариантах от bf16 до квантизаций Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_NL и IQ3_M. Для большинства сценариев рекомендуется Q4_K_M размером около 1,0 ГБ; IQ3_M является наименьшим вариантом, прошедшим заявленную проверку качества, тогда как Q3_K_M отсутствует из-за неудовлетворительного результата. Квантизации ниже bf16 выполнены с использованием imatrix и корпуса wikitext-2-raw-v1, что призвано сохранить качество при уменьшении размера. Для запуска требуются llama.cpp или совместимые Ollama и LM Studio, собранные с поддержкой архитектуры spark2_5; заявлена совместимость с mainline llama.cpp начиная с b10828. Доступны CPU, CUDA и Vulkan-сценарии, включая Intel и AMD GPU. Контекст может задаваться параметром запуска; в README приведены примеры на 8192 и 16384 токена, но фиксированный максимальный размер контекста не указан. Ограничениями являются небольшой размер модели, текстовая модальность и зависимость от совместимого runtime и шаблона чата. Лицензия — Apache-2.0.

delwinn/stella_en_1.5B_v5 — англоязычная модель эмбеддингов, разработанная на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для поиска релевантных текстов по запросу и оценки семантического сходства. Модель построена на архитектуре Qwen2, содержит 1,5 млрд параметров и выдаёт текстовые векторы; поддерживает представления размером 512, 768, 1024, 2048, 4096, 6144 и 8192 измерения. Для большинства задач предусмотрены варианты промптов s2p и s2s; обычно автор рекомендует размерность 1024. Модель обучена с использованием MRL и доступна в формате PyTorch/SafeTensors. Хотя нативный контекст составляет 131072 токена, автор рекомендует ограничивать последовательности 512 токенами: модель обучалась на такой длине и, по описанию, хуже справляется с поиском по специализированным длинным текстам. Детали обучения и использованные наборы данных в README не раскрыты. Лицензия — MIT.

stella-large-zh-v2 — модель для кодирования текста, разработанная автором семейства Stella. Она преобразует китайские тексты в векторы размерностью 1024 и предназначена прежде всего для семантического поиска и сопоставления текстов. Модель основана на архитектуре BERT и дообучена на открытых корпусах и синтетических парах «вопрос — абзац» и «предложение — абзац» с помощью контрастивного обучения, сложных отрицательных примеров и дистилляции. Контекст составляет до 1024 токенов. Для поиска не требуется добавлять инструкционные префиксы. Модель подходит для поиска по длинным китайским документам и оценки семантического сходства; в README приведены результаты C-MTEB и отдельная оценка длинных текстов. Она возвращает векторы, поэтому для выдачи результатов поиска требуется внешняя система индексации и сравнения. Условия лицензии в предоставленных данных не описаны.

Supertron2-Reranker-2B — модель для переранжирования результатов поиска, разработанная Surpem на основе Qwen/Qwen3-VL-Reranker-2B. Это cross-encoder с архитектурой Qwen3-VL и 2 млрд параметров: он оценивает релевантность пары «запрос — текстовый фрагмент» и выдаёт оценку для упорядочивания найденных кандидатов. Модель предназначена для второго этапа поиска, включая поиск по документации и базам знаний, подбор фрагментов для RAG и сопоставление вопросов с текстами. Она принимает пары текстов и возвращает оценки релевантности, а не готовые ответы; её можно использовать через библиотеку sentence-transformers. Лицензия — Apache 2.0. Для длинных документов может потребоваться разбиение на фрагменты. Оценки релевантности относительны и могут быть несопоставимы для разных запросов; модель следует оценивать на данных целевого поиска. Указанная в карточке потребность в видеопамяти составляет от 6 ГБ для bfloat16 и от 3 ГБ для 4-битной квантизации; рекомендуются соответственно 10 ГБ и 6 ГБ.

T3qm7xNeuralsirkrishna_Strangemerges_32Ogno — объединённая языковая модель семейства Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_32Ogno-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; поддерживает контекст длиной до 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не описывает конкретные специализации, набор языков или результаты оценки качества, поэтому её можно характеризовать как модель общего назначения. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Tess-XS-v1-3-yarn-128K-Mistral-7B-Instruct-v0.1 — чат-модель на архитектуре Mistral с 7,1 млрд параметров, созданная MaziyarPanahi слиянием mistralai/Mistral-7B-Instruct-v0.1 и migtissera/Tess-XS-v1-3-yarn-128K. В README указано слияние методом SLERP; модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель принимает текст и выдаёт текст. В метаданных указан контекст длиной 32 768 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Документация не приводит конкретных ограничений или результатов оценки качества.

tevatron3-reranker-30b-a3b-distill — модель для переранжирования текстовых фрагментов, разработанная на базе Qwen3-30B-A3B с помощью набора инструментов Tevatron 3.0. Это причинная языковая MoE-модель, дообученная полным обновлением параметров с дистилляцией listwise-KL на наборе RLHN-680K. Для пары «запрос — фрагмент» она оценивает релевантность по разности логитов ответов «yes» и «no» после заданного промпта. Модель предназначена для ранжирования найденных документов или отрывков по соответствию запросу, например в конвейерах информационного поиска и RAG. Она принимает текст запроса и заголовка/содержимого фрагмента; базовая модель поддерживает несколько языков, но конкретные языки обучения реранкера не перечислены. Контекст составляет 32 768 токенов, а число параметров указано как 2,6 млрд. Доступны веса Safetensors для Transformers. Лицензия — Apache-2.0.

Mike0307/text2vec-base-chinese-rag — модель эмбеддингов на архитектуре BERT, предназначенная для сопоставления китайских текстов и поиска релевантных фрагментов в системах RAG. Она обучена с использованием подхода CoSENT и может применяться как компонент LangChain с векторным хранилищем, например FAISS, для построения ретривера по документам. Модель содержит 129,5 млн параметров и принимает текст длиной до 512 токенов. Она выдаёт векторные представления, пригодные для поиска по сходству и ранжирования релевантности; генерацию ответов выполняет подключённая языковая модель. Репозиторий распространяется в формате safetensors по лицензии Apache 2.0.

Transcendental-Maidphin-7B — объединённая языковая модель на 7,1 млрд параметров, созданная nbeerbower методом SLERP с помощью mergekit из nbeerbower/Transcendental-Maid-7B и nbeerbower/bruphin-epsilon. Это плотная модель архитектуры Mistral для генерации текста и диалогов; заявленная длина контекста — до 32 768 токенов. Модель принимает текст и генерирует текст. Модель подходит для диалоговых приложений и других сценариев генерации текста, включая работу с длинными текстовыми запросами в пределах контекста. Репозиторий распространяет веса в формате safetensors, а лицензия — Apache-2.0. Карточка не описывает специальные предметные области или языковые приоритеты.

Модель nezahatkorkmaz/turkce-embedding-bge-m3 — турецкоязычная версия BAAI/bge-m3, доработанная для семантического сходства, поиска по текстам и RAG. Она построена на XLM-RoBERTa с pooling и нормализацией и преобразует предложения и абзацы на турецком языке в плотные векторы размерности 1024. В метаданных указаны 658,7 млн параметров и контекст длиной до 8194 токенов; модель распространяется в формате safetensors и рассчитана на работу через sentence-transformers. По оценке на турецком наборе STS модель показала корреляцию Пирсона 0,9096 против 0,8535 у базовой BAAI/bge-m3; корреляция Спирмена составила 0,6839 против 0,6814. Это делает её подходящей для сравнения смысловой близости турецких фрагментов, поиска релевантных документов и ранжирования кандидатов по сходству. Лицензия в предоставленных данных не указана.

MaziyarPanahi/una-cybertron-7b-v3-OMA-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и fblgit/una-cybertron-7b-v3-OMA методом slerp. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы; поддерживает контекст до 32 768 токенов. Модель подходит для диалоговых ассистентов и генерации ответов на текстовые запросы. В репозитории представлены веса Safetensors, а лицензия — Apache-2.0. В карточке нет сведений о специальных предметных областях или гарантированных показателях качества.

jackboot/uwu-qwen-32b — объединённая языковая модель на 32 млрд параметров, созданная с помощью mergekit методом TIES на основе Qwen/QwQ-32B-Preview и EVA-UNIT-01/EVA-Qwen2.5-32B-v0.2. Она предназначена для диалоговой генерации текста; каталог также указывает интерфейс вызова инструментов. Модель использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. В README отмечено, что варианты EOS-токена у исходных моделей немного различаются, а настройки BOS могут менять результаты; автор советует подбирать подходящий токенизатор. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Это набор GGUF-квантизированных файлов модели vicky4s4s/gemma-2-2b-instruct, подготовленный организацией featherless-ai-quants. Базовая модель относится к семейству Gemma 2 и предназначена для генерации текста в инструкционном режиме: диалогов, ответов на запросы и других задач, где требуется следовать текстовым инструкциям. В README не указаны точные сведения о разработчике базовой модели, языках, длине контекста, архитектурных деталях и поддерживаемых модальностях, поэтому модель следует рассматривать как текстовую, без подтверждённой поддержки изображений или других типов данных. Доступны 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 размером примерно от 1,17 до 2,66 ГБ. Квантизация уменьшает требования к памяти и упрощает локальный запуск, но более компактные варианты могут уступать вариантам с большей разрядностью по качеству и точности. README не содержит результатов тестирования, поэтому сравнительные преимущества и ограничения конкретных вариантов количественно не подтверждены. Лицензия в предоставленных данных не указана. Условия использования следует уточнить отдельно для базовой модели vicky4s4s/gemma-2-2b-instruct и опубликованных квантизированных файлов.

Villanova-2B-2603 — мультиязычная инструкционная языковая модель, разработанная Villanova.AI. Она создана дообучением Villanova-2B-Base-2603 на наборе VillanovaAI/villanova-sft-2603 и предназначена для диалога, следования инструкциям, ответов на вопросы и генерации текста на пяти европейских языках. Модель использует плотную decoder-only архитектуру на базе LLaMA с 2,4 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст; заявлена поддержка английского, французского, немецкого, итальянского и испанского языков. В карточке отмечены сбалансированное следование инструкциям на этих языках и оценивание безопасности на пяти языках. Модель распространяется в формате Safetensors и выпущена под лицензией Apache 2.0. Компактный размер делает её пригодной для развёртывания на устройствах с ограниченными ресурсами, однако качество и скорость зависят от оборудования и сценария. Результаты бенчмарков в карточке приведены разработчиком; они не гарантируют качество для конкретной задачи. Возможности модели ограничены текстовым вводом и выводом.