I.4Обработка документов и форм

RemBERT — мультиязычная языковая модель семейства BERT, представленная авторами статьи «Rethinking embedding coupling in pre-trained language models». Это чекпойнт для последующего дообучения под классификацию и другие задачи анализа текста. Модель содержит около 967,8 млн параметров, использует плотную архитектуру и рассчитана на контекст до 512 токенов; доступны веса PyTorch и TensorFlow. RemBERT предварительно обучена на многоязычных данных Википедии для 110 языков с задачей masked language modeling. В отличие от mBERT, входные и выходные эмбеддинги не связаны: входные эмбеддинги меньше, а выходные веса исключены из этого облегчённого чекпойнта, предназначенного для дообучения. В карточке указаны успешные применения для классификации, ответов на вопросы, распознавания именованных сущностей и разметки частей речи. Модель предназначена для общего анализа текста, а не для генерации. Для практических задач её нужно дообучить; контекст ограничен 512 токенами. Лицензия — Apache-2.0.

SpanBERT/spanbert-base-cased — англоязычная предварительно обученная модель-кодировщик семейства BERT, разработанная исследователями, опубликовавшими проект SpanBERT. Она использует конфигурацию BERT base: 12 слоёв, скрытый размер 768 и 12 голов внимания; карточка указывает 135,5 млн параметров и контекст до 512 токенов. Особенность предобучения — маскирование и обучение на уровне текстовых фрагментов, чтобы лучше представлять и предсказывать spans. Модель предназначена для дообучения под задачи понимания текста, включая извлечение ответов из контекста, разрешение кореференции, извлечение отношений и классификацию. Она принимает текст и выдаёт контекстные представления токенов, а конкретные ответы или метки обычно формируются дообученной task-specific моделью. Доступны веса PyTorch и Flax. Авторы сообщают о результатах на SQuAD, кореференции и TACRED; эти результаты относятся к их оценкам и не гарантируют качество на других данных. Для предварительно обученных весов указана лицензия CC-BY-NC 4.0, которая ограничивает коммерческое использование. Архив проекта также отмечает, что лицензия распространяется на предобученные модели.

Swallow-MS-7b-instruct-v0.1 — разговорная языковая модель TokyoTech-LLM, созданная на базе Mistral-7B-v0.1 с продолженным предобучением на данных, в основном добавлявших японский язык, и последующей настройкой на выполнение инструкций. Репозиторий также меняет chat template токенизатора базовой модели. Модель с архитектурой Mistral, 7,2 млрд параметров, рассчитана на генерацию текста в диалоговом формате; родной контекст — 4096 токенов. Модель предназначена для ответов на инструкции, написания и извлечения текста, ролевого диалога, рассуждений, задач STEM и гуманитарных вопросов на японском и английском языках. Расширенный японский словарь токенизатора позволяет эффективнее представлять японский текст. В README приведены результаты оценки на японском MT-Bench и других бенчмарках; показатели по математике сравнительно низкие. Модель разработана TokyoTech-LLM. Выпускается по лицензии Apache-2.0. Авторы предупреждают, что модель находится на ранней стадии разработки и не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Для instruct-варианта рекомендуется использовать указанный в карточке формат инструкций, иначе качество ответов может снизиться.

Google T5 Version 1.1 LM-Adapted Small — плотная encoder-decoder модель семейства T5 с 45,8 млн параметров, доступная в форматах PyTorch и TensorFlow. Она основана на T5 Version 1.1 Small и дополнительно обучена 100 тысяч шагов на языковой моделирующей задаче; предварительное обучение на C4 включало denoising и language modeling. Вариант использует активацию GEGLU, отключённый dropout при предварительном обучении и отдельные параметры для embedding и classifier слоёв. Модель предназначена для последующей адаптации к текстовым задачам и особенно подходит как основа для prompt tuning. Архитектура T5 представляет задачи обработки языка в формате «текст на входе — текст на выходе», поэтому её можно дообучать для генерации и преобразования текста. В README описаны преимущества адаптации для prompt tuning, но конкретные результаты на отдельных задачах не приведены. Модель выпущена Google под лицензией Apache-2.0. README рекомендует повторно включать dropout при fine-tuning; сведения о длине контекста в предоставленных источниках отсутствуют.

Josephgflowers/TinyLlama-Cinder-Agent-v1 — компактная языковая модель на архитектуре Llama с примерно 1 млрд параметров, разработанная как дообученная версия Josephgflowers/TinyLlama-Cinder-Tiny-Agent. Автор позиционирует её как чат-ассистента общего назначения для ответов по предоставленным документам (RAG), суммаризации, следования системным инструкциям и работы с инструментами и вызовами функций. По описанию, модель обучалась на математических и рассуждательных данных, наборах для RAG и суммаризации, а также данных для вызова функций. Карточка сообщает об улучшении результатов на GSM8K относительно исходной TinyLlama и приводит оценки Open LLM Leaderboard. Модель поддерживает генерацию текста в диалоговом формате; её контекстное окно — 2048 токенов. README отмечает, что формат JSON при вызове функций следует шаблону обучающего набора Glaive и может не подходить для произвольной генерации JSON. Модель распространяется по лицензии MIT. Карточка не приводит отдельной оценки надёжности ответов, поэтому результаты математических и иных задач следует проверять; ограниченный контекст также может затруднять работу с объёмными документами.

Bellatrix-1.5B-xElite — компактная авторегрессионная языковая модель с архитектурой Qwen2, разработанная на базе Qwen/Qwen2.5-1.5B-Instruct. Модель содержит 1,5 млрд параметров, работает с текстом и использует формат Transformers; заявленная длина контекста составляет 131 072 токена. По карточке, обучение включало дообучение на синтетических примерах QWQ, SFT и RLHF. Модель предназначена для диалогов, следования инструкциям, генерации и суммаризации текста, логических рассуждений и сценариев RAG, включая агентный поиск и синтез найденной информации. Карточка заявляет многоязычное применение, однако в метаданных указан английский язык. У модели также заявлен интерфейс для вызова инструментов. Возможные ограничения — склонность к фактическим ошибкам, зависимость качества от языка и обучающих данных, а также более слабая работа на специализированных и внераспределённых задачах. В таблице оценки приведены низкие результаты на IFEval (19,64%) и BBH (9,49%), поэтому качество рассуждений и следования инструкциям стоит проверять на целевых задачах. Лицензия — Apache-2.0.

Bonsai 2 27B Ternary CRACK GGUF — языковая модель на базе Qwen3.8-27B, сжатая компанией PrismML в тернарный формат, а затем модифицированная исследовательской командой dealignai. В модели на уровне весов удалены механизмы отказа от ответа; заявляется сохранение базовых возможностей, режимов рассуждения, использования инструментов, мультитуровой связности и интерфейса работы с изображениями. Модель распространяется в формате GGUF и предназначена для локального запуска на ноутбуке, одном GPU или CPU через форк llama.cpp от PrismML с поддержкой CUDA и Metal. Архитектура включает гибрид Attention и SSM на основе GatedDeltaNet, 64 блока, скрытое измерение 5120 и отдельную vision-башню. Используется квантование PrismML PQ2_0 с эффективностью 2,13 бит на вес и размером файла около 7,21 ГБ. Доступны режимы рассуждения off, low и xhigh; для обработки изображений требуются совместимые файлы mmproj. Токенизатор, шаблон чата и интерфейс vision заявлены совместимыми с базовой моделью. Языки и максимальная длина контекста в карточке не указаны. Сильными сторонами являются компактный размер для модели класса 27B, поддержка локального инференса, мультимодальность, режимы рассуждения и практически полное отсутствие отказов в приведённых тестах HarmBench. По данным MMLU, точность модифицированной версии составила 39,91% против 40,53% у базовой, то есть заявлено сохранение общей способности с небольшим снижением на данном тесте. К ограничениям относятся сильное снижение безопасности из-за удаления защитных механизмов, потери качества из-за экстремального квантования, необходимость специального форка llama.cpp и совместимого vision-проектора, а также отсутствие сведений о языках и контексте. Лицензия — Apache-2.0. Для ранее скачанных сборок рекомендуется повторная загрузка версии, выпущенной после 18 сентября 2026 года UTC, поскольку в старой версии была исправлена ошибка зацикливания токенов в режимах low и xhigh.

psikosen/canopy-258m-r3-v4 — компактная генеративная модель семейства Canopy, представленная как модель для рассуждений на периферийных устройствах и автоматизации браузера. В README описана архитектура рекуррентной смеси экспертов (MoE), однако метаданные указывают класс CanopyForCausalLM и 136,8 млн параметров; поэтому размер и точные архитектурные детали в источниках расходятся. Согласно README, модель ориентирована на генерацию текста, многошаговые рассуждения и выполнение действий в браузере, включая заполнение форм и цепочки действий. В карточке заявлены ограничение памяти KV-кэша при длинных последовательностях и ускорение генерации и браузерных операций; эти показатели приведены самим автором и независимая проверка в предоставленных данных отсутствует. Метаданные указывают английский язык и поддержку чата и кода. Модель распространяется под лицензией Apache-2.0.

Это облегчённая модель идентификации языка на основе библиотеки fastText, представленная Meta. Она классифицирует входной текст по языку; размещённая версия lid218e, выпущенная в рамках проекта NLLB, распознаёт 217 языков. Модель предназначена для автоматической маркировки языка коротких фрагментов, предварительной маршрутизации текста и выбора подходящих языковых инструментов. fastText рассчитан на эффективную работу на стандартном оборудовании и подходит как для прототипирования, так и для производственных сценариев. В README также описаны предобученные векторы fastText для 157 языков, полученные методом CBOW с позиционными весами и символьными n-граммами; эти параметры не следует считать подтверждённой спецификацией именно размещённого классификатора lid218e. Лицензия репозитория — CC BY-NC 4.0, поэтому коммерческое использование ограничено условиями лицензии. Возможны смещения в предсказаниях.

testmoto/gemma-2-9b-platypus-02 — текстовая модель на архитектуре Gemma 2, полученная конвертацией google/gemma-2-9b в формат MLX с помощью mlx-lm 0.20.2. Модель содержит 9 млрд параметров и предназначена для генерации текста; базовая Gemma 2 также поддерживает диалоги, суммаризацию и ответы на вопросы. Модель принимает текст и генерирует текст. Длина контекста составляет 8192 токена. В метаданных указана лицензия Gemma. README описывает использование через mlx-lm; отдельные сведения о дообучении или специализированных возможностях этой версии отсутствуют.

GLiClass Edge v3.0 — компактная модель классификации последовательностей от Knowledgator на архитектуре GLiClass. Она предназначена для классификации текста без обучения на конкретном наборе меток: можно задавать категории для тематической классификации и анализа тональности. Модель также подходит для ранжирования результатов в RAG-системах. В карточке указаны 32,7 млн параметров и размер 131 МБ; веса опубликованы в формате safetensors. Модель обучали на логических задачах, используя LoRA-адаптеры, чтобы сохранить ранее приобретённые знания. По данным README, Edge быстрее более крупных вариантов GLiClass V3 в приведённых тестах, но показывает более низкий F1 на указанных наборах классификации; результаты зависят от задачи и формулировки меток. Поддерживаемые языки и длина контекста в предоставленных данных не обозначены. Лицензия — Apache-2.0.

Leanstral-1.5-119B-A6B-NVFP4 — это общественный квантованный вариант модели Mistral AI Leanstral-1.5-119B-A6B, подготовленный пользователем sahilchachra. Модель предназначена для генерации текста и обработки изображений в мультимодальных сценариях, включая диалоговые приложения, работу с инструментами и задачи, поддерживаемые базовой моделью. Артефакт не связан официально с Mistral AI и создан на основе общественной конвертации модели в BF16. Архитектура объединяет текстовый бэкенд DeepSeek-V3 с MLA-вниманием и MoE-структурой, включающей 128 маршрутизируемых экспертов, 4 активных эксперта на токен и одного общего эксперта, а также визуальный энкодер Pixtral. Для языковых линейных слоёв и MoE-экспертов используется NVFP4 W4A4 с 4-битными весами; визуальный модуль, мультимодальный проектор, маршрутизатор, lm_head и эмбеддинги сохранены в полной точности. Поддерживаются текст и изображения, а токенизатором служит Tekken с форматом диалогов Mistral. Основное преимущество модели — существенное снижение точности хранения весов и ориентация на NVIDIA GPU класса Blackwell с аппаратной поддержкой FP4. При этом полноценная генерация на одной B200 ещё не подтверждена: зафиксированы проблемы совместимости с vLLM 0.23, Transformers деквантует NVFP4 в BF16, а визуальный путь не прошёл runtime-проверку. Масштабирование RoPE является приблизительным, поэтому работа с контекстом длиннее 8 тысяч токенов не гарантируется. Модель доступна на условиях лицензии other; применяются лицензия и условия исходной модели Mistral AI.

llm-jp-3-1.8b-instruct — инструктивная версия языковой модели семейства llm-jp-3, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотная авторегрессионная Transformer-модель архитектуры LlamaForCausalLM с 1,7 млрд параметров по метаданным и контекстом до 4096 токенов. Репозиторий распространяет веса в формате Safetensors для Transformers. Модель предназначена для диалогов и выполнения текстовых инструкций, включая ответы на вопросы, написание текстов и простые рассуждения. Она обучалась на смеси данных, включая японские источники, и дообучалась на японских инструктивных наборах; метаданные также указывают английский и японский языки. В оценках авторов она показала улучшение относительно базовой версии llm-jp-3-1.8b на ряде задач, однако результаты ограничены указанными тестовыми выборками. Разработчики отмечают, что семейство находится на раннем этапе исследований и разработок и не настроено для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Qwen3.6-27B-Abliterated-Heretic-Uncensored-GGUF — это GGUF-версия модели Qwen3.6-27B, разработанной командой Qwen, с удалённым на уровне весов поведением отказа от ответов. Релиз подготовлен с использованием Heretic-style MPOA pipeline с сохранением магнитуд весов и конвертирован в формат GGUF для запуска в совместимых средах, включая llama.cpp и LM Studio. Модель предназначена для генерации текста, а при подключении соответствующего vision projector также поддерживает работу с изображениями и видео. Модель представляет собой плотную vision-language архитектуру объёмом 27,8 млрд параметров с 64 слоями, hidden size 5120 и гибридным механизмом внимания: три слоя linear attention и один слой full attention в каждой группе из четырёх слоёв. Текстовые GGUF-файлы поставляются в вариантах от Q2_K до Q8_0, включая BF16; для мультимодального режима используются совместимые проекторы mmproj в форматах F16 или BF16. Заявленный контекст запуска в примере составляет 32768 токенов, однако README не указывает гарантированный максимальный размер контекста и список поддерживаемых языков. К сильным сторонам относятся низкое заявленное отклонение от базовой модели по KL divergence (0,0251), широкий выбор уровней квантования и возможность локального мультимодального развертывания. По приведённым проверкам, частота отказов существенно ниже, чем у исходной модели: 1 из 25 и 3 из 100 запросов против 20 из 25 и 92 из 100 соответственно. При этом удаление защитного поведения означает повышенные риски небезопасных или нежелательных ответов, а качество и ресурсоёмкость зависят от выбранного варианта квантования. Релиз распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

giocom/Qwen3.8-27B-MXFP4-GGUF — это вариант модели Qwen3.8-27B, опубликованный пользователем giocom и представленный в формате GGUF. В README указаны технологии MTP и MXFP4, а также приблизительная плотность квантования 5,24 BPW. Базовая модель разработана командой Qwen, однако подробные сведения об архитектуре и размере исходной модели в карточке не приведены. Модель предназначена для задач, поддерживаемых базовой Qwen3.8-27B, с возможностью использования в совместимом с GGUF программном обеспечении. В метаданных указан тип pipeline image-text-to-text, что предполагает работу с изображениями и текстом, но конкретные поддерживаемые модальности, языки, размер контекста и сценарии применения не описаны. Ключевым преимуществом является компактное MXFP4-представление, потенциально снижающее требования к памяти по сравнению с полноразмерными весами. Ограничения связаны с отсутствием подробных результатов тестирования, характеристик производительности и описания качества квантования. README содержит ссылку на лицензию базовой модели Qwen3.8-27B, но точные условия лицензии в карточке не указаны.

mradermacher/Qwen-3.8-27B-Uncensored-i1-GGUF — набор квантованных версий модели Qwen-3.8-27B-Uncensored, разработанной junafinity и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации и обработки текста, а также поддерживает сценарии image-text-to-text, то есть работу с изображениями и текстом. В README указан английский язык, библиотека Transformers и мультимодальная архитектура с поддержкой зрения. Модель содержит 27 млрд параметров; доступны варианты квантования i1 от Q2_K до Q6_K, включая IQ-квантизации, с размером файлов примерно от 11 до 22,5 ГБ. README отмечает, что IQ-варианты часто предпочтительнее обычных квантизаций сопоставимого размера, а i1-Q4_K_M рекомендуется как быстрый вариант. Конкретный размер контекста и архитектурные особенности не указаны. К сильным сторонам относятся широкий выбор квантов, возможность локального запуска в GGUF-совместимых инструментах и поддержка изображений. Ограничения включают возможное снижение качества при низких уровнях квантования, значительные требования к памяти и отсутствие подробных результатов оценки. Модель распространяется по лицензии Apache-2.0; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория.

Qwen3.8-Flash-Next-4bit — это 4-битная MLX-конверсия модели Qwen3.8-Flash-Next, разработанной командой Qwen. Модель предназначена для генерации текста и сценариев image-text-to-text, то есть может применяться к задачам, сочетающим обработку изображений и текста, при условии поддержки соответствующего мультимодального интерфейса. Модель преобразована с помощью mlx-vlm и оптимизирована для запуска в экосистеме MLX. Используется групповой размер квантования 32, необходимый для корректной обработки PLE n-gram embedding dimensions. Точные сведения о числе параметров, длине контекста и поддерживаемых языках в карточке не указаны. Ключевое преимущество этой версии — корректная обработка Qwen4ExpRMSNorm без двойного смещения весов, из-за которого у некоторых более ранних конверсий генерация деградировала до шума. Конверсия проверена на целостность исходных данных, идентичность нормирующих тензоров и согласованность с bf16-версией; также подтверждена связная генерация при температуре 0.0. Ограничения включают 4-битное квантование и зависимость от MLX и mlx-vlm; возможные потери точности относительно bf16-версии в README не измерены. Лицензия в карточке не указана.

TheDrainFlorist/Qwen3.8-Flash-Next-VQ-4.4bpw — это векторно-квантизированная сборка базовой модели Qwen/Qwen3.8-Flash-Next, разработанной командой Qwen. Сборка создана с использованием VQLab для работы на компьютерах Apple Silicon и распространяется как checkpoint для экосистемы MLX. Общий размер модели составляет около 94,1 GiB; базовая MoE-модель имеет 180 млрд параметров, из которых активны 10 экспертов из 512, а также включает 51,2 млрд параметров n-gram PLE и поддержку зрения. Модель предназначена для генерации текста и обработки изображений на устройствах Apple Silicon через mlx-lm и mlx-vlm, а также для распределённого запуска через exo. Она поддерживает английский язык; контекст и точные характеристики модальностей в README не указаны. В квантизации используются векторные кодовые книги, а отдельные высокозначимые слои имеют повышенную точность. Заявлены оптимизации MLX-ядер, снижение пикового потребления памяти при обработке длинных запросов и сохранение качества вывода относительно предыдущего runtime. Основные ограничения связаны с требованиями к программному окружению: необходима архитектура qwen4_exp, отсутствующая в выпущенных версиях mlx-lm на момент описания, поэтому требуется версия из указанного pull request. Для изображений нужен mlx-vlm версии 0.6.16 или новее. Модель рассчитана на мощные устройства с большим объёмом памяти; распределённая работа через exo требует специальной ветки. Лицензия указана как qwen-community-1.0; условия следует уточнять в файле LICENSE.

RuModernBERT-small — компактный двунаправленный encoder-only Transformer семейства ModernBERT, разработанный DeepVK для работы с русским и английским текстом. Это модель masked language modeling: она предсказывает замаскированные токены и служит основой для задач понимания текста после дополнительной настройки. Модель содержит 34,4 млн параметров, имеет 12 слоёв, размер скрытого представления 384 и словарь из 50 368 токенов; длина контекста — до 8 192 токенов. Предобучение проводилось примерно на 2 трлн токенов русского, английского и кода из интернет-источников, книг, научных материалов и социальных сетей. Модель подходит как компактный энкодер для классификации, извлечения сущностей и других задач анализа текста; README приводит оценки на русскоязычных бенчмарках. В опубликованной ревизии patched-tokenizer исправлена токенизация шести распространённых русских строчных букв, что может быть полезно для NER; авторы сообщают, что на 20 задачах RuMTEB статистически значимых изменений качества не обнаружили. Лицензия — Apache-2.0.

T5-Small — компактная текстовая модель семейства Text-To-Text Transfer Transformer, разработанная Колином Раффелом и коллегами. Она представляет задачи обработки естественного языка в формате преобразования текста в текст; в каталоге для этой версии указана задача перевода. Модель содержит 38,5 млн параметров по метаданным, имеет плотную архитектуру T5ForConditionalGeneration и контекст до 512 токенов. Модель предназначена для перевода и может применяться в дообученных сценариях суммаризации, ответов на вопросы, классификации и других задач преобразования текста. Она принимает и генерирует текст; в карточке указаны английский, французский, румынский и немецкий языки. Предобучение проводилось на корпусе C4 и смеси задач, включавшей денойзинг и контролируемые текстовые задачи. Компактный размер упрощает использование модели в ограниченных вычислительных условиях, но может уступать более крупным моделям в качестве и надёжности. Карточка не приводит конкретных оценок качества или подробных ограничений. Лицензия — Apache 2.0.

WiroAI/wiroai-turkish-llm-9b — текстовая диалоговая модель WiroAI для генерации и преобразования текста на турецком языке. Это дообученная методом SFT модель Google Gemma 2 9B с архитектурой decoder-only transformer; в README указано, что при настройке использовался LoRA без квантизации и более 500 тысяч турецких инструкций. Модель содержит 9 млрд параметров, работает с контекстом до 8192 токенов и распространяется в формате safetensors по лицензии Gemma. Модель предназначена для ответов на вопросы, суммаризации, редактирования и анализа текста, а также задач, требующих знания турецкого языка, культуры и местного контекста. README приводит результаты на турецких вариантах бенчмарков MMLU, TruthfulQA, ARC, HellaSwag, GSM8K и WinoGrande. Для лучших результатов рекомендуется давать ясные структурированные инструкции; ответы следует проверять в критичных сценариях, а ресурсы оценивать перед развёртыванием. В карточке заявлена поддержка турецкого и других распространённых языков, но отдельные языки помимо турецкого не перечислены.

Athena-1 0.5B — компактная инструктивная языковая модель, дообученная aayanmishra-ml на основе Qwen/Qwen2.5-0.5B-Instruct. Она содержит 494 млн параметров, использует архитектуру Qwen2 для генерации текста и рассчитана на запуск в условиях ограниченных вычислительных ресурсов, включая edge-устройства. Метаданные указывают контекст до 32 768 токенов; в README заявлены 16 384 токена и генерация до 4 000 токенов за ответ. Модель предназначена для диалогов и выполнения инструкций, а также для базовой помощи с кодом и математикой, анализа и краткого пересказа небольших документов, работы с таблицами и JSON. README заявляет поддержку более 20 языков, включая английский, китайский, русский, французский, испанский, немецкий, итальянский, японский, корейский, вьетнамский и тайский; карточка указывает английский. Модель поставляется в формате PyTorch под лицензией Apache-2.0. Небольшой размер удобен для ресурсов с ограничениями, однако заявленные возможности кодирования и математики описаны как базовые.

Skskskd/bliz-ia — языковая модель, разработанная пользователем или организацией Skskskd. Она предназначена для общих задач обработки и генерации текста, включая диалог, ответы на вопросы, суммаризацию и анализ документов. Модель имеет около 0,5 млрд параметров, основана на архитектуре llmv3/Transformer и поддерживает контекст до 32 768 токенов. Указана модальность text generation; сведений о поддерживаемых языках и мультимодальных возможностях не найдено. Небольшой размер делает модель подходящей для сред с ограниченными вычислительными ресурсами, а большое контекстное окно — для работы с длинными текстами. При этом по доступным данным нельзя надёжно оценить качество, специализированные преимущества и ограничения модели. Информация о лицензии и условиях самостоятельного использования не указана.

cstr/cld3-GGUF — конверсия Compact Language Detector v3 (CLD3), компактного нейросетевого определителя языка от Google, ранее использовавшегося в Chromium. Модель принимает текст и относит его к одному из 109 языковых классов, включая отдельные метки для латинизированных вариантов некоторых языков. Архитектура включает шесть экстракторов признаков и таблиц эмбеддингов, объединённых в вектор размерности 80, а также два полносвязных слоя с размерами 80→208 и 208→109. Репозиторий содержит веса F16 в формате GGUF; файл занимает около 440 КБ. Модель предназначена для быстрой идентификации языка в браузерном и другом CPU-сценарии, где важны малый размер и низкая задержка. В README заявлены задержка менее миллисекунды и совпадение с эталонной реализацией pycld3 для 7 из 8 тестовых примеров. На коротких строках, особенно короче примерно 50 символов, предсказания могут быть ненадёжны и зависеть от языкового априорного распределения; рекомендуется учитывать уверенность. Упрощённая очистка текста в C++ runtime может также давать расхождения для HTML и текста с большим количеством пунктуации. Использование регулируется лицензией Apache-2.0; репозиторий меняет формат представления весов, но не обучает модель заново.

GEMMA Document Rewriter for RAG Pipeline — текстовая модель ZySec-AI для очистки и переписывания документов перед поиском и генерацией с дополненной выборкой (RAG). Она дообучена методом LoRA на базе Google Gemma 3 4B IT и принимает текстовые документы или их фрагменты. Модель сокращает избыточный текст и лишние пробелы, сохраняя значимую для последующих задач информацию, а затем формирует структурированный результат в Markdown с заголовками и подзаголовками. Её используют для подготовки документов к индексации и улучшения поиска по ним; также она подходит для суммаризации и стандартизации текстов. В карточке указана лицензия Apache-2.0. Модель может удалять детали, которые сочтёт избыточными, поэтому результат сокращения следует проверять, если важна полнота исходного документа. В README заявлены скорость и пригодность для производственных конвейеров, но сравнительные оценки качества не приведены.

GLM-5.3-Flash-4bit-paged — это 4-битная сборка модели GLM-5.3-Flash с экспертной пагинацией, опубликованная GreenBitAI на базе pipenetwork/GLM-5.3-Flash-MLX-4bit. Модель предназначена для генерации текста и мультимодальных сценариев image-text-to-text, а заявленные языки — английский и китайский. Сборка ориентирована на запуск через gbx-lm, в частности на компьютерах Apple Silicon с MLX. Архитектура использует mixture-of-experts: необходимые экспертные веса могут загружаться из файла experts.bin по мере обращения к ним, что снижает требования к постоянно занятой оперативной памяти, но требует значительного дискового пространства и может замедлять работу, если веса не помещаются в память. Общий объём файлов составляет около 169,27 ГиБ, включая 5,89 ГиБ резидентных весов, 159,47 ГиБ маршрутизируемых экспертов и 3,90 ГиБ дополнительной головы multi-token prediction. Максимальный контекст в README не указан. Дополнительная MTP-голова отключена по умолчанию и поддерживает speculative decoding; на Mac Studio с M3 Ultra она показала ускорение до 1,41 раза при контексте 11 317 токенов, однако выигрыш зависит от длины контекста и конфигурации оборудования. Для модели заявлена проверка совпадения с исходной сборкой на уровне слоёв. Квантование, токенизатор и шаблон чата унаследованы от базовой модели. Лицензия — MIT.

Huihui-gemma-4-26B-A4B-it-abliterated-GGUF — это квантованный релиз модели Huihui Gemma 4 26B A4B IT Abliterated, подготовленный пользователем groxaxo. Модель распространяется в формате GGUF для локального запуска и совместимых с llama.cpp сред. Исходная модель разработана huihui-ai; данный репозиторий содержит только её квантованные сборки. Модель предназначена для генерации текста по текстовым запросам, а также для мультимодальных сценариев image-text-to-text: анализа и описания изображений с учётом текстовой инструкции. Для работы с изображениями требуется совместимый файл mmproj. Доступны варианты квантования с разным балансом между качеством, скоростью и потреблением VRAM и RAM; более крупные и высокобитные варианты обычно сохраняют больше качества, а компактные требуют меньше ресурсов, но сильнее теряют в точности. Ключевые характеристики: архитектура и параметры унаследованы от базовой модели Gemma 4 26B A4B, формат — GGUF, целевой runtime — llama.cpp, поддерживаются текстовая и визуальная модальности. Точные языки и размер контекстного окна в README не указаны. К сильным сторонам относятся локальный запуск, выбор из множества квантований и поддержка мультимодального вывода. Ограничения включают зависимость качества от выбранной квантовки, аппаратных ресурсов и корректности файла mmproj, а также возможные неточности и особенности поведения модели с уменьшенными ограничениями фильтрации. Конкретная лицензия в README не приведена; перед использованием и распространением необходимо проверить лицензию исходной модели и файлы репозитория.

Kimi-K3-UD-Q4_K_XL-layers — пакет GGUF-файлов модели Kimi-K3-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого локального инференса. Пакет создан на основе unsloth/Kimi-K3-GGUF: веса разделены на отдельные артефакты по слоям, чтобы распределять вычисления и память между несколькими машинами. В метаданных указаны поддержка чата и изображений; основной сценарий — диалоговый инференс с изображениями и текстом через Mesh LLM. Пакет предназначен для частного запуска на собственном оборудовании, в том числе на кластере, когда модель не помещается на одном узле. Mesh LLM предоставляет локальный API, совместимый с OpenAI Chat Completions. Вариант весов — UD-Q4_K_XL в формате GGUF. Лицензия обозначена как other; условия следует сверить с карточкой исходной модели unsloth/Kimi-K3-GGUF.

MaxMini-Instruct-248M — модель семейства T5, разработанная автором репозитория suriya7 и дообученная для выполнения инструкций. Она преобразует текстовый ввод в текстовый ответ и рассчитана на широкий круг задач, формулируемых в виде инструкций. Модель имеет плотную архитектуру T5ForConditionalGeneration и содержит 123,8 млн параметров по метаданным каталога; в README указан размер 248 млн параметров. Длина контекста составляет 512 токенов. В карточке указаны датасеты databricks/databricks-dolly-15k и VMware/open-instruct, формат весов — safetensors. Лицензия — MIT.

MemOperator-0.6B — компактная причинно-следственная языковая модель MemTensor для операций с памятью в системе MemOS. Она дообучена методом SFT на основе моделей Qwen3 и предназначена для локального развертывания, в том числе в средах без доступа к интернету, с низкими затратами ресурсов и малой задержкой. В метаданных указана связь слияния с Qwen/Qwen3-0.6B, Qwen/Qwen3-1.7B и Qwen/Qwen3-4B; архитектура — плотная decoder-only модель Qwen3 с примерно 507,9 млн параметров. Для этой версии указан контекст до 40 960 токенов. Модель извлекает сведения из диалогов и документов, в том числе составляет краткие сводки фрагментов документов, а также поддерживает кластеризацию и реорганизацию связанных воспоминаний. Карточка заявляет поддержку английского и китайского языков и приводит результаты семейства MemOperator на бенчмарке locomo, но таблица содержит сравнение только версии 4B; переносить эти показатели на версию 0.6B нельзя. Разрешены загрузка через Transformers и использование с vLLM или SGLang; лицензия — Apache-2.0. Разрешение конфликтов и рассуждение об отношениях в README обозначены как находящиеся в разработке.