I.5Создание и редактирование текста

IT5 Small for News Summarization — модель Gabriele Sarti и Malvina Nissim из семейства T5, дообученная для суммаризации итальянских новостей. Она предназначена для создания краткого изложения новостных текстов, в частности материалов, связанных с корпусами Fanpage и Il Post. Модель имеет архитектуру T5ForConditionalGeneration и содержит 45,8 млн параметров. Она принимает текст и генерирует текстовое резюме на итальянском языке. Доступны контрольные точки для PyTorch, TensorFlow и JAX. Лицензия — Apache-2.0.

bartowski/Jackrong_Qwen3.5-9B-Neo-GGUF — это набор GGUF-квантизаций модели Jackrong/Qwen3.5-9B-Neo, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на задачи генерации текста и рассуждений, включая решение задач по программированию; при этом в карточке указан pipeline image-text-to-text, однако подробности поддержки изображений не приведены. Модель имеет размер порядка 9 миллиардов параметров, обучалась с использованием наборов данных Jackrong/Competitive-Programming-python-blend и stepfun-ai/Step-3.5-Flash-SFT. Заявлены английский и китайский языки, а также поддержка reasoning и chain-of-thought. Доступны варианты от BF16 и Q8_0 до компактных Q2_K_L, Q3 и IQ-квантизаций; версии с более высокой точностью обеспечивают лучшее качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Размер контекста и точная архитектура в README не указаны. Файлы предназначены для локального запуска через llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые приложения. Для корректной работы следует использовать указанный шаблон prompt format с секцией <think>. Модель распространяется по лицензии Apache-2.0. Ограничения включают зависимость качества от выбранного уровня квантизации и отсутствие в карточке подробных сведений о точности, производительности, контекстном окне и фактических возможностях мультимодальной обработки.

LFM2.5-2.6B — компактная текстовая модель Liquid AI для локального запуска и агентных сценариев на устройствах с ограниченными ресурсами. Это дообученная на базе LiquidAI/LFM2.5-2.6B-Base модель семейства LFM2: плотная архитектура Lfm2ForCausalLM с 2,6 млрд параметров, 30 слоями, включая блоки коротких свёрток и GQA. Модель поддерживает контекст до 131 072 токенов и работает с Transformers, vLLM и SGLang; для репозитория указан формат safetensors. Модель предназначена для диалогов, вызова инструментов, многошаговых агентных задач, извлечения данных, RAG и работы с длинным контекстом. В README заявлена многоязычная поддержка 17 языков, включая русский, а также постобучение с обучением с подкреплением в популярных агентных средах. README приводит высокую скорость инференса на отдельных устройствах, но эти показатели зависят от оборудования и условий запуска. Модель не рекомендуется для агентного программирования и задач, требующих обширных знаний. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и документах Liquid AI.

coder3101/LFM2.5-350M-heretic — декензурированная версия LFM2.5-350M от Liquid AI, созданная автором репозитория с помощью Heretic v1.3.0. Это компактная плотная языковая модель для генерации текста и диалогов, рассчитанная на локальное и периферийное выполнение. По карточке исходная архитектура включает 16 слоёв: блоки свёрток LIV и GQA; модель принимает только текст и поддерживает контекст до 128 000 токенов согласно метаданным. Она предназначена для извлечения данных, структурированных ответов и работы с инструментами. В README сравнение с исходной моделью показывает 6 отказов из 100 против 90 из 100 у оригинала. Модель поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский языки. README исходной модели указывает 350 млн параметров, тогда как метаданные этой версии — 444,6 млн. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Программирование и задачи, требующие обширных знаний, для исходной модели не рекомендуются; показатели производительности исходной модели не следует автоматически считать проверенными для этой версии. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория.

MaxMin-RLHF на TL;DR — диалоговая языковая модель на архитектуре Llama, дообученная методом MaxMin-RLHF на базе meta-llama/Llama-3.1-8B-Instruct. Разработчик применил алгоритм из работы Chakraborty et al. (ICML 2024): три чередующихся раунда по 100 обновлений, в каждом оптимизировалась цель с наименьшей стандартизованной относительно базовой политики полезностью. Обучение использовало датасет TL;DR и четыре цели: полноту, фактическую точность, краткость и полезность. Модель предназначена для генерации текста и ответов в диалоге, в частности для создания кратких, содержательных и точных резюме. В метаданных указаны 7,5 млрд параметров, контекст до 131 072 токенов, формат safetensors и библиотека Transformers. Модель принимает текст и генерирует текст; языки, на которых она специально обучалась в этой версии, отдельно не уточнены. Это экспериментальный исследовательский чекпойнт для оценки многоцелевого согласования, а не самостоятельное подтверждение качества для любых сценариев. Результаты в README описаны как сравнение с базовой моделью на отложенных промптах TL;DR, оценённых Llama-3.3-70B-Instruct. Лицензия — Llama 3.1; применяются её условия использования.

Llama3.1-SuperDeepFuse — языковая модель на архитектуре Llama, созданная слиянием трёх моделей: Llama-3.1-SuperNova-Lite, DeepSeek-R1-Distill-Llama-8B и FuseChat-Llama-3.1-8B-Instruct. Автор README указывает базовую модель meta-llama/Llama-3.1-8B-Instruct и метод слияния model_stock. Модель содержит около 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; опубликована в формате safetensors для Transformers. Модель предназначена для диалогов и генерации текста с упором на следование инструкциям, многошаговые рассуждения, математику и программирование. README заявляет многоязычную поддержку, однако в метаданных указан только английский язык. По карточке модель подходит для запуска на потребительских GPU, но её возможности уступают более крупным моделям. Модель всё ещё проходит оценку; результаты приведены лишь для части бенчмарков. Она может выдавать вводящие в заблуждение ответы, поэтому результаты следует проверять. Лицензия — условия использования Llama 3.1.

Llama-3-8B-Ultrachat-200K — диалоговая языковая модель, полученная дообучением Meta-Llama-3-8B с помощью Axolotl. Она предназначена для генерации ответов в формате беседы. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и выдаёт текст; нативный размер контекста — 8192 токена. В карточке указан результат оценки: loss 0,8219. Данные обучения названы как None, а подробности о наборе данных, сценариях применения и ограничениях не приведены. Для использования действует лицензия Llama 3.

openerotica/Llama-3-lima-nsfw-16k-test — дообученная языковая модель семейства Llama 3, представленная в формате PyTorch. По карточке, модель полностью дообучена на наборе примерно из 1400 примеров: многошаговых диалогах с длинным контекстом, суммаризации длинных текстов и анализе текстов. Для обучения использован формат ChatML, масштабирование RoPE с коэффициентом 2, обучение в течение пяти эпох. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации диалоговых ответов, обобщения длинных текстов и их анализа. Карточка не сообщает о поддерживаемых естественных языках и конкретных ограничениях качества. В метаданных указана лицензия Llama 3; применимость лицензии и её условия следует проверять в соответствии с правилами Llama 3. Метка not-for-all-audiences указывает на контент для не всех аудиторий, но назначение для генерации сексуального контента явно не описано.

Llama-3-Teal-Instruct-2x8B-MoE — экспериментальная языковая модель с архитектурой MoE, созданная RDson путём слияния Meta-Llama-3-8B-Instruct и nvidia/Llama3-ChatQA-1.5-8B с помощью Mergekit. Она предназначена для диалогов с ассистентом и генерации текста; в README отдельно выделены запросы на объяснения и общение, а также задачи по Python, математике и программированию. Метаданные указывают 7,5 млрд параметров, контекст до 8192 токенов и формат Safetensors. Модель принимает текст и выдаёт текст. В карточке не приведены результаты оценки качества или подробные ограничения, поэтому пригодность для конкретных задач следует проверять самостоятельно. Лицензия в предоставленных данных не указана.

LTM-SFR-RUN-1 — дообученная языковая модель, опубликованная deepjoysur на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; карточка указывает обучение с Unsloth и библиотекой TRL. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Указана лицензия Apache-2.0. README не раскрывает специализацию дообучения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять на собственных примерах.

Lucid-Shadow-31B — мультимодальная модель на архитектуре Gemma 4, созданная Cyclone Labs объединением Gemma-4-31B-it, Artemis-31B-v1.1, Gemopus-4-31B-it и Melinoe-Gemma4-31B-VL методом hasp. Модель рассчитана на диалоговое взаимодействие, ролевые сценарии и творческую генерацию текста с поддержкой изображений. Репозиторий содержит веса Safetensors для Transformers; выходной тип весов указан как bfloat16. Модель предназначена для отыгрыша персонажей, создания диалогов и эмоциональных сцен, написания прозы, построения мира и длинных историй с несколькими персонажами, а также интерактивной прозы с ветвящимися сюжетами. Лицензия — Apache-2.0. В карточке не приведены сведения о контекстном окне и поддерживаемых естественных языках.

Meissa-Qwen2.5-7B-Instruct — диалоговая модель семейства Qwen2.5 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Её разработал Orion-zhen, дообучив Orion-zhen/Qwen2.5-7B-Instruct-Uncensored на наборах данных для художественного письма и ролевых диалогов. Модель предназначена для генерации прозы и участия в ролевых беседах, а также поддерживает генерацию текста по инструкциям. Она принимает текст и выдаёт текст; заявленный контекст составляет 32 768 токенов. В метаданных указана поддержка китайского и английского языков. Репозиторий содержит веса в формате safetensors и распространяется по лицензии GPL-3.0.

MiniCPM-2B-dpo-fp32 — текстовая авторегрессионная модель семейства MiniCPM, разработанная ModelBest и лабораторией обработки естественного языка Университета Цинхуа. Это версия MiniCPM-2B, обученная с учётом человеческих предпочтений методом DPO; в README для семейства указано 2,4 млрд параметров без эмбеддингов, а в метаданных репозитория — 2,7 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалог и рассчитана на контекст до 4096 токенов. Модель предназначена для диалоговых ответов и генерации текста общего назначения, включая задачи на китайском языке, математику и программирование. Разработчики сообщают о результатах DPO-версии на MTBench, однако отдельно отмечают, что качество генерации в Hugging Face может уступать vLLM. Репозиторий содержит веса PyTorch в формате fp32; README указывает на академическое исследование и ограниченное коммерческое использование. Более точные условия лицензии в предоставленных данных не приведены.

MiniCPM5-1B-heretic — модифицированная версия MiniCPM5-1B, разработанная автором RACER IS OP на основе модели openbmb. С помощью Heretic v1.4.0 к модели применена направленная абляция: целевые изменения весов в выходных проекциях attention и down-projection MLP подавляют поведение, связанное с отказами, без дообучения. Заявлено, что при этом в основном сохраняются знания, следование инструкциям, генерация кода, рассуждения и использование инструментов. Модель предназначена для диалоговых приложений, локальных агентов, генерации кода, function calling, ролевых сценариев и исследований механизмов alignment и отказов. Это текстовая causal language model примерно на 1,1 млрд параметров с поддержкой английского и китайского языков, контекста до 128K токенов и режимов Think/No-Think. Доступны форматы Transformers и GGUF, запуск возможен через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang; модель ориентирована на потребительские GPU, CPU, Apple Silicon и edge-устройства. Ключевое заявленное преимущество — существенное снижение отказов: 2 из 100 против 96 из 100 у исходной MiniCPM5-1B в описанном тесте, при низком KL-divergence 0,0381. Ограничения включают небольшой для сложных задач размер модели, возможное снижение качества на низких уровнях квантования и отсутствие защитных ограничений, поэтому результаты и безопасность применения требуют дополнительной проверки. Указана лицензия Apache-2.0.

Ttimms/MiniCPM5-2B-NVFP4 — это квантованная версия языковой модели openbmb/MiniCPM5-2B, подготовленная разработчиком Ttimms для генерации текста. Базовая модель основана на архитектуре LlamaForCausalLM и содержит около 2,5 млрд параметров. Модель предназначена прежде всего для англоязычных и китайскоязычных сценариев, включая генерацию и обработку кода. В модели применена 4-битная квантование весов NVFP4 по схеме W4A16 с GPTQ-округлением, блоками по 16 элементов и FP8-масштабами; активации, эмбеддинги и lm_head сохраняются в формате bfloat16. Размер на диске составляет около 2,03 ГиБ — на 57% меньше исходной версии в bfloat16. Модель рассчитана на запуск через vLLM с поддержкой compressed-tensors; в README приведён пример с максимальной длиной контекста 32 768 токенов и FP8 KV-кэшем. Главное преимущество — малый объём занимаемой памяти, что удобно для видеокарт с ограниченным объёмом памяти и сценариев с большим KV-кэшем. GPTQ сохраняет качество лучше, чем простое RTN-округление, однако по сравнению с исходной версией в bfloat16 модель теряет около 2,4 процентного пункта на HumanEval и 4,8 пункта на MBPP. На архитектуре Blackwell SM120 NVFP4-веса декодируются через Marlin в матричное умножение bfloat16, поэтому выигрыш в первую очередь связан с уменьшением занимаемой памяти, а не с ускорением вычислений. Распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Misal-7B-instruct-v0.1 — языковая модель компании smallstep.ai, построенная на архитектуре Meta Llama 7B и настроенная выполнять инструкции на маратхи. Это плотная авторегрессионная модель с 6,7 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; её контекст — до 4096 токенов. Модель ориентирована на понимание прочитанного, анализ тональности, перефразирование и перевод на маратхи. Разработчики оценивали её вручную на наборе из 100 вопросов из интернета: средний результат составил 81 балл, однако авторы отмечают, что для надёжной оценки нужен более качественный бенчмарк. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Llama 2 License.

ml6team разработала модель mT5-small, дообученную для суммаризации немецких новостных статей из набора MLSUM. Модель основана на архитектуре T5 и содержит 157,4 млн параметров; для обучения использовали 80 249 статей длиной менее 384 слов и три эпохи дообучения. Модель предназначена для создания краткого содержания немецких новостных текстов. При обучении максимальная длина входа составляла 768 токенов, а целевого текста — 192 токена. На выборке из 2000 статей валидационной части MLSUM модель показала ROUGE-1 0,399, ROUGE-2 0,318 и ROUGE-L 0,392, превзойдя базовый вариант lead-3 по всем трём метрикам. Модель принимает текст и генерирует текстовую сводку. Лицензия в предоставленных данных не указана.

Mythos-9B-Unhinged — языковая модель примерно на 9 млрд параметров, разработанная King3Djbl. Данный репозиторий содержит её квантизированные версии в формате GGUF, подготовленные mradermacher с использованием imatrix-квантования. Модель ориентирована на англоязычную генерацию текста, ролевые сценарии, программирование, работу с агентами, вызов функций и инструментов, а также взаимодействие с shell-командами. В описании также заявлены режимы без отказов и использование в FableForge, LM Studio, llama.cpp и Ollama, однако подробности обучения и результаты тестирования не приведены. Архитектура, точное число параметров, поддерживаемый размер контекста и дополнительные модальности в README не указаны; по имеющимся данным это текстовая модель без заявленной поддержки изображений или аудио. Доступны варианты GGUF с разными уровнями квантования и размером примерно от 2,2 до 6,8 ГБ. Более компактные варианты требуют меньших ресурсов, но могут заметно терять в качестве; автор рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S характеризует как оптимальный баланс размера, скорости и качества. Модель подходит для локального запуска и задач, где важны ролевое взаимодействие, генерация кода и использование инструментов. Ограничения включают неизвестные параметры контекста, отсутствие опубликованных бенчмарков и вероятное ухудшение качества у низкобитных квантов. Указанная лицензия — Apache-2.0.

NASes — испаноязычная модель для абстрактивного суммирования новостных статей, разработанная исследовательской группой ELiRF. Это Transformer encoder-decoder с архитектурой и гиперпараметрами BART; модель насчитывает 262,8 млн параметров и использует контекст до 512 токенов. Она предварительно обучалась на испаноязычных газетах и статьях Википедии с помощью задач перестановки предложений, заполнения пропусков, Gap Sentence Generation и Next Segment Generation, а затем дообучалась на парах «статья — резюме» из корпуса DACSA. Модель предназначена для создания кратких пересказов испанских новостей и ориентирована на абстрактивное суммирование, включая перестройку исходного содержания. Поддерживает испанский язык; принимает текст и генерирует текст. В README отмечена ошибка конфигурации, из-за которой до 5 апреля 2022 года резюме генерировались некорректно; для текущего состояния этой проблемы сведений нет. Лицензия в предоставленных данных не указана.

NileChat-3B-Base — базовая языковая модель UBC-NLP, полученная продолжением предобучения Qwen2.5-3B на данных, ориентированных на египетские и марокканские сообщества. Модель содержит около 3 млрд параметров и обучалась на корпусе из 98,57 млрд слов; длина последовательности при обучении составляла 4 096 токенов. Модель предназначена для понимания и генерации текста на египетском и марокканском диалектах арабского языка, включая арабское письмо и Arabizi, а также на литературном арабском, французском и английском. Её можно применять для диалогов с учетом местного культурного контекста, создания материалов для этих сообществ и перевода между диалектами, литературным арабским, английским и французским. Это базовая версия, не настроенная на выполнение инструкций. Обучение включало синтетические и извлеченные культурно ориентированные данные, образовательные тексты и публичные корпуса по нескольким языкам, математике и коду. Модель может выдавать правдоподобную, но неверную информацию, чувствительна к формулировке запроса и может работать непоследовательно на очень длинных входах. Лицензия обозначена как other; конкретные условия следует проверить на странице репозитория.

Occiglot-7B-EU5 — базовая многоязычная генеративная языковая модель, разработанная Occiglot Research Collective. Это плотный авторегрессионный трансформер с архитектурой Mistral и 7,1 млрд параметров. Модель создана продолжительным предобучением Mistral-7B-v0.1 на 293 млрд дополнительных токенов многоязычных данных и кода; максимальная длина контекста по метаданным — 32 768 токенов. Модель предназначена для генерации и продолжения текста на английском, немецком, испанском, французском и итальянском языках, а также для работы с кодом. Её можно использовать как основу для собственных дообучений и оценок. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалога или чат-приложений; для таких сценариев авторы предлагают вариант Occiglot-7B-EU5-Instruct. Лицензия — Apache 2.0.

Ornith-1.0-35B-ROCmFPX-StrixHalo — текстовая разговорная модель с 35 млрд параметров в формате GGUF, подготовленная julianmb для локального запуска на системах AMD Ryzen AI Max+ с Strix Halo. Репозиторий содержит варианты квантования ROCmFPX: Speed с точностью около 4,70 бит на параметр и размером 19,7 ГБ, а также Quality с точностью около 6,50 бит на параметр и размером 32,2 ГБ. Заявлена поддержка контекста до 262 144 токенов. Модель предназначена для локальных чат-сценариев и многоагентных рабочих нагрузок с вызовом инструментов. README сообщает о проверках корректности вызовов инструментов и измерениях скорости при параллельной работе нескольких агентов. В метаданных указан английский язык; теги также отмечают разговорный режим и tool calling. Это квантованная производная модель, распространяемая по лицензии MIT. Для запуска требуются совместимые сборки ROCmFPX и Vulkan: стандартные llama.cpp, Ollama и LM Studio не загружают этот формат без специальной поддержки. Описанная конфигурация рассчитана на оборудование Strix Halo с 64 или 128 ГБ объединённой памяти; приведённые показатели производительности относятся к этой аппаратной платформе.

Ornith-1.5-9B-GGUF — квантованные сборки мультимодальной модели Ornith 1.5 9B, разработанной ornith-ai и преобразованной и измеренной AtomicChat. Модель распространяется в формате GGUF для локального запуска с llama.cpp и поддерживает сценарии диалога, работы с изображениями и agentic coding. Для текстового режима vision projector можно не использовать; для обработки изображений требуется отдельный проектор объёмом около 0,92 ГБ. Доступны варианты от BF16 размером 17,9 ГБ до сильно сжатых IQ2/IQ1-сборок размером 2,81–3,38 ГБ. Рекомендуемый компромисс для видеопамяти около 8 ГБ — AD-Q5_K-Q4_K: он занимает 5,93 ГБ и показывает 93,10% совпадения следующего токена с эталонной BF16-моделью. Для более высокой точности доступны Q8_0 и BF16, а варианты с низкой разрядностью заметно теряют качество: самая компактная сборка имеет согласие лишь 53,74%. В README указаны запуск с контекстом до 8192 токенов и поддержка vision, но языки модели и дополнительные архитектурные характеристики не описаны. Сильные стороны модели — возможность локального запуска, широкий выбор квантований под разный объём видеопамяти и наличие мультимодального режима. Ограничения связаны с компромиссом между размером и точностью: самые компактные варианты авторы не рекомендуют для практического использования, а качество измерялось на отдельном нейтральном корпусе и не гарантирует результаты во всех задачах. Модель и сборки распространяются по лицензии MIT.

phixtral-2x2_8 — языковая модель с архитектурой Mixture of Experts, созданная Mlabonne из двух моделей Microsoft Phi-2. Она объединяет cognitivecomputations/dolphin-2_6-phi-2 и lxuechen/phi-2-dpo с помощью модифицированной версии mergekit и вдохновлена архитектурой Mixtral-8x7B. Автор сообщает, что модель превосходит каждого из отдельных экспертов; в README также приведены результаты оценки на наборе Nous suite. Модель предназначена для генерации текста в диалогах и задач с кодом. Она принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 2048 токенов. Репозиторий содержит веса в формате safetensors; указана лицензия MIT. Для модели предлагается запуск в 4-битной точности на GPU T4.

Project Norn V20 — экспериментальная текстовая генеративная модель Osakra Research, построенная на базе empero-ai/Qwen3.8-9B-Distill. В карточке описана архитектура NornV20ForCausalLM: чередование причинного внимания с окном 512 токенов и рекуррентной памяти Titans-HRR; заявлены обработка контекста до 32 768 токенов и реализация на Transformers. Репозиторий содержит веса Safetensors и GGUF F16, а метаданные указывают 3,7 млрд параметров. Модель предназначена для диалогов, рассуждений, математики, программирования и агентных сценариев. Карточка заявляет показатели внутренних бенчмарков, но приведённые описания и результаты не дают независимой проверки этих утверждений. В README упоминается работа с изображениями через Ollama и внешний mmproj, однако метаданные подтверждают только текстовую генерацию, поэтому мультимодальную поддержку нельзя считать установленной. Лицензия — Apache-2.0.

MingZwhy/Qwen3-1.7B-W2.79-QAOPD — производная модель Qwen3-1.7B, разработанная автором репозитория MingZwhy. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров для генерации текста и диалогов. Веса квантованы до эффективных 2,79 бита: блоки используют смешанные INT1.58 и INT4, эмбеддинги и выходная голова — INT4, активации — INT8. После квантования модель восстановлена с помощью quantization-aware distillation и on-policy distillation; квантование встроено в веса. Модель подходит для диалоговых приложений, ответов на вопросы, математических задач и генерации кода. В README приведены результаты на GSM8K, MATH-500, AMC23, MBPP, HumanEval и QA9; на этих тестах показатели ниже, чем у исходной версии Qwen3-1.7B в BF16. Контекстное окно составляет 40 960 токенов. Базовая модель — многоязычная Qwen3; точный перечень поддерживаемых языков в предоставленных сведениях не раскрыт. Модель распространяется по лицензии Apache-2.0.

MingZwhy/Qwen3-4B-W2.79-QAOPD — языковая модель Qwen3 с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Это квантизированная и доработанная дистилляцией версия Qwen/Qwen3-4B: веса представлены смешанной точностью INT1.58 и INT4 в блоках по 256, с эффективной разрядностью 2,79 бита; эмбеддинги и выходной слой — INT4, активации — INT8. Квантизация включена в чекпойнт. Модель предназначена для диалогов и генерации текста, включая задачи рассуждения, математики и программирования. В карточке приведены результаты на GSM8K, MATH-500, AMC23, MBPP, HumanEval и QA9; по указанным метрикам она уступает исходной версии Qwen3-4B BF16. Контекст составляет до 40 960 токенов. Для загрузки README предлагает Transformers и AutoModelForCausalLM. Модель выпущена MingZwhy под лицензией Apache-2.0. В описании бенчмарков приведены режимы оценки, но они не гарантируют аналогичного качества на других задачах; поддерживаемые языки в предоставленных данных не перечислены.

Qwen3.5-4B Claude-Distill — дообученная методом полной настройки параметров плотная модель семейства Qwen, разработанная автором репозитория clzoro на базе Qwen/Qwen3.5-4B. Модель содержит 4 млрд параметров и предназначена для генерации текста в диалоге. В обучении использовались примерно 14,9 тыс. примеров с рассуждениями, дистиллированными из Claude Opus; заявлены задачи по математике, логике, программированию, STEM, творческому письму и многошаговым инструкциям. Модель унаследовала от базовой Qwen3.5 возможности понимания изображений и использует архитектуру с визуальным энкодером, однако карточка указывает основной сценарий как генерацию текста. В метаданных заявлены английский и китайский языки. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Качество рассуждений зависит от качества и разнообразия сравнительно небольшого набора дистилляции; модель может наследовать смещения обучающих данных и обобщать хуже за пределами представленных примеров. Ответы по медицине, праву и финансам требуют проверки.

Qwen3.6-27B-Fable-Agentic — плотная мультимодальная модель на 27 млрд параметров, созданная LemuraLabs дообучением Jackrong/Qwopus3.6-27B-v2. Она предназначена для диалога, пошаговых рассуждений и вызова инструментов в многоходовых агентных сценариях; архитектура поддерживает работу с текстом и изображениями. В карточке приведены результаты сравнительных тестов с базовой моделью: 88,29% на MMLU-Pro, 97,33% на GSM8K и 57,07% на GPQA-Diamond. Модель подходит для ответов на общие вопросы, математических задач и систем, которые передают запросы внешним инструментам. В README для обслуживания через vLLM указан контекст до 16 384 токенов. Модель распространяется по лицензии Apache-2.0. Заявленные характеристики и результаты приведены в карточке модели и не являются независимой оценкой качества.

t-firefly выпустил сборку Qwen3.8-27B для работы на ускорителе Rockchip RK1828 через LlamaPi. Это плотная мультимодальная модель генерации текста по текстовым и визуальным входам; исходную модель разработала команда Qwen. Она предназначена для диалога, анализа изображений и видео, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Модель принимает изображения и видео, включая документы и STEM-диаграммы; в исходной карточке заявлено понимание видео длительностью до часа. Режим рассуждения включён по умолчанию, его глубину можно настраивать. Репозиторий содержит GGUF и safetensors и помечен как совместимый с LlamaPi. Лицензия — Apache-2.0. Для запуска через LlamaPi требуется соответствующая среда на RK1828; практическое качество и поддержка конкретных входных форматов зависят от реализации.