I.4Обработка документов и форм

T3qm7xNeuralsirkrishna_AlloyingotneoyYam — объединённая модель Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/AlloyingotneoyYam-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов; README не уточняет языковую специализацию и особенности диалогового шаблона. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

MaziyarPanahi/una-cybertron-7b-v3-OMA-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и fblgit/una-cybertron-7b-v3-OMA методом SLERP. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и предназначена для генерации текста и ответов на инструкции в формате диалога. Модель принимает текстовые запросы и выдаёт текстовые ответы; её контекст составляет до 32 768 токенов. Файлы опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения и конкретные ограничения качества.

decide-0.2.0 — англоязычная модель jmwri на 149 млн параметров, дообученная на базе answerdotai/ModernBERT-base. Это компактный некорректирующий генерацию encoder-only классификатор: за один проход оценивает каждый из предложенных вариантов и возвращает калиброванные вероятности. Поддерживает выбор одного варианта из нескольких, проверку условия с ответом «да/нет» и оценку по упорядоченной шкале. Архитектура использует ModernBERT и отдельную MLP-голову для оценки вариантов; заявленная длина контекста — 8192 токена. Модель предназначена для классификации по заданным вариантам, проверки утверждений и принятия решений по текстовому описанию состояния и инструкции. Оценки вариантов не зависят от порядка остальных вариантов, что удобно для построения устойчивых классификаторов и таксономий. На задачах, похожих на обучающие, README приводит метрики точности и калибровки; на не встречавшихся при обучении задачах качество ниже, а вероятности могут быть чрезмерно уверенными. Модель поддерживает только английский язык. Лучше работают варианты с ясными описаниями; наборы более чем примерно из десяти вариантов рекомендуется разбивать на этапы. Для решений, влияющих на права, безопасность или средства к существованию людей, требуется надзор человека. Лицензия модели — Apache-2.0; перед распространением или коммерческим использованием также следует проверить лицензии использованных обучающих наборов данных.

Это модель Sentence Transformer, разработанная на основе BAAI/bge-base-en-v1.5 и дообученная на парах коротких запросов и фрагментов PDF. Она кодирует предложения и абзацы в плотные текстовые векторы размерностью 768, нормализованные для сравнения косинусным сходством. Архитектура включает BERT, пулинг CLS-токена и нормализацию; максимальная длина входа — 512 токенов. В метаданных указано 136,7 млн параметров. Модель предназначена для семантического поиска по PDF и другим текстам, сравнения сходства предложений, поиска перефразировок и кластеризации. В README приведены результаты поиска на наборе из 76 обучающих примеров; они могут не отражать качество на других данных. Модель ориентирована на английский язык, как и её базовая BGE-модель. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

MeliodasPercival_01_Experiment26Yamshadow — объединённая языковая модель, опубликованная MaziyarPanahi. Она предназначена для генерации текста и построена на архитектуре Mistral с 7,1 млрд параметров. Модель объединяет automerger/MeliodasPercival_01-7B и automerger/Experiment26Yamshadow-7B; доступна в формате safetensors и поддерживает контекст до 32 768 токенов. Лицензия — Apache-2.0.

Nemotron-3-Nano-Omni-30B-A3B-JANG_4M — это мультимодальная версия модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, подготовленная Jinho Jang для Apple MLX. Модель сочетает Mamba-2, attention и MoE; в README указаны 31 млрд параметров всего и около 3 млрд активных, тогда как метаданные каталога сообщают 1,9 млрд параметров. Контекст — 262 144 токена. Модель принимает текст, изображения и видео; базовая модель также поддерживает аудио, хотя README не подтверждает работу аудио в этом варианте. Сценарии применения включают диалог и рассуждения, анализ изображений и видео, а также запуск на Apple Silicon через MLX. Квантование JANG_4M использует смешанную точность 4 и 8 бит с группами размера 64; компоненты обработки изображений оставлены в FP16. README заявляет калибровку квантования по активациям и скорость около 126 токенов в секунду на M5 Max. Модель ориентирована на аппаратное обеспечение Apple и экосистему MLX. Для базовой модели в README указана лицензия NVIDIA Open Model License; метаданные этой версии обозначают лицензию как other, поэтому условия использования следует проверять в файлах репозитория и лицензии базовой модели. README описывает эту версию как квантованный порт, хотя метаданные связывают её с базовой моделью как finetune. Квантизация может влиять на качество; в README отмечена чувствительность экспертных слоёв к малой разрядности. Язык карточки — английский.

Карточка модели SAIFIINDUSTRIES/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-NVFP4-noMTP-GGUF на Hugging Face совпадает с карточкой waseigo/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-NVFP4-noMTP-GGUF, поэтому описание составлено по ней. Это конвертированная в GGUF версия NVIDIA Nemotron 3.5 Lightning 30B-A3B NVFP4, подготовленная автором репозитория для запуска через llama.cpp. Из конвертации исключены MTP-слои; веса сохранены в автоматически выбранном формате исходной модели. Модель предназначена для генерации текста и диалогового использования. Автор сообщает, что она запускалась на двух видеокартах RTX 5060 Ti по 16 ГБ, с контекстом до 1 048 576 токенов и квантизацией KV-кэша q8_0; по его оценке, для этого не требуется выгружать экспертные слои в оперативную память. Поддерживаемые языки по карточке: английский, испанский, французский, немецкий, итальянский и японский. Это конверсия исходной модели NVIDIA в GGUF для llama.cpp, а не самостоятельное дообучение; базовая модель — nvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-NVFP4. Репозиторий указывает лицензию «other», поэтому перед использованием следует проверить условия исходной модели и репозитория.

Карточка модели tokyotech-llm/Swallow-70b-instruct-v0.1 на Hugging Face совпадает с карточкой tokyotech-llm/Swallow-7b-instruct-v0.1, поэтому описание составлено по ней. Swallow-7b-instruct-v0.1 — диалоговая языковая модель TokyoTech-LLM на архитектуре Llama 2 с 6,7 млрд параметров. Она прошла дополнительное предварительное обучение преимущественно на японских текстах, а версия instruct — supervised fine-tuning для следования инструкциям. Токенизатор с расширенным японским словарём эффективнее представляет японский текст. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций на японском и английском языках: написания текстов, ролевых диалогов, ответов на вопросы, рассуждений и извлечения информации. В README опубликованы оценки на японском MT-Bench и сравнение с другими моделями, однако они не гарантируют качества для каждого сценария. Выпуск v0.1 обозначен как предварительная версия; разработчики предупреждают, что модель ещё не настроена на соответствие человеческим намерениям и требованиям безопасности. Лицензия — Llama 2 Community License (llama2).

google/t5gemma-2b-2b-ul2 — предварительно обученная модель семейства T5Gemma от Google с кодировщиком и декодировщиком по 2 млрд параметров. Архитектура encoder-decoder получена адаптацией decoder-only модели; вариант UL2 обучен с использованием подхода UL2. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста по текстовому запросу и подходит для суммаризации, ответов на вопросы, рассуждений и других задач преобразования текста. В карточке указана поддержка английского языка. Компактный размер может быть удобен для локального развёртывания на компьютерах и в облачной инфраструктуре. Качество зависит от обучающих данных и формулировки запроса; модель может упускать нюансы и выдавать неточные или устаревшие факты. Лицензия Gemma; при применении необходимо учитывать правила использования Gemma.

Wendi 2B — компактная модель для принятия решений, разработанная на основе Qwen3.5-2B. Она получает свидетельства, критерий выбора и небольшой набор вариантов, после чего выбирает ответ одним предсказанием следующего токена. Модель предназначена для маршрутизации рабочих процессов, выбора следующего действия, классификации с учётом инструкций, проверки свидетельств, анализа использования инструментов и классификации электронной почты. Модель представляет собой плотную архитектуру Qwen3.5 с 2 млрд параметров; карточка указывает настройку контекста до 262 144 токенов и поддержку диалога. Wendi дообучена с помощью supervised fine-tuning и гибридного GRPO; языковые LoRA-адаптеры ранга 16 объединены в самостоятельный BF16-чекпойнт. Для обслуживания README рекомендует актуальные версии SGLang или vLLM с поддержкой Qwen3.5. Метаданные указывают языки en и zh. Внутренние отложенные проверки показывают пригодность для ряда задач классификации и выбора по заданным критериям, однако результаты различаются по категориям и не гарантируют точность на новых данных. Для запросов на принятие решений README рекомендует отключать режим thinking, использовать заглавные буквы для вариантов и оценивать следующий токен только среди допустимых ответов. Модель распространяется по лицензии Apache-2.0.

adamo1139/Yi-34B-200K-XLCTX — зеркало модели Yi-34B-200K (XLCTX), первоначально выпущенной 01.AI. Версия настроена для улучшенного поиска информации в длинном контексте по тесту «игла в стоге сена»; её можно использовать как базу для слияния с LoRA-адаптерами. Это плотная авторегрессионная языковая модель семейства Llama с 33,9 млрд параметров, принимающая текст и поддерживающая контекст до 200 000 токенов. Модель предназначена для генерации текста и сценариев, где нужно находить сведения в длинных текстовых последовательностях. Репозиторий содержит веса в формате safetensors. Указана лицензия Apache-2.0. Карточка не сообщает о языковом охвате и конкретных результатах оценки качества, поэтому их нельзя уверенно описать.

Карточка модели Aliados/gemma-3-1b-it на Hugging Face совпадает с карточкой unsloth/gemma-3-1b-it, поэтому описание составлено по ней. unsloth/gemma-3-1b-it — диалоговая версия Gemma 3, размещённая Unsloth и основанная на Google/gemma-3-1b-it. Это плотная языковая модель Gemma3ForCausalLM примерно с 1 млрд параметров, предназначенная для генерации текста и общения по инструкциям. Репозиторий содержит веса в формате Safetensors; модель работает через Transformers и рассчитана на контекст до 32 768 токенов. Модель подходит для диалоговых помощников, черновиков текстов и писем, суммаризации и ответов на вопросы. В README описаны возможности семейства Gemma 3, включая мультимодальный ввод изображений, но этот конкретный чекпойнт имеет текстовую архитектуру и базовую модель Gemma 3 на 1 млрд параметров; поэтому поддержку изображений ему не приписываю. Метаданные указывают английский язык. Лицензия — Gemma. Как и другие генеративные модели, она может ошибаться в фактах, отражать смещения обучающих данных и хуже справляться с неоднозначными или сложными запросами. Качество зависит от промпта и контекста.

Mistral-7B-Holodeck-1-Instruct-32k — текстовая генеративная модель, созданная mpasila слиянием моделей через mergekit по методу DARE TIES. В основу взята alpindale/Mistral-7B-v0.2-hf, а в слияние также вошли mistralai/Mistral-7B-Instruct-v0.2 и KoboldAI/Mistral-7B-Holodeck-1. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Контекст составляет до 32 768 токенов, что подходит для работы с длинными запросами и документами. В репозитории указаны веса safetensors и библиотека Transformers. README и метаданные не сообщают о поддерживаемых языках, специальных областях применения или измеренных качествах модели. Лицензия в предоставленных данных не указана.

MPT-30B-Instruct 8-bit — 8-битная версия модели MPT-30B-Instruct, разработанной MosaicML. Это плотная авторегрессионная языковая модель с модифицированной архитектурой decoder-only Transformer, FlashAttention и ALiBi; в исходной модели около 29,95 млрд параметров и 48 слоёв. Модель предназначена для коротких ответов на инструкции и диалоговых запросов. Её дообучили на данных, производных от Databricks Dolly-15k и Anthropic HH-RLHF, а также на наборах для математики, вопросов и ответов, суммаризации и работы с базами данных. Модель принимает текст и генерирует текст. Карточка описывает англоязычный пример, но не задаёт полный перечень поддерживаемых языков. Файлы опубликованы в формате safetensors; для загрузки через Transformers требуется trust_remote_code=True. Лицензия — CC-BY-SA-3.0. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы, поэтому её результаты требуют проверки.

FesarovLab выпустила Parable-Nanbeige4.2-3B-Claude-Fable-5-heretic — диалоговую модель на архитектуре Nanbeige с 3,2 млрд параметров, полученную подавлением отказов в дообученной модели AnkitAI/Parable-Nanbeige4.2-3B-Claude-Fable-5. Для этого применена абляция направлений отказа и ортогонализация весов с помощью Heretic; автор репозитория указывает, что саму базовую модель не обучал. Модель предназначена для генерации ответов, рассуждений и вызова инструментов в диалоговых сценариях. Она принимает текст и выдаёт текст, поддерживает английский и китайский языки, а её заявленное окно контекста составляет 262 144 токена. В проверках автора доля отказов снизилась с 99 до 8 на 100 тестовых запросов, а результаты MMLU и GSM8K остались близки к исходной модели. Сохранены структурированные блоки рассуждений, JSON и формат вызова инструментов. Для работы требуется Transformers 4.57.x и trust_remote_code=True; на Transformers 5.x, согласно README, генерация работает некорректно. Полное окно контекста требует около 45 ГБ памяти KV-кэша, а качество на контекстах длиннее 32 тысяч токенов не оценивалось. Подавление отказов намеренное, поэтому контроль выдачи должен обеспечиваться при развёртывании. Лицензия — Apache 2.0.

Qwen3.6-27B-Della-Deckard-v1 — мультимодальная модель с 27 млрд параметров, собранная автором репозитория YFC-112358 методом слияния весов. В основе лежит Qwen/Qwen3.6-27B; в карточке описаны слияние DELLA с двумя моделями для рассуждений и добавление небольшого вектора задач из инженерной модели Qwen3.5. Модель плотная, построена на архитектуре Qwen3.5, поддерживает зрительный ввод и диалог. Веса сохранены в BF16 в формате safetensors; лицензия — Apache-2.0. Модель предназначена для мультимодальных диалогов и задач, где нужно отвечать на текстовые запросы и учитывать изображения. Автор также ориентирует её на рассуждения и инженерные задачи, включая программирование, но количественных бенчмарков нет. Карточка сообщает о тестировании генерации на 13 текстовых запросах; работу с изображениями и поведение на контексте длиннее 16K не проверяли. Слияние структурно проверено, но это не подтверждает улучшения качества; при проблемах автор рекомендует отключить кросс-поколенческий вклад. Указанный контекст базовой модели в README — 16K, за его пределами поведение не оценивалось.

Qwen3.8-27B-Uncensored-oQ4e-mtp — это квантизированная MLX-версия модели orcarouter/Qwen3.8-27B-Uncensored, подготовленная и упакованная пользователем pyros-vault с помощью oMLX 0.6.1 и квантизации oQ с использованием матрицы важности. Модель предназначена для развёртывания на Apple Silicon под macOS через runtime oMLX и совместима с OpenAI-совместимым сервером. Прямая проверка поведения и заявлений исходной модели в этой карточке не проводилась. Модель поддерживает текстовые и визуальные ресурсы, включая обработку изображений и видео, и содержит один слой MTP. Максимальный контекст, заявленный в конфигурации, составляет 262 144 токена, однако работа с таким объёмом не тестировалась и зависит от аппаратного обеспечения. Используется смешанная 4-битная квантизация Affine Q4/G64 с 166 переопределениями тензоров Q5/G64; размер тензорных данных — около 15,81 GiB в четырёх Safetensors-фрагментах. Калибровка выполнена на 128 последовательностях по 512 токенов с профилем oqe_code_multilingual. Сильными сторонами являются уменьшенный объём хранения по сравнению с вариантами более высокой разрядности, наличие мультимодальных ресурсов и возможность локального запуска на Apple Silicon. Ограничения включают зависимость от macOS, Apple Silicon и версии oMLX, отсутствие поддержки CUDA в данном формате, неопределённые требования к памяти, скорости, качеству Vision и эффективности MTP, а также возможное ухудшение качества из-за квантизации. Наличие MTP-файлов само по себе не включает speculative decoding. Исходная модель заявлена под лицензией Apache-2.0; следует также ознакомиться с условиями и атрибуцией upstream-репозитория.

apetersson/Qwen3.8-Flash-Next-GGUF — это квантизированная GGUF-сборка модели Qwen3.8-Flash-Next, разработанной командой Qwen и подготовленной пользователем apetersson для запуска через llama.cpp. Модель предназначена для генерации текста и мультимодальных сценариев с обработкой изображений и, согласно тегам, видео. В комплект входят варианты квантизации Q5_K_M и UD-IQ4_XS, общий vision-проектор и MTP-компонент для ускорения генерации. Сборка использует общую BF16-таблицу n-gram, размещаемую отдельно от основных весов, и требует специального расширения среды выполнения llama.cpp; стандартная версия llama.cpp и автоматическая загрузка через -hf не поддерживаются. Размер основных файлов составляет около 76,24 GiB для Q5_K_M и 60,42 GiB для UD-IQ4_XS, а суммарный объём активных артефактов с общими компонентами — около 235,47 GiB. На RTX PRO 6000 Blackwell подтверждена работа с контекстом 262 144 токена для Q5 и IQ4, а для IQ4 проверена загрузка контекста до 1 048 576 токенов с Q8-кэшем KV; фактическая проверка генерации на миллионе токенов не проводилась. Сильными сторонами являются мультимодальность, поддержка очень длинного контекста, наличие MTP и возможность запуска на системах с 96–128 GB памяти при соответствующей конфигурации. Ограничения включают высокие требования к видеопамяти и оперативной памяти, необходимость сохранять структуру каталогов и использовать патченный runtime, а также ограниченную проверку экстремально длинного контекста. Модель распространяется по лицензии qwen-community-1.0; точные условия следует уточнять в файле LICENSE.

Это дообученный Sentence Transformer на базе sentence-transformers/all-MiniLM-L6-v2, разработанный автором репозитория tjohn327. Модель кодирует предложения и абзацы в плотные векторы размерности 384 и предназначена для семантического поиска, сравнения текстов и связанных задач. Архитектура основана на BERT: среднее объединение токенных представлений и нормализация выходного вектора. В метаданных указан размер 25,9 млн параметров и контекст до 512 токенов; в README максимальная длина последовательности указана как 256 токенов. Модель обучена на 21 376 парах текстов с использованием MultipleNegativesRankingLoss. Она может применяться для поиска похожих документов, оценки семантического сходства, поиска перефразировок, кластеризации и классификации текстов. README приводит результаты оценки информационного поиска на наборе dev-evaluation. Модель использует библиотеку Sentence Transformers и распространяется в формате safetensors. Язык обучения и лицензия в предоставленных сведениях не обозначены; базовая модель описана как англоязычная.

Модель Heimat24/vhs_burghausen_danielheinz_e5-qa_generation_user-5-1-0.8 — модель Sentence-Transformers на архитектуре XLM-RoBERTa с 305,2 млн параметров. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для сравнения семантической близости, поиска похожих текстов и кластеризации. Модель обучалась с функцией потерь MultipleNegativesRankingLoss и косинусной мерой сходства. В карточке указана максимальная длина контекста 514 токенов. Для работы используется библиотека sentence-transformers; веса доступны в формате safetensors. Модель подходит для семантического поиска и группировки текстов. Языковая поддержка явно не описана, хотя архитектура XLM-RoBERTa рассчитана на многоязычные данные. Лицензия в предоставленных сведениях не указана.

priyaganesh2050/all-MiniLM-L6-v2 — зеркало англоязычного энкодера предложений MiniLM, основанного на BERT и размещённого авторами исходной модели sentence-transformers/all-MiniLM-L6-v2. Это шестислойная модель с 25,9 млн параметров, которая преобразует текст в нормализованные семантические векторы размерности 384; веса доступны в формате safetensors для библиотеки sentence-transformers. Максимальная длина последовательности по метаданным — 512 токенов, а README указывает ограничение в 256 word pieces с усечением более длинного ввода. Модель подходит для семантического поиска, сравнения предложений, кластеризации, удаления дубликатов и извлечения релевантных фрагментов для RAG. В README отмечены высокая скорость кодирования на CPU и единичная длина векторов, позволяющая вычислять косинусное сходство скалярным произведением. Модель рассчитана только на английский язык. Репозиторий содержит копию весов и токенизатора; варианты ONNX, OpenVINO, TensorFlow и Rust следует получать из исходного репозитория. Лицензия — Apache-2.0.

ArlowGPT-3B — компактная плотная языковая модель на архитектуре Llama 3.2 3B Instruct, дообученная разработчиком yuchenxie на наборе инструкций за пять эпох. Модель содержит 3,2 млрд параметров, работает с текстом и предназначена для диалогов и генерации ответов на инструкции; в метаданных указаны контекст до 131 072 токенов и интерфейс вызова инструментов. Карточка описывает примеры обучающих данных для разговоров, вопросов и ответов, справочных материалов и творческого письма, но не приводит их названия или независимые оценки качества. Модель подходит для чат-ботов, ответов на вопросы, создания текстов и краткого изложения документов в приложениях с ограниченными вычислительными ресурсами. README заявляет применение в юридических, медицинских и финансовых сценариях, однако не приводит профильной проверки качества для этих областей. Возможные ограничения включают более слабое решение сложных задач и зависимость результатов от типа задания. Лицензия — MIT.

lukagra/Bielik-Minitron-7B-v3.0-Instruct-mlx-fp16 — конвертированная в формат MLX версия модели speakleash/Bielik-Minitron-7B-v3.0-Instruct. Это плотная авторегрессионная языковая модель семейства Llama с 7,3 млрд параметров, предназначенная для диалога и генерации текста. Репозиторий создан lukagra; карточка базовой модели описывает Bielik как компактную инструктивную модель для европейских языков с акцентом на польский. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на многоязычные сценарии. В метаданных перечислены польский, английский, албанский, белорусский, боснийский, болгарский, хорватский, чешский, датский, эстонский, финский, французский, греческий, испанский, исландский, литовский, нидерландский, немецкий, норвежский, португальский, русский, румынский, сербский, шведский, словацкий, словенский, турецкий, украинский, венгерский, итальянский и латышский языки. Формат MLX предназначен для запуска на оборудовании Apple с MLX; исходная модель использует формат Safetensors. Модель опубликована под лицензией Apache-2.0. Качество и возможности унаследованы от базовой модели; карточка этой конверсии не содержит отдельных оценок или результатов тестирования.

ChatGLM2-6B-32K — двуязычная диалоговая языковая модель, разработанная командой THUDM и представленная организацией zai-org. Это версия ChatGLM2-6B, дообученная для работы с длинным контекстом: модель насчитывает 7,5 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для диалогов и генерации текста на китайском и английском языках, в том числе для работы с длинными документами и многоходовыми беседами. Модель использует архитектуру ChatGLM с плотной сетью, смешанную целевую функцию GLM и Multi-Query Attention; для расширения контекста применена интерполяция позиционных кодировок. В README отмечены обучение на 1,4 трлн китайских и английских токенов, выравнивание по предпочтениям людей и применение FlashAttention. По заявлению авторов, в официальной реализации контекст 32K доступен примерно при 20 ГБ памяти в форматах FP/BF16; INT4-квантизация позволяет вести диалог длиной до 8K при 6 ГБ памяти. Модель может помогать составлять ответы, поддерживать диалог и обрабатывать длинный текст, но для контекстов до 8K авторы рекомендуют обычную ChatGLM2-6B. README не приводит независимых оценок качества. Код распространяется по Apache-2.0, а для весов действует отдельная Model License: академическое использование открыто, бесплатное коммерческое использование разрешено после заполнения анкеты.

FlexiDepth-Llama-3-8B-Instruct — диалоговая причинно-языковая модель, разработанная Xuan Luo, Weizhi Wang и Xifeng Yan. Это дообученная версия Meta Llama 3 8B Instruct с методом FlexiDepth, который динамически пропускает слои во время генерации текста, чтобы сократить вычисления и ускорить вывод. Архитектура — плотная DDLlamaForCausalLM; модель содержит 7,5 млрд параметров, принимает текст и имеет контекст до 8192 токенов. Модель предназначена для генерации текста и ответов на инструкции на английском языке. Авторы приводят результаты по языковым и рассуждательным тестам: в опубликованном сравнении качество сопоставимо с базовой Llama 3 8B Instruct на большинстве заданий при меньшем среднем числе используемых слоёв. Подход также позволяет анализировать, сколько слоёв модель задействует для разных токенов и задач. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Для загрузки авторы указывают использование Transformers версии 4.57.0; заявленные результаты относятся к описанному в README оцениванию и не гарантируют такое же ускорение или качество в любой среде и на любых задачах.

Karnak — арабско-английская разговорная языковая модель, разработанная Applied Innovation Center на основе Qwen/Qwen3-30B-A3B-Instruct-2507. Это причинная MoE-модель с расширенной глубиной, дополнительным обучением и токенизатором, оптимизированным для арабского языка. В метаданных указано 3,4 млрд параметров; README приводит оценку около 40 млрд после расширения глубины. Модель принимает инструкции и генерирует текст на арабском и английском языках; поддерживает контекст до 262 144 токенов по метаданным, при этом README рекомендует ограничивать рабочий контекст 20 000 токенами для стабильности. Karnak предназначена для диалогов, ответов на вопросы, объяснения тем, создания текстов, работы с длинными документами и исследовательскими материалами. README описывает многоэтапное обучение, включавшее расширение глубины, продолжение предобучения и дообучение с учителем, с целью улучшить следование инструкциям, беглость арабского текста и устойчивость ответов. Модель можно запускать локально или на собственных серверах, использовать через Transformers и vLLM, а также дообучать под конкретные задачи. Модель распространяется по лицензии Apache-2.0. Заявленные преимущества относятся прежде всего к арабской генерации и длинному контексту; README рекомендует не превышать 20 000 токенов для оптимальной стабильности, а отдельные гарантии фактической точности не приведены.

mlabonne/llama-2-7b-guanaco — языковая модель семейства Llama 2, разработанная как дообученная версия llama-2-7b-chat-hf. Автор дообучил её методом QLoRA с 4-битной точностью на датасете mlabonne/guanaco-llama2; в метаданных указан датасет timdettmers/openassistant-guanaco. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев: она может создавать связные ответы и использоваться для написания текстов, суммаризации, перевода, классификации и анализа тональности. README приводит пример генерации объяснительного текста, но не содержит результатов оценки качества или подробностей о языках обучения. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Качество и пригодность для конкретной задачи следует проверять отдельно; карточка не приводит бенчмарков и не описывает специальные ограничения или гарантии.

Ming-flash-omni 2.0 — мультимодальная модель компании InclusionAI на архитектуре Ling-2.0 с механизмом Mixture-of-Experts: 100 млрд параметров всего и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио. Модель предназначена для мультимодального понимания и генерации, включая анализ визуальных объектов и культурных объектов, потоковый диалог по видео, распознавание речи, синтез речи и музыки, а также генерацию и редактирование изображений. Среди заявленных возможностей — клонирование голоса без дополнительного обучения, управление характеристиками аудио, такими как эмоция и тембр, и удаление объектов с изображений с сохранением согласованности текстур и глубины сцены. В метаданных указаны архитектура BailingMM2NativeForConditionalGeneration и форматы PyTorch, Safetensors, ONNX, Flax и TensorFlow. Модель выпущена под лицензией MIT. В карточке не приведены длина контекста и языки аудио- или текстовых задач; английский указан среди языковых тегов.

stefra/modernbert-large-unical — модель архитектуры UNICAL на базе дообученного двунаправленного энкодера answerdotai/ModernBERT-large. Она принимает текстовое состояние и один или несколько утверждений и оценивает вероятность истинности каждого из них. Модель предназначена для быстрой проверки семантических условий и может служить заменой sem_filter; это классификатор, а не генеративная модель. Утверждения обрабатываются в одной последовательности с общим текстом состояния, а блочная двунаправленная маска внимания позволяет оценивать их независимо: оценка утверждения совпадает с оценкой при отдельной обработке. Для использования предусмотрены Transformers и пакет unical. В README приведены результаты проверок на нескольких наборах данных, включая задачи, не встречавшиеся при обучении; метрики различаются между наборами, поэтому качество следует проверять на целевых данных. Модель распространяется в формате safetensors; для загрузки пользовательского кода архитектуры в Transformers требуется trust_remote_code=True. Лицензия в предоставленных данных не указана.

zelk12/MT5-Gen3-MAG-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, созданная из двух предварительно обученных моделей с помощью SLERP и mergekit. Разработчик репозитория — zelk12; квантованные файлы указаны как предоставленные @mradermacher. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит 9 млрд параметров, использует библиотеку Transformers и поддерживает контекст длиной до 8192 токенов. В репозитории указаны веса safetensors; README также описывает статическую сборку GGUF. Модель объединяет zelk12/MT5-Gen3-MA-gemma-2-S4MT4g2-9B и zelk12/MT5-Gen3-GP-gemma-2-RIv0.1MT4g2-9B методом SLERP. Лицензия в предоставленных данных не указана. Практическое качество и ограничения в карточке не описаны.