I.4Обработка документов и форм

GLM-5.3-Flash-MLX-8bit — это квантованная 8-битная сборка модели GLM-5.3-Flash, разработанной организацией zai-org и адаптированной PipeNetwork для MLX на Apple Silicon. Модель относится к классу смесей экспертов (Mixture-of-Experts), имеет 320 млрд параметров, из которых активно используется 18 млрд (320B-A18B). Архитектура включает 34 слоя Kimi-Delta с линейным вниманием и 11 слоёв DeepSeek sparse attention с NoPE MLA и lightning indexer, а также manifold-constrained hyper-connections. Мультитокенная предсказательная прослойка исключена, а vision tower сохранена в формате bfloat16. Модель предназначена для генерации текста и работы с изображениями и текстом; в README указана модальность image-text-to-text. Сборка рассчитана на запуск через MLX и совместимый runtime на компьютерах Apple Silicon. Размер файлов на диске составляет около 334,1 ГБ. Основная масса параметров, включая маршрутизируемых экспертов, квантована в 8 бит с группами по 64 значения; отдельные служебные параметры хранятся в float32, а vision tower — в bfloat16. Языки и размер контекстного окна в README не указаны. Сильной стороной сборки является существенное уменьшение размера по сравнению с исходной версией bfloat16 объёмом около 642,7 ГБ при близком качестве: заявленная perplexity на wikitext-2 составляет 3,4607. Для корректной работы рекомендуется пропатченный runtime из проекта PipeNetwork, поскольку стандартная ветка mlx-vlm содержит расхождения в вычислениях. Модель распространяется по лицензии MIT; в README также указано, что файлы были конвертированы из upstream-релиза и архитектура модели не изменялась.

RedHatAI/Kimi-K3-FP8-BLOCK — квантованная версия мультимодальной модели moonshotai/Kimi-K3, разработанная RedHatAI. Модель построена на архитектуре KimiK3ForConditionalGeneration, принимает текст и изображения, а генерирует текст. Она предназначена для conversational-сценариев и инференса с использованием vLLM; подробные возможности базовой модели в этой карточке не раскрыты. В модели применена FP8-квантизация весов и активаций линейных операторов внутри трансформерных блоков. Для весов используется блочное масштабирование, для активаций — динамическое групповое масштабирование. Квантизация выполнена методом model-free post-training quantization без калибровочных данных с помощью LLM Compressor; при этом слои эмбеддингов, attention, vision tower, mm_projector и некоторые другие компоненты не квантуются. Модель готова к распределённому запуску в vLLM и поддерживает автоматический выбор инструментов и разбор рассуждений через соответствующие параметры сервера. Размер модели, длина контекста и поддерживаемые языки в README не указаны. Веса и код распространяются по лицензии Kimi K3 License.

OpenAI Privacy Filter — модель OpenAI для обнаружения и маскирования персональных данных в тексте. Она предназначена для высокопроизводительной очистки данных, в том числе в локальных и браузерных сценариях, и может дообучаться под особенности данных организации. Лицензия Apache 2.0 допускает коммерческое использование. Модель выполняет двунаправленную классификацию токенов и выделяет связные фрагменты в одном проходе. Архитектура — разреженный MoE-трансформер с 8 блоками, шириной скрытого представления 640 и 128 экспертами, из которых на токен выбираются 4. Модель возвращает BIOES-разметку для восьми категорий: номера счетов, частные адреса, электронные адреса, имена людей, телефоны, URL, даты и секреты. В метаданных указано 145,4 млн параметров и контекст 131 072 токена; README заявляет окно до 128 000 токенов. Доступны форматы Safetensors и ONNX. Модель подходит для предварительной фильтрации текстов перед хранением, передачей или дальнейшей обработкой. Пороговые режимы позволяют настраивать компромисс между точностью и полнотой обнаружения. Это вспомогательное средство минимизации данных, а не гарантия анонимизации или соответствия требованиям. Набор меток фиксирован, для изменения политики нужно дообучение; качество может снижаться на неанглийских текстах, нелатинских письменностях и данных вне обучающего распределения. В чувствительных областях возможны как пропуски, так и избыточное маскирование.

Карточка модели LIF1014/ptdbench-Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Qwen3.6-27B-V2-abliterated-uncensored-Q4_K_M-GGUF — мультимодальная модель семейства Qwen, выпущенная Lemura Labs. Она основана на Qwen/Qwen3.6-27B и производной Jackrong/Qwopus3.6-27B-v2, дополнительно обработанной методом abliteration для снижения количества отказов. Модель предназначена для генерации текста, диалогов, рассуждений и работы с изображениями совместно с текстовыми запросами. Модель содержит около 27 млрд параметров и распространяется в формате GGUF с 4-битной квантизацией Q4_K_M и эффективной плотностью около 4,92 BPW. Размер языковой части составляет примерно 15,4 ГБ, а комплектный визуальный проектор mmproj.gguf занимает около 928 МБ и сохраняет vision tower Qwen3.6-VL. Поддерживаются английский, китайский и, согласно карточке, мультиязычные сценарии. Для запуска рекомендуется llama.cpp; ориентировочные требования составляют от 16 ГБ GPU или 24 ГБ оперативной памяти на Apple Silicon. К сильным сторонам относятся мультимодальность, совместимость со стандартными сборками llama.cpp, относительно компактный размер для модели такого класса и существенно сниженная частота отказов: 4 из 100 против 91 из 100 у исходной версии в указанном тесте. При этом Q4_K_M уступает более точным вариантам по сохранению исходных характеристик, а для обработки изображений требуется отдельный mmproj.gguf. Показатели отказов и сохранения возможностей приведены разработчиком и могут зависеть от методики оценки; абляция защитных механизмов также может повышать риски небезопасного или нежелательного использования. Модель распространяется по лицензии Apache-2.0.

Это мультимодальная модель Qwen 3.6 35B-A3B от dealignai, созданная на основе Qwen/Qwen3-VL-30B-A3B-Thinking. Она предназначена для диалога и анализа текста, изображений и видео, включая задачи визуального понимания и вызова инструментов. Модель имеет архитектуру MoE с 35 млрд параметров и примерно 3 млрд активных на токен, 256 маршрутизируемых экспертов и гибридное сочетание линейного и полнослойного внимания. Контекст составляет 262 144 токена; доступны режимы рассуждений с включением и отключением через enable_thinking. Карточка заявляет поддержку английского и китайского языков. Веса квантованы в формате JANGTQ2: маршрутизируемые эксперты используют 2-битное кодирование TurboQuant, а чувствительные к точности компоненты сохраняют 8-битное представление; визуальная башня оставлена в fp16. Репозиторий занимает около 11 ГБ и предназначен для запуска на Apple Silicon через MLX Studio или jang-tools. По заявлению автора, CRACK — это весовая абляция, удаляющая усвоенные отказы в ответах; вследствие этого модель может выдавать контент, который базовая модель отклонила бы. Квантование до 2 бит уменьшает размер, но может снижать точность для сложных рассуждений. Лицензия — Apache-2.0.

Qwen2.5-VL-32B-Instruct-GGUF — квантованная версия мультимодальной инструкционной модели Qwen2.5-VL-32B-Instruct, разработанной командой Qwen и подготовленной пользователем bartowski в формате GGUF. Модель предназначена для генерации текста по инструкциям и мультимодальных сценариев, включая работу с визуальными данными; в метаданных указан английский язык. Точные сведения о поддерживаемых форматах изображений, контекстном окне и внутренней архитектуре в README не приведены. Доступны варианты от BF16 и Q8_0 до низкобитных Q3- и IQ-квантований размером примерно от 14,39 до 65,54 ГБ. Квантования выполнены с использованием imatrix и поддерживаются llama.cpp, LM Studio и другими совместимыми проектами. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но могут заметно терять в качестве; для большинства сценариев рекомендуется Q4_K_M как компромисс между размером и качеством. Для запуска необходима совместимая конфигурация, способная разместить выбранный файл модели. Распространение указано по лицензии Apache-2.0. README не содержит подробных результатов тестирования, ограничений мультимодального ввода или гарантированных характеристик производительности, поэтому качество и скорость будут зависеть от выбранного уровня квантования и аппаратного обеспечения.

Qwopus3.8 27B Flash MXFP4 Vision MTPLX — это релиз для Apple Silicon на базе модели Jackrong/Qwopus3.8-27B-Flash, подготовленный Shiftedx с использованием MLX и MTPLX. Модель предназначена для генерации текста и обработки изображений с текстовыми инструкциями, включая мультимодальные сценарии и локальное развертывание через OpenAI-совместимый endpoint. Текстовая часть представлена в формате MXFP4, а vision tower и native MTP sidecar сохранены в формате BF16. Sidecar имеет глубину 3 и предназначен для speculative decoding, ускоряющего генерацию. В README заявлена поддержка английского, китайского, испанского, русского и японского языков. Точный размер контекста и подробная архитектура не указаны. В комплект входят tokenizer, processor, vision-веса, chat template и runtime-контракт MTP. Сильными сторонами являются сочетание мультимодальности, MXFP4-квантизации для текстовой части и ускоренной генерации на совместимом оборудовании. В локальной квалификации на M4 Max 64 GB заявлены скорости 26,43 токена в секунду для обычной авторегрессивной генерации и 56,74 токена в секунду с MTP глубины 3, однако это результаты одного узкого теста и не универсальный бенчмарк. Квантизация может повлиять на качество, а производительность зависит от оборудования и runtime. Модель распространяется по лицензии Apache-2.0; при использовании производного варианта необходимо также учитывать лицензию и ограничения исходной модели.

SIGMA-BERT-large — словенская языковая модель-энкодер семейства ModernBERT, разработанная командой LHRS-UM-FERI и предварительно обученная с нуля на корпусе словенских текстов объёмом около 13,88 млрд токенов. Модель содержит около 394 млн параметров и поддерживает контекст до 8192 токенов. Для неё используется собственный токенизатор SentencePiece BPE с размером словаря 50 000 токенов. Модель предназначена для последующего дообучения под задачи понимания словенского языка: классификацию текстов, распознавание именованных сущностей, извлечение ответов, оценку семантического сходства, поиск по документам и ранжирование результатов в RAG-системах. Двухэтапное предобучение расширило контекст с 1024 до 8192 токенов, что позволяет работать с длинными документами. SIGMA-BERT-large — энкодер с маскированным языковым моделированием: он подходит для заполнения пропусков и получения представлений текста, но не генерирует связный текст. Модель рассчитана прежде всего на словенский язык и может отражать смещения обучающих данных. Лицензия — CC BY-SA 4.0.

Ternary Bonsai 2 27B MLX 2-bit — мультимодальная модель Prism ML на архитектуре Qwen3.8-27B, упакованная для инференса в MLX с поддержкой signed-Hadamard-преобразований. Репозиторий сохраняет исходные упакованные 2-битные веса, модуль обработки изображений, токенизатор и шаблон диалога модели Prism ML. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалога по тексту и изображениям, рассуждений и вызова инструментов через шаблон модели и совместимый парсер. Заявленная длина контекста — 262 144 токена; практически доступная длина зависит от оборудования и политики сервинга. Для запуска нужны преобразования signed-Hadamard: веса нельзя загружать как обычный Qwen с аффинной 2-битной квантизацией или без изменений преобразовывать в BF16. Поддержка в нескольких рантаймах проходит проверку; гарантий производительности в продакшене нет. Лицензия — Apache-2.0.

CataLlama-v0.2-Instruct-DPO — языковая модель Laurentiu Petrea на архитектуре Llama 3, дообученная методом DPO на наборе catallama/Catalan-DPO-V2 поверх CataLlama-v0.2-Instruct-SFT. Это авторегрессионный трансформер с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенный для диалогов и выполнения инструкций преимущественно на каталанском языке. Модель подходит для извлечения информации из документов, в том числе в сценариях RAG, распознавания именованных сущностей, перевода между каталанским и английским, краткого и развернутого суммирования, анализа тональности и чата. Карточка сообщает об улучшении владения каталанским языком; также приведены результаты бенчмарков MMLU и GSM8K. Модель использует шаблон запросов Llama 3 Instruct. Модель распространяется по лицензии Llama 3. Авторы указывают, что она создана для демонстрации методов адаптации LLM к новым языкам и сохранения языков с малым числом ресурсов. В карточке также приведено ограничение лицензии Llama 3 на использование модели в языках, отличных от английского, и отдельно отмечено, что разработчики могут дообучать модели для других языков при соблюдении условий лицензии и Acceptable Use Policy.

Code Formula Model — модель семейства SAM-OPT с 152,3 млн параметров, предназначенная для извлечения текста из изображений фрагментов кода и математических формул. На вход подаётся изображение с разрешением 120 DPI; для кода модель определяет язык программирования и восстанавливает текст с сохранением отступов, а для формул выдаёт соответствующий код LaTeX. Метаданные указывают контекстное окно 4096 токенов и формат весов Safetensors. Модель подходит для переноса кода и формул из изображений в редактируемый текст, например из скриншотов или документов. Карточка не сообщает о поддерживаемых естественных языках, поэтому языковая поддержка в каталоге не перечисляется. Лицензия — MIT. Ограничение по входному качеству, указанное в карточке: изображения рассчитаны на 120 DPI.

AtlasCloud/DeepSeek-V4-Flash-Vision-Exp-FP8-DSpark — экспериментальная мультимодальная модель семейства DeepSeek-V4, разработанная на базе DeepSeek-V4-Flash-Vision-Exp. Репозиторий содержит преобразованную версию официальных весов с FP4 для маршрутизируемых экспертов в формат FP8 e4m3 с блоковым масштабированием 128×128 ue8m0; плотные слои, общие эксперты, токенизатор и конфигурации DSpark и зрения сохранены без изменений. Модель распространяется как готовый checkpoint для Hugging Face и предназначена для запуска через SGLang или встроенную эталонную реализацию. Модель поддерживает обработку текста и изображений и ориентирована на мультимодальное понимание, агентские сценарии, работу с инструментами, графиками и визуальными данными, сохраняя сопоставимую производительность в текстовых агентских задачах. В README указано использование архитектурных компонентов vision encoder, aligner, DFlash attention, MoE, Hyper-Connections и DSpark forward path. Точный размер модели, окно контекста и перечень поддерживаемых языков не указаны. Ключевое свойство этой версии — lossless-преобразование экспертных весов в FP8 без дополнительного этапа конвертации при развертывании. Для запуска требуется совместимая конфигурация SGLang и отключение FP4-пути экспертов; конкретные требования к оборудованию не приведены. Модель распространяется по лицензии MIT.

bards.ai разработала EU PII Anonimization Multilingual Detector v2 Preview — модель обнаружения персональных и чувствительных данных в тексте. Она продолжает обучение модели bardsai/eu-pii-anonimization-multilang и предназначена для разметки сущностей с последующим удалением или маскированием в документах, письмах, обращениях в поддержку, чатах и наборах данных, а также для фильтрации данных перед подачей в RAG-системы и поисковые индексы. Модель построена на XLM-RoBERTa и содержит 305,2 млн параметров; она принимает текст и возвращает BIO-разметку токенов. В версии v2 заявлено 36 классов сущностей, включая даты, контакты, идентификаторы, финансовые данные, сведения о здоровье, биометрические и генетические данные, а также специальные категории GDPR. Поддерживаются 22 языка ЕС, перечисленных в карточке модели. Максимальная длина контекста — 514 токенов. Лицензия — Apache-2.0. Это предварительная версия с регулярно обновляемыми контрольными точками, поэтому результаты могут меняться. Качество зависит от языка, предметной области и качества текста; OCR-шум, переключение языков и необычное форматирование ухудшают полноту обнаружения. Неоднозначные сущности могут требовать постобработки и проверки человеком, а обнаружение данных само по себе не гарантирует соответствия требованиям законодательства.

GLM-5.3-Flash-VQ-2.7bpw — векторно-квантизированная версия мультимодальной модели GLM-5.3-Flash от zai-org, подготовленная TheDrainFlorist для Apple Silicon. Модель поддерживает работу с текстом и изображениями, ориентирована на задачи генерации и понимания текста, анализа изображений, программирования и других сценариев, доступных базовой vision-модели. Заявлены английский и китайский языки. Точная длина контекста в README не указана. Модель использует архитектуру MoE и занимает около 101,9 GiB. В основе применяется data-free vector quantization: большинство экспертных слоёв представлены кодами d=4/K=512, а восемь слоёв имеют повышенный размер кодбука d=4/K=2048; attention, эмбеддинги и выходная голова используют 8-битное affine-квантование, нормы, маршрутизаторы и vision tower из 347 тензоров сохраняются в bf16. Такой компромисс позволяет разместить модель на Mac с 128 ГБ памяти и обеспечивает лучшее качество, чем указанный affine q3 сопоставимого размера, хотя качество заметно ниже исходной bf16-модели и более крупных вариантов квантования. Для запуска требуется совместимый стек MLX: mlx-lm с поддержкой model_file и mlx-vlm версии не ниже 0.6.17 для изображений. Встроенный runtime поставляется внутри checkpoint, поэтому загрузчик должен поддерживать параметр model_file. Основные ограничения — большой объём памяти, зависимость от Apple Silicon и специализированного MLX-окружения; показатели производительности и качества приведены для конкретных тестовых корпусов и не гарантируют аналогичные результаты во всех задачах. В карточке указана лицензия MIT.

Llama3-DocChat-1.0-8B-GGUF — это квантизированная GGUF-версия языковой модели Llama3-DocChat-1.0-8B, разработанной Cerebras. Модель предназначена для генерации текста и диалога по содержимому документов, включая сценарии document chat. Указан английский язык. Базовый размер модели — 8B параметров; доступны варианты от F16 до различных форматов квантизации Q8, Q6, Q5, Q4, Q3 и Q2. Квантизация выполнена bartowski с использованием llama.cpp и imatrix, поддерживается запуск в LM Studio и через совместимые инструменты llama.cpp. Главное преимущество — широкий выбор вариантов с разным соотношением качества, размера и требований к оперативной памяти: версии Q6 и Q5 обеспечивают очень высокое качество, Q4 предлагают более компактный компромисс, а некоторые варианты Q4_0 оптимизированы для ARM и CPU-инференса. Ограничения README не раскрывает: не указаны размер контекста, результаты сравнительных тестов, поддержка дополнительных языков или мультимодальных входов. Лицензия обозначена как other, но её конкретные условия не приведены, поэтому перед использованием необходимо проверить лицензию исходной модели Cerebras.

MGM-Omni-32B — мультимодальная модель-чатбот семейства MGMOmni, разработанная командой MGM-Omni. Это компонент восприятия MLLM: он принимает текст, изображения, видео и речь, а отвечает текстом; для синтеза речи авторы указывают отдельную модель MGM-Omni-TTS. Модель содержит 32 млрд параметров, использует архитектуру MGMOmniForCausalLM и поддерживает контекст до 128 000 токенов. Модель предназначена для диалогов с мультимодальными данными, понимания речи, изображений и видео, включая длинные аудиозаписи. В карточке заявлены поддержка английского и китайского языков и возможность воспринимать речь длительностью до часа. MGM-Omni-32B дообучена на Qwen/Qwen2.5-VL-32B-Instruct. Лицензия — Apache-2.0.

Mistral Large 3 2512 — модель компании Mistral с разреженной архитектурой смеси экспертов (MoE): 41 млрд активных параметров при 675 млрд параметров всего. В карточке она названа самой мощной моделью Mistral на момент выпуска. Модель предназначена для задач с текстом и изображениями, что отражено в метаданных Hugging Face как image-text-to-text. README не уточняет конкретные сценарии, поддерживаемые языки и длину контекста. Модель выпущена по лицензии Apache 2.0.

Pleias-3b-Preview — базовая языковая модель на 3,2 млрд параметров, разработанная Pleias и обученная с нуля на Common Corpus. Это плотный трансформер с архитектурой, близкой к Llama и GPT-NeoX, предназначенный для генерации продолжения текста. Модель обучена на открытых данных из общественного достояния или под разрешительными лицензиями; для обучения использовались Nanotron и вычислительные ресурсы Jean Zay при поддержке Etalab. Модель подходит для генерации и творческого письма на основных европейских языках, а также как основа для дообучения на задачах работы с документами, включая RAG, перевод и исправление ошибок OCR. В README заявлена поддержка английского, французского, испанского, немецкого, итальянского, нидерландского, польского, латинского и португальского; контекст составляет 4096 токенов. Новый токенизатор рассчитан на улучшенную обработку документов и многоязычие. Это ранний предварительный релиз базовой модели, которая умеет продолжать текстовые промпты и не прошла дополнительное выравнивание безопасности. Несмотря на заявленную низкую токсичность, возможны предвзятые, вредоносные или недостоверные ответы, в том числе из-за исторических текстов в данных. Лицензия — Apache-2.0; авторы заявляют, что модель не предназначена для воспроизведения защищённого авторским правом контента.

Карточка модели cold368733/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Карточка модели Gaery0611/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Карточка модели JMullings/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Qwen3.8-27B-Della-Carnice-Ostrich-Salience-Glimmer-v5c — настраиваемая мультимодальная модель для диалогов, созданная YFC-112358 слиянием Qwen/Qwen3.8-27B и нескольких моделей на его основе методом della_linear. Она предназначена для общения с пользователем и задач, где нужно анализировать изображения; в метаданных также отмечены интерфейс вызова инструментов и поддержка vision. Архитектура — плотная Qwen3_5ForConditionalGeneration, размер базовой модели — 27 млрд параметров; модель распространяется в safetensors и загружается через Transformers. Токенизатор и конфигурация взяты у Qwen/Qwen3.8-27B. README описывает однопроходное слияние четырёх источников и его технические параметры, включая прореживание по блокам строк, вычисления в fp32 и сохранение в bf16. Это не отдельное дообучение: итоговое поведение зависит от слияния исходных моделей, а специальные токены этих источников в итоговый токенизатор не включены. Основной язык и длина контекста в предоставленных данных не подтверждены. Лицензия не указана, поэтому условия использования следует сверить с лицензиями базовой модели и компонентов слияния.

Qwen_Qwen3.5-27B-GGUF — это GGUF-квантизированная версия модели Qwen3.5-27B, разработанной командой Qwen и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач генерации текста и обработки изображений с текстом; запуск возможен через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В README указан pipeline image-text-to-text, однако подробности о поддерживаемых языках и максимальном контексте не приведены. Доступны варианты от исходных весов BF16 размером 54,66 ГБ до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти; варианты Q6 и Q5 отмечены как близкие к исходному качеству, а Q4_K_M указан как стандартный вариант для большинства сценариев. Меньшие варианты экономят память, но могут заметно снижать качество ответов. Для ускорения генерации поддерживаются MTP-слои при использовании соответствующей функции llama.cpp. Модель удобна для локального запуска на совместимом оборудовании и выбора компромисса между качеством, скоростью и потреблением памяти. Ограничения включают значительные требования к памяти даже у компактных вариантов, зависимость совместимости от обновлений используемого программного обеспечения и возможное ухудшение качества при сильной квантизации. Лицензия — Apache-2.0.

Marscen/roberta-base-squad2-finetuned-squad2 — модель RobertaForQuestionAnswering на базе RoBERTa с 151,8 млн параметров, дообученная на датасете SQuAD v2. Она предназначена для извлечения ответа на вопрос из предоставленного текста, включая возможность не находить ответ, если его нет в контексте. При оценке на тестовой выборке указано значение Loss 0,8815. Модель принимает вопрос и текстовый контекст и выдаёт текстовый ответ; максимальная длина контекста составляет 514 токенов. Репозиторий содержит веса PyTorch. Лицензия — CC BY 4.0.

Это мультиязычный LoRA-адаптер PII для Statim Decide Multilingual Base 0.7.0, опубликованный Beko2210. Он настраивает базовую модель на решения по категории PII: например, определение наличия в тексте телефонного номера. Для использования требуется совместимая базовая модель и Statim версии 0.8.0 или новее; адаптер привязан к отпечатку конкретной версии базы. В репозитории представлены GGUF и safetensors, а метаданные указывают библиотеку gguf. В эксперименте адаптер повысил среднюю оценку с 0,8558 до 0,9103 для f32 и до 0,9109 для q8_0; выборка составляла 150 примеров на ячейку. Поддерживаются языки ar, de, en, es, fr, it, ja, nl, ru, sv и zh, но языки вне проверенного списка не тестировались. Лицензия PolyForm Noncommercial 1.0.0; автоматизированные решения о людях требуют проверки человеком.

0GM-1.0-35B-A3B (Preview-0427) — мультимодальная модель 0G Compute, дообученная на базе Qwen/Qwen3.6-35B-A3B. Это архитектура Mixture of Experts с 35 млрд параметров, из которых на токен активируется около 3 млрд; модель сочетает языковую часть с энкодером изображений. Она предназначена для диалогов, рассуждений, ответов на вопросы по изображениям и задач, требующих работы с длинным контекстом. В карточке приведены результаты сравнительных тестов, в том числе по математике и общим знаниям; авторы сообщают о преимуществах над сравниваемыми моделями на указанных бенчмарках. Модель поддерживает контекст до 262 144 токенов, расширяемый, по заявлению авторов, примерно до 1 010 000 токенов. Её можно развёртывать через Transformers и специализированные серверные движки; карточка рекомендует мощную мног GPU конфигурацию для обслуживания. Доступна по лицензии Apache-2.0. Приведённые бенчмарки не гарантируют качество на конкретных задачах, а высокие требования к памяти и совместимости инфраструктуры могут затруднить запуск.

abec0516/bert-finetuned-squad — модель RobertaForQuestionAnswering, дообученная на основе FacebookAI/roberta-base для ответа на вопросы по предоставленному контексту. Она подходит для извлечения ответа из текста, например при поиске сведений в документах или создании систем вопросов и ответов. Модель содержит 151,8 млн параметров, использует библиотеку Transformers и принимает контекст длиной до 514 токенов. Данные дообучения не описаны; карточка также не приводит сведений об оценке качества и ограничениях. Лицензия — MIT.

Chinese-Alpaca-2-7B-64K — языковая модель семейства Llama, разработанная командой Chinese-Alpaca. Это дообученная версия Chinese-Alpaca-2-7B, расширенная методом YaRN для работы с контекстом до 65 536 токенов. Модель содержит 6,7 млрд параметров и доступна в форматах PyTorch и Safetensors. Модель предназначена для генерации текста на китайском и английском языках, включая ответы на запросы и работу с длинными входными текстами. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

khanhhdt/distilbert-finetuned-squadv2 — дообученная на задаче question answering модель на базе DistilBERT, опубликованная пользователем khanhhdt. Карточка указывает, что для дообучения использован неизвестный набор данных; архитектура — DistilBertForQuestionAnswering. Модель принимает вопрос и текстовый контекст и предназначена для извлечения ответа из этого контекста. Модель подходит для систем вопросов и ответов по предоставленному тексту, например для поиска фактов в документах. Максимальная длина контекста составляет 512 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0. Сведения о качестве, обучающих данных и известных ограничениях в карточке отсутствуют, поэтому надёжность ответов на конкретных данных следует проверять отдельно.