I.5Создание и редактирование текста

Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-mlx — текстовая Mixture-of-Experts-модель, созданная проектом Niwaki на базе Qwen3.8-Flash-Next от команды Qwen. Модель получена pruning, реконструкцией и distillation экспертов, после чего сохранена в 3-битном формате для MLX. Она предназначена для генерации текста, диалогов, программирования, рассуждений и творческого письма, прежде всего на устройствах Apple Silicon с unified memory. Vision tower в этой версии отсутствует, поэтому модель работает только с текстом. Модель содержит около 99 млрд параметров, из которых примерно 5,2 млрд активны для каждого токена; исходный размер составлял около 177 млрд параметров. Архитектура включает 48 слоёв, 512 маршрутизируемых экспертов и top-k=10, при этом эксперты используются в 24 слоях. Размер промежуточного слоя экспертов — 448, экспертные веса имеют 3-битную точность с group size 64, n-gram embedding table — 2-битную, а backbone сохранён в 4-битном формате. Размер модели на диске — 36,7 ГБ; она рассчитана на комфортную работу в 48 ГБ unified memory. Для MLX требуются mlx-vlm версии не ниже 0.7.0rc0, mlx не ниже 0.32 и специальный загрузчик из репозитория модели. Главное преимущество — существенное снижение требований к памяти при сохранении заявленных характеристик базовой модели: на опубликованном наборе задач среднее качество составило 96,6% от 4-битного reference-варианта. Модель сохраняет беглость и релевантность ответов, однако сжатие ухудшает perplexity и надёжность числовых и узкоспециализированных технических сведений. На многошаговых арифметических задачах она может рассуждать дольше и более повторно. Оценивание проводилось преимущественно на англоязычных веб-данных, поэтому поведение в редких предметных областях и языках, отличных от английского, исследовано ограниченно. Лицензия указана как other; применимые условия приведены в лицензии базовой модели Qwen3.8-Flash-Next. Доступны также сборки GGUF для llama.cpp, требующие форка neopolita-llama.cpp.

cyankiwi/Qwen3.8-Flash-Next-AWQ-INT4 — квантованная версия Qwen3.8-Flash-Next, разработанной командой Qwen; репозиторий содержит веса и конфигурацию в формате Hugging Face Transformers. Модель предназначена для генерации и понимания текста, агентских сценариев, задач STEM, а также мультимодальных задач с изображениями благодаря архитектуре языковой модели с vision encoder. Она совместима с Transformers, vLLM, SGLang и TokenSpeed. Архитектура включает 125 млрд параметров, из которых активируется 6 млрд, а также 51 млрд параметров n-gram embedding и 4 млрд параметров MTP. Используются гибридное внимание с Gated DeltaNet и Qwen Sparse Attention, Gated Residual и n-gram embedding; модель содержит 48 слоёв и имеет скрытую размерность 2560. Ключевые заявленные особенности ориентированы на эффективную обработку длинного контекста и снижение вычислительных затрат. Поддерживаются английский, китайский, хинди, арабский, русский, японский, корейский, нидерландский, французский и испанский языки. Размер файлов модели указан как 188,29 ГБ. Преимуществами являются мультимодальность, поддержка нескольких языков, оптимизации для длинного контекста и возможность локального развёртывания в распространённых inference-системах. Ограничения связаны с экспериментальным статусом архитектуры, отсутствием в README точного размера контекстного окна для данного репозитория и потенциальными потерями качества, характерными для INT4 AWQ-квантизации. Лицензия указана как qwen-community-1.0; применяются условия, приведённые в файле LICENSE.

Vontra/Qwen3.8-Flash-Next-MLX-4bit-MTP — это 4-битная MLX-конверсия мультимодальной модели Qwen3.8-Flash-Next, разработанной командой Qwen. Конверсия выполнена из официального BF16-чекпойнта для запуска на Apple Silicon через MLX и сохраняет штатный блок MTP для speculative decoding. Модель предназначена для диалогов и генерации текста, а также для сценариев vision-language с обработкой изображений при наличии совместимого MLX-VLM и runtime. Архитектура представляет собой vision-language sparse MoE на базе Qwen4Exp с языковой частью на 125 млрд параметров, из которых активны около 6 млрд, и контекстом до 262 144 токенов. Используются Gated DeltaNet, Qwen Sparse Attention, разреженные mixture-of-experts-слои, расширенные gated residual streams, hashed bigram и trigram embeddings, а также один draft-блок MTP объёмом 4 млрд параметров. Основные языковые и MTP-модули квантизованы в 4 бита с размером группы 32; мультимодальные модули и router gates сохранены в BF16. Формат весов — MLX safetensors, общий размер — около 113,2 ГБ. К сильным сторонам относятся существенно сниженный по сравнению с BF16 объём весов, поддержка длинного контекста и потенциальное ускорение декодирования благодаря native MTP. На Apple M3 Studio в указанной конфигурации скорость генерации выросла с 27,83 до 31,44 токена в секунду, однако результаты зависят от длины контекста, версии runtime, состояния кэша, памяти и температуры. Для работы требуется runtime с явной поддержкой архитектуры qwen4_exp и native MTP; старые версии могут быть несовместимы, а поддержка изображений зависит от версий MLX-VLM и oMLX. Модель распространяется по Qwen Community License 1.0.

Qwen3.8-Flash-Next-MLX-Serve-iQ-MLX-3.3bpw — это квантованный пакет модели Qwen3.8-Flash-Next, разработанной Qwen и адаптированной пользователем ddalcu для запуска через mlx-serve на компьютерах Mac с 64 ГБ памяти. Модель предназначена для генерации текста, работы с агентами, кодом, прозой и математическими задачами, а также поддерживает обработку изображений и видео благодаря встроенной vision tower. Доступен формат вызова инструментов Qwen3.8 с XML-синтаксисом; режим рассуждений включён по умолчанию и может быть отключён. Пакет использует экспериментальную архитектуру Qwen4 с MoE, gated residual streams, n-gram embedding и Qwen Sparse Attention. Полный исходный чекпойнт включает около 180 млрд параметров: 125 млрд параметров основного ствола, 51 млрд параметров n-gram-таблицы и 4 млрд параметров MTP-головы. В данном варианте веса квантованы примерно до 3,3 бит на параметр с imatrix-калибровкой. Заявлена нативная длина контекста до 262 тысяч токенов, а для 64-ГБ Mac рекомендован размер контекста 65 536 токенов. Пакет занимает около 52 ГБ оперативной памяти; измеренная скорость на M4 Max составляет примерно 52,6 токена в секунду при декодировании и 762 токена в секунду при предварительной обработке. Главное преимущество — возможность разместить крупную мультимодальную MoE-модель на Mac с 64 ГБ памяти при сохранении около 99% вероятностной массы более тяжёлого варианта mixed-4-8bit. Ограничения связаны с потерями качества из-за агрессивной квантизации, требованиями к памяти и специфической инфраструктурой MLX. N-gram-таблица объёмом 32 ГБ подгружается через отображение файла и при холодном кэше может замедлять обработку длинного первого запроса. Для использования требуется mlx-serve и macOS с настройкой лимита GPU-памяти. Лицензия указана как qwen-community-1.0.

Qwen3-Next-80B-A3B-Instruct-MLX-8bit — это 8-битная квантованная версия языковой модели Qwen3-Next-80B-A3B-Instruct, адаптированная для запуска на устройствах Apple Silicon. Исходную модель разработала команда Qwen, а MLX-квантизацию предоставила команда LM Studio с использованием mlx_lm. Модель предназначена для генерации текста и работы с широким спектром задач, поддерживаемых инструкционной языковой моделью, включая диалоговые сценарии и локальное использование через совместимую программную среду. Модель содержит 80B параметров, при этом заявлена конфигурация A3B; точная архитектура, поддерживаемые языки и размер контекстного окна в README не указаны. Формат MLX и 8-битная квантизация оптимизированы для Apple Silicon, что делает модель более подходящей для локального запуска на таких устройствах по сравнению с полноразмерной версией. Ограничениями являются зависимость от совместимого окружения MLX и оборудования Apple Silicon, а также возможные типичные для генеративных моделей ошибки, неточности и нежелательный контент. Модель распространяется по лицензии Apache-2.0. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность, доступность или соответствие конкретным требованиям.

noctrex/Qwen3-Next-80B-A3B-Instruct-MXFP4_MOE-GGUF — квантизированная версия модели Qwen3-Next-80B-A3B-Instruct в формате GGUF с квантизацией MXFP4. Модель предназначена для диалогов и генерации текста; для запуска требуется llama.cpp, причём карточка рекомендует использовать его актуальную версию. Базовая Qwen3-Next-80B-A3B-Instruct — разреженная языковая модель с возможностью вызова инструментов и длинным контекстом. Размер контекста и список поддерживаемых языков для этой сборки в предоставленных данных не приведены. Лицензия в данных не указана.

Qwen3-Next-80B-A3B-Instruct-REAM — сжатая версия диалоговой модели Qwen3-Next-80B-A3B-Instruct, созданная методом REAM, описанным в статье об объединении экспертов для улучшения их прореживания. Разработчик уменьшил число экспертов в слоях MoE с 512 до 384; по README, объём модели сократился с 80 до 60 млрд параметров, а требования к хранению и памяти GPU — примерно на 25%. Метаданные указывают архитектуру MoE семейства Qwen3-Next и 2,3 млрд параметров, что расходится с числом в README. Модель предназначена для диалогов и генерации текста, в том числе для задач с длинным контекстом до 262 144 токенов; метаданные также отмечают интерфейс вызова инструментов. README сообщает о сохранении не менее 95% исходного качества на ряде тестов: опубликованные результаты охватывают следование инструкциям, математику, общие знания и программирование. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Это доработка Qwen/Qwen3-Next-80B-A3B-Instruct методом сжатия экспертов; README также описывает версию v2 с изменённым составом данных сжатия, настройкой групп экспертов и сжатием слоя MTP. Лицензия — Apache-2.0. Число параметров в метаданных противоречит README, а приведённые результаты относятся к конкретным тестам и не гарантируют качество во всех сценариях.

qwen-carpmuscle-r-v0.3 — языковая модель TheTsar1209 на архитектуре Qwen2.5 с 14 млрд параметров. Она создана методом TIES merge из qwen-carpmuscle-v0.3, Qwen2.5-14B-Instruct и Qwen2.5-14B; исходная модель qwen-carpmuscle-v0.3 прошла непрерывное предобучение в формате ChatML с контекстом 24 тыс. токенов. Репозиторий содержит веса Safetensors в формате bfloat16, а заявленное нативное окно контекста итоговой модели — 131 072 токена. Модель предназначена для генерации текста и диалогов. Метаданные указывают поддержку китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Разработчик приводит результаты оценок Open LLM Leaderboard, включая IFEval и BBH. Модель выпущена под лицензией Apache-2.0.

Qwen-Qwen2-7B-Instruct-GGUF — набор GGUF-квантизаций модели Qwen2-7B-Instruct, разработанной Qwen и опубликованной в формате квантизированных файлов командой featherless-ai-quants. Модель предназначена для генерации текста и выполнения инструкций, включая диалоговые и другие сценарии text-generation. GGUF-формат ориентирован на локальный запуск совместимыми инструментами, а разные уровни квантизации позволяют выбирать компромисс между размером файла, требованиями к памяти и качеством работы. В набор входят варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 2,9 до 7,7 ГБ. Из README известно, что это текстовая модель с примерно 7 миллиардами параметров; сведения об архитектуре, поддерживаемых языках, модальностях и размере контекста не указаны. Более сильная квантизация обычно уменьшает требования к ресурсам, но может снижать точность по сравнению с менее квантизированными вариантами. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять в материалах исходной модели Qwen2-7B-Instruct и репозитории квантизаций.

mhdiirsyad/qwen_reasoning_16bit — дообученная причинная языковая модель семейства Qwen3, опубликованная mhdiirsyad. Модель содержит 1,7 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 40 960 токенов. В метаданных указаны возможности чата и интерфейс вызова инструментов. Модель дообучена на базе mhdiirsyad/unsloth-qwen3-1.7B-finetune-v1 с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Подходит для генерации текста и диалогового взаимодействия. Лицензия — Apache-2.0. Карточка не описывает отдельные результаты оценки качества или специализированную область применения.

Aryanne/QwentileSwap — слитая автором языковая модель семейства Qwen2.5, созданная методом task_swapping с помощью mergekit на основе win10/EVA-QwQ-32B-Preview. В объединение также вошли ArliAI/Qwen2.5-32B-ArliAI-RPMax-v1.3, maldv/Qwentile2.5-32B-Instruct и Sao10K/32B-Qwen2.5-Kunou-v1. Модель содержит 32 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения; в метаданных также указана поддержка интерфейса вызова инструментов. Репозиторий содержит веса в форматах safetensors и GGUF. Автор описывает её как эксперимент с пользовательским методом слияния и не заявляет о гарантированном качестве. Лицензия — Apache-2.0.

Kaoeiri/Qwenwify-32B-v2 — слитая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом DARE TIES. В качестве основы README называет unsloth/qwen2.5-32b-instruct; в слияние также вошли модели Qwen2.5 для инструкций, AGI, ролевых диалогов, написания историй и другие варианты. Размер модели — 32 млрд параметров, нативный контекст — 32 768 токенов. Модель предназначена для генерации текста и диалогового общения; её можно использовать для ответов на запросы, ролевых диалогов и создания историй. Она работает с текстом и выдаёт текст. Карточка указывает формат Safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Kaoeiri/Qwenwify-32B-v2.68 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом DARE TIES. В качестве базовой модели README указывает unsloth/qwen2.5-32b-instruct; в объединение также вошли варианты Qwen2.5 для диалога, ролевых сценариев, генерации текста и художественной прозы. Модель содержит 32 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель предназначена для диалога и генерации текста, в том числе для ролевого общения и создания художественных текстов. Метаданные указывают на поддержку чата и интерфейс вызова инструментов. В карточке не приведены сведения о лицензии и конкретных языках; среди исходных моделей есть вариант для китайского языка, но это само по себе не подтверждает полный перечень поддерживаемых языков.

zypcastles/QwQ-32B-Instruct-abliterated — объединённая модель семейства Qwen2, созданная разработчиком с помощью mergekit методом SLERP из huihui-ai/Qwen2.5-32B-Instruct-abliterated и huihui-ai/QwQ-32B-Preview-abliterated. Модель предназначена для диалога и генерации текста с улучшенным следованием инструкциям по сравнению с исходной QwQ-моделью. Модель содержит 32 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и принимает текст, выдавая текст. Контекст составляет до 32 768 токенов. Доступна в формате safetensors для библиотеки Transformers; метаданные также указывают интерфейс вызова инструментов. Лицензия в предоставленных данных не указана.

Qwythos-9B-Claude-Mythos-5-1M-GGUF — это набор GGUF-квантизаций модели Qwythos-9B, разработанной Empero. Модель создана на базе Qwen3.5-9B и дообучена на более чем 500 млн токенов высококачественных трасс Claude Mythos и Claude Fable с использованием внутреннего инструмента Empero AI rethink. Доступны варианты от Q4_K_M до BF16, включая версии с MTP для ускорения генерации в совместимых сборках llama.cpp. Модель предназначена для локального запуска в llama.cpp, Ollama, LM Studio, jan, KoboldCpp и других GGUF-совместимых средах. Она ориентирована на рассуждения, генерацию текста, решение математических задач, function calling и агентские сценарии, а также на задачи в области кибербезопасности и биомедицины. Заявлена поддержка английского языка, нативного function calling по спецификации Qwen3.5 и контекстного окна до 1 048 576 токенов с масштабированием RoPE YaRN. Модель мультимодальна и поддерживает изображения при подключении отдельного vision projector в формате GGUF. Визуальная часть унаследована от Qwen3.5-9B и во время дообучения не изменялась, поэтому заявлены описание изображений, OCR печатного и рукописного текста, анализ графиков и таблиц, понимание интерфейсов и документов и базовое пространственное рассуждение. Сильными сторонами являются большой контекст, reasoning-возможности, function calling и широкий выбор уровней квантизации; при этом качество, скорость и требования к памяти зависят от выбранного варианта, а для изображений требуется дополнительный файл mmproj. Модель распространяется по лицензии Apache-2.0.

Qwythos-9B-v2-GGUF — набор GGUF-квантизаций модели Qwythos-9B-v2, разработанной Empero AI, предназначенный для запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды. Модель ориентирована на рассуждения, генерацию текста, вызов функций и мультимодальные сценарии с анализом изображений. Это 9-миллиардная гибридная модель с сочетанием блоков Gated-DeltaNet линейного внимания и полноформатного внимания в соотношении 3:1. Доступны варианты от Q4_K_M до BF16, включая версии с восстановленной MTP-головой для speculative decoding. Заявлены английский язык, контекст до 1 млн токенов с YaRN и поддержка изображений через отдельный vision projector, совместимый с Qwen3.5-9B. Версия v2 устраняет зацикливание при жадном и низкотемпературном декодировании, сохраняя показатели знаний и рассуждений на уровне базовой модели или выше; модель при этом намеренно uncensored. Для работы с изображениями требуется файл mmproj, а для MTP-ускорения — свежая сборка llama.cpp с поддержкой draft-mtp. Q4_K_M рекомендуется как начальный вариант благодаря балансу размера и качества, однако квантизация может снижать точность по сравнению с BF16. Модель распространяется по лицензии Apache-2.0.

Карточка модели TreezzZ/r2s-alfworld-qwen3-8b-student на Hugging Face совпадает с карточкой Qwen/Qwen3-8B, поэтому описание составлено по ней. Qwen3-8B — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Версия содержит 7,6 млрд параметров по метаданным и дообучена на базе Qwen/Qwen3-8B-Base; карточка описывает этапы предварительного обучения и последующего обучения. Модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для диалоговых помощников, следования инструкциям, рассуждений, решения математических задач, генерации кода, творческого письма и перевода. Она поддерживает более 100 языков и диалектов и позволяет переключаться между режимами рассуждения и обычного ответа. Метаданные указывают нативный контекст 40 960 токенов; README приводит 32 768 токенов нативно и до 131 072 с YaRN. Лицензия — Apache-2.0. Качество ответов и рассуждений может зависеть от задачи и формулировки запроса; генерация кода и ответы модели требуют проверки. Значение контекстного окна в README отличается от метаданных, а заявленное расширение с YaRN требует соответствующей настройки.

RajLlama-3.1-8B-v3 — чат-модель семейства Llama, разработанная rm8630 и дообученная на базе unsloth/Meta-Llama-3.1-8B-bnb-4bit. Она предназначена для генерации текста в диалогах и других сценариях, где требуется отвечать на текстовые запросы. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Карточка указывает английский язык; обучение проводилось с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0.

RecurrentGemma 2B — базовая языковая модель Google для генерации текста. Она построена на архитектуре RecurrentGemma и предназначена для использования через Transformers; в карточке также упомянуто обучение с помощью JAX и ML Pathways. Модель подходит для генерации и чернового редактирования текстов, диалоговых интерфейсов, суммаризации и помощи в исследовании текстовых материалов. Карточка описывает эти сценарии как возможные применения семейства открытых LLM, а не как специализированные возможности этой базовой версии. Модель может ошибаться в фактах, испытывать трудности с неоднозначностью и сложными открытыми задачами, а также воспроизводить смещения обучающих данных. Использование регулируется условиями Gemma; для внедрения Google рекомендует учитывать меры безопасности и правила ответственного использования.

Rombos-LLM-70b-Llama-3.3 — дообученная диалоговая языковая модель на архитектуре Llama, опубликованная пользователем rombodawg. Она предназначена для генерации текста и общения в формате инструктивного ассистента; метаданные также указывают интерфейс вызова инструментов. Модель содержит 69,5 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. В качестве основы указана meta-llama/Llama-3.3-70B-Instruct, мультиязычная инструктивная модель Meta. README не раскрывает подробности обучения или особые сценарии применения. Лицензия — llama3.3.

Rombos-LLM-V2.5-Qwen-32b — текстовая генеративная модель, созданная Rombodawg на основе Qwen2.5-32B-Instruct. Автор описывает её как результат непрерывного дообучения и слияния инструктивной и базовой моделей методом TIES; метаданные также связывают модель с Qwen/Qwen2.5-32B-Instruct. Модель построена на плотной архитектуре Qwen2 и содержит 32 млрд параметров. Модель предназначена для диалога и генерации текста, включая сценарии с вызовом инструментов через соответствующий интерфейс. Она принимает текст, выдаёт текст и рассчитана на контекст до 32 768 токенов. Карточка заявляет более высокую производительность по сравнению с исходными instruct- и base-моделями, но не приводит бенчмарков или подробностей проверки этого заявления. Поддерживаемые языки отдельно не перечислены. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README сообщает, что квантизованные версии и бенчмарки пока готовятся.

uproai/ros-7b-v1 — объединённая языковая модель на архитектуре Mistral, опубликованная uproai. Согласно карточке, она собрана с помощью Mergekit из OpenPipe/mistral-ft-optimized-1227, cgato/Thespis-Mistral-7b-v0.6, saishf/West-Hermes-7B и NeverSleep/Noromaid-7b-v0.2; конфигурация описывает слияние методом SLERP. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, а её контекст составляет до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на базе Mistral. Карточка не уточняет целевые языки или специализированные области применения, поэтому их нельзя надёжно определить по доступным сведениям. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

RuadaptQwen2.5-32B-Instruct — русскоязычная инструктивная языковая модель, созданная командой MSU RCC LAIR на основе Qwen2.5-32B-Instruct. Авторы заменили токенизатор, выполнили дополнительное предобучение на русскоязычном корпусе и применили метод Learned Embedding Propagation (LEP). Модель имеет плотную архитектуру Qwen2 и 32 млрд параметров, принимает текст и генерирует текст; контекст — до 32 768 токенов. Модель предназначена для диалогов и выполнения инструкций на русском языке. По заявлению авторов, новый токенизатор повышает скорость генерации русскоязычного текста до 60% по сравнению с исходной Qwen2.5-32B-Instruct при сопоставимых входных последовательностях. В карточке также указана поддержка интерфейса вызова инструментов. Это версия v1, обозначенная авторами как находящаяся в разработке. Оценка качества проводилась на Ru-Arena-General и MERA; сведения о результатах llmtf_open в README не завершены. Модель унаследовала знания и возможные смещения базовой модели, поэтому ответы следует проверять. Лицензия — Apache-2.0.

RefalMachine RuadaptQwen2.5-32B-Pro-Beta — русскоязычная адаптация модели T-pro-it-1.0, опубликованная RefalMachine. Она основана на плотной архитектуре Qwen2.5 с 32 млрд параметров и предназначена для диалоговой генерации текста на русском языке. Модель объединяет базовые модели Qwen/Qwen2.5-32B и t-tech/T-pro-it-1.0, а затем адаптирована с помощью замены токенизатора, продолженного предобучения на русскоязычном корпусе и техники Learned Embedding Propagation (LEP). В метаданных указан контекст 32 768 токенов. Расширенный токенизатор на основе cl100k и униграммного словаря размером 48 тысяч токенов, по заявлению авторов, повышает скорость генерации русскоязычного текста до 60% относительно T-pro-it-1.0 при сравнении на одинаковых последовательностях. Модель подходит для русскоязычного диалога, ответов на вопросы и написания текстов; также заявлен интерфейс для вызова инструментов. Она выпущена под лицензией Apache-2.0. Авторы предупреждают, что ответы отражают данные обучения, а предобучение исходной сторонней модели ими не контролировалось; результаты оценки качества в карточке приведены не полностью.

Инструктивная русскоязычная версия Qwen2.5-3B, разработанная RefalMachine на основе модели RefalMachine/ruadapt_qwen2.5_3B_ext_u48_full_lr5e4_peft_mlp_32_32_bs256. Это плотная языковая модель Qwen2 с 3,1 млрд параметров, контекстом до 32 768 токенов и форматом весов safetensors. В модели заменили токенизатор на расширенный вариант cl100k с униграмным словарём на 48 тысяч токенов, затем провели дообучение на русскоязычном корпусе и применили Learned Embedding Propagation (LEP). Модель предназначена для диалогов и генерации русскоязычного текста по инструкциям. Авторы сообщают об увеличении скорости генерации русских текстов до 60% относительно исходной Qwen2.5-3B-Instruct при сравнении на одинаковых последовательностях; в README также упомянуты оценки на Ru-Arena-General, MERA и llmtf_open, но полные результаты не приведены. Метаданные указывают интерфейс вызова инструментов, однако README не описывает его применение. Модель принимает текст и выдаёт текст. Авторы предупреждают, что ответы могут отражать знания и мнения, усвоенные на этапах обучения, и рекомендуют использовать её с осторожностью. Условия лицензии в предоставленных данных не указаны.

RefalMachine разработала инструктивную русскоязычную адаптацию Qwen2.5-7B. Модель с плотной архитектурой Qwen2 содержит 7,1 млрд параметров и принимает текстовые запросы, выдавая текстовые ответы. В ней заменили токенизатор на расширенный вариант tiktoken cl100k с добавлением 48 тысяч unigram-токенов, продолжили предобучение на русскоязычном корпусе и применили технику Learned Embedding Propagation (LEP). Для диалогового использования предусмотрен интерфейс чата и вызова инструментов. Модель предназначена для русскоязычного диалога и выполнения инструкций. Авторы сообщают об увеличении скорости генерации русскоязычного текста до 60% относительно Qwen2.5-7B-Instruct при сравнении числа символов или слов в секунду на одинаковых последовательностях. Заявление о скорости не следует трактовать как оценку качества ответов. В карточке приведены частичные результаты Ru-Arena-General; данные по MERA и llmtf_open отмечены как незаполненные. Контекстное окно — 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

markusiko/rubert-base-punctuation — русскоязычная модель Марка Столярова для восстановления пунктуации. Она основана на ruBert-base и дообучена для предсказания знака после каждого слова в предложении. Архитектура — BERT для классификации токенов, размер — 205,5 млн параметров, контекст — до 512 токенов. Модель предназначена для восстановления знаков вопроса, восклицания, точки, запятой, двоеточия и многоточия в русском тексте. При обучении использовано более 20 тысяч абзацев из русской литературы. Для работы текст следует подавать без пунктуации; модель не исправляет регистр букв. Репозиторий распространяется по лицензии MIT.

Rubicon-preview — экспериментальная разговорная языковая модель, разработанная командой inclusionAI и обученная методом обучения с подкреплением на основе «якорей рубрик». Она предназначена для генерации открытых ответов, особенно творческих и ориентированных на гуманитарные темы, с управляемым стилем и более выразительной подачей. Модель использует архитектуру Qwen3 MoE и содержит 2,6 млрд параметров по метаданным Hugging Face; в README указана конфигурация 30B-A3B. Контекстное окно — до 40 960 токенов. Модель принимает текст и генерирует текст; метаданные также отмечают интерфейс вызова инструментов. В README заявлено улучшение результатов на субъективных гуманитарных задачах при сохранении общих возможностей и результатов на ряде задач рассуждения. Модель можно применять для творческого письма, редактирования с заданным стилем и открытых вопросов. README не сообщает поддерживаемые естественные языки. Модель опубликована по лицензии Apache-2.0. Показатели качества приведены в карточке модели и не гарантируют аналогичных результатов в других сценариях.

ruGPT-3 Medium — русскоязычная авторегрессионная языковая модель семейства GPT-2, разработанная командой SberDevices. Модель предварительно обучена на 80 млрд токенов в течение трёх эпох, а затем дообучена с контекстом 2048 токенов; для предварительного обучения использовалась длина последовательности 1024 токена. В карточке указана perplexity 17,4 на тестовом наборе. Модель предназначена для генерации текста на русском языке и может использоваться для продолжения заданного текста и создания русскоязычных текстовых черновиков. Архитектура — плотная GPT-2 с головкой языкового моделирования; репозиторий содержит веса PyTorch. Описание архитектуры, предварительного обучения и оценки приведено авторами в препринте о семействе предварительно обученных трансформерных языковых моделей для русского языка. Это базовая языковая модель, поэтому качество ответов зависит от формулировки запроса и может уступать специализированным или инструкционно дообученным моделям. Лицензия в предоставленных источниках не указана.

rugpt3small_based_on_gpt2 — русскоязычная авторегрессионная языковая модель семейства GPT-2, разработанная командой SberDevices. Модель предварительно обучали на 80 млрд токенов примерно за три эпохи, а затем дообучили с размером контекста 2048 токена; исходное предварительное обучение использовало длину последовательности 1024 токена. В карточке указаны реализации PyTorch и Flax. Модель предназначена для генерации продолжений русского текста и других сценариев текстовой генерации. Её можно использовать для создания черновиков, подсказок и коротких текстовых фрагментов. Карточка не приводит сведения о лицензии или конкретных ограничениях применения, поэтому условия использования здесь уточнить нельзя.