I.5Создание и редактирование текста

Карточка модели willhx/Qwen3-8B-Base-Math-SeaSFT-Search-TauSFT на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Карточка модели willhx/Qwen3-8B-Base-SeaSFT-Search на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

OsaurusAI подготовила сборку Qwen-AgentWorld-35B-A3B в формате MXFP8 для локального запуска на компьютерах Apple Silicon через Osaurus или mlx_lm. Это текстовая гибридная MoE-модель семейства Qwen3.5: около 35 млрд параметров всего, примерно 3 млрд активных, 40 слоёв, из которых 30 используют линейное внимание Gated DeltaNet, а 10 — полное внимание; из 256 экспертов активируются 8. Квантование MXFP8 с группами по 32 значения уменьшает объём весов примерно с 65 до 33 ГБ; эмбеддинги и выходная голова сохранены в более высокой точности. Модель предназначена для генерации текста и диалоговых сценариев с агентами, включая вызов инструментов и моделирование состояний среды с предсказанием наблюдений после действий. Веса не содержат башню зрения, поэтому модель принимает только текст. Она по умолчанию показывает ход рассуждений, а переключатель /no_think в этой сборке работает ненадёжно. Лицензия — Apache-2.0.

Qwen-Marketing — специализированная языковая модель Marketeam для маркетинговых задач, дообученная на базе Qwen/Qwen3-8B. Это декодерный трансформер с 8 млрд параметров, рассчитанный на генерацию текста и диалоговое взаимодействие; карточка указывает контекст до 32 768 токенов. Модель предназначена для создания маркетинговых материалов, разработки кампаний и стратегий, ответов на вопросы о маркетинге и анализа отзывов клиентов. Модель ориентирована на маркетологов, бренд-стратегов, менеджеров продуктов и аналитиков. Она может помогать писать описания продуктов с заданным тоном бренда, создавать варианты рекламных сообщений и писем, разрабатывать персоны аудитории и обобщать отзывы. README характеризует релиз как ранний исследовательский чекпойнт и не рекомендует его для производственного применения; заявленные внутренние сравнения не сопровождаются формальным академическим бенчмарком. Модель распространяется по лицензии MIT.

QwQ-32B-GGUF — языковая модель для генерации текста и рассуждений из семейства Qwen, разработанная командой Qwen. Это GGUF-версия базовой модели Qwen/QwQ-32B, ориентированная на локальный запуск и диалоговые сценарии, включая решение сложных математических, логических и других задач, где важны пошаговое рассуждение и качество вывода. Модель предназначена для использования с llama.cpp и совместимыми инструментами. Модель является авторегрессионной causal language model с архитектурой на базе Qwen2.5, использующей RoPE, SwiGLU, RMSNorm и смещения в QKV-вычислениях внимания. Она содержит около 32,5 млрд параметров, 64 слоя и механизм grouped-query attention с 40 головами для Q и 8 для KV. Заявленная длина контекста составляет до 131 072 токенов, однако для GGUF-версии без дополнительных настроек рекомендуется учитывать ограничение около 32 768 токенов; обработка более длинных последовательностей требует YaRN и поддержки со стороны используемого фреймворка. Указан английский язык. Сильная сторона модели — усиленная способность к рассуждению, обеспеченная последующим обучением с учителем и reinforcement learning; заявляется конкурентоспособность с современными reasoning-моделями, включая DeepSeek-R1 и o1-mini. Доступны варианты квантования q4_K_M, q5_0, q5_K_M, q6_K и q8_0, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для стабильной работы рекомендуются специальные параметры семплирования и начало ответа с маркера <think>. Лицензия — Apache-2.0.

Skywork-13B-Base — базовая авторегрессионная языковая модель семейства Skywork, разработанная командой Skywork. Она предварительно обучена на 3,2 трлн токенов очищенных многоязычных текстов и кода; в обучающем наборе преобладают английский и китайский языки. Модель содержит 13,6 млрд параметров, использует плотную архитектуру SkyworkForCausalLM с 52 слоями и токенизатор BPE с размером словаря 65 536. Длина контекста — 4096 токенов. Модель предназначена для генерации и продолжения текста, а также для дообучения под прикладные сценарии. Карточка приводит результаты сравнительных оценок и бенчмарков, включая C-Eval, MMLU, CMMLU и GSM8K. Она ориентирована прежде всего на китайский и английский текст и также обучалась на коде. В репозитории указаны веса PyTorch и лицензия «other»; конкретные условия следует сверять с лицензионными файлами модели. Модель базовая, а не диалоговая инструкционная версия, поэтому для ассистентского общения может потребоваться дополнительное дообучение. Заявленные в карточке преимущества основаны на оценках разработчиков и не гарантируют качество на любых пользовательских данных.

sui-1-24b — специализированная модель ellamind для суммаризации длинных документов с привязкой каждого тезиса к исходным предложениям. Она дообучена на Mistral-Small-3.2-24B-Instruct-2506; архитектура Mistral3, 24 млрд параметров. Репозиторий содержит веса safetensors для Transformers и опубликован по лицензии Apache-2.0. Модель предназначена для создания проверяемых кратких изложений: вывод включает ссылки на предложения источника, оформленные с помощью XML-тегов. Контекст одного прохода — до 128 тысяч токенов; для документов до 2 миллионов токенов README описывает итеративную обработку частичных резюме с последующим объединением. Основные языки дообучения — английский, немецкий, испанский, французский и итальянский; также заявлена поддержка языков базовой модели, включая русский, с возможным снижением качества суммаризации. Сильные стороны — работа с длинными текстами и проверяемость утверждений по исходнику. Для обработки требуется предварительно размечать текст XML-тегами; при итеративной обработке нужны разбиение на фрагменты и объединение резюме. Парсинг JSON-ответа иногда может завершиться ошибкой. Для полного варианта README приводит требования от примерно 55 ГБ VRAM при контексте 8k до 76 ГБ при 128k; отдельная FP8-версия снижает требования к памяти, но размещена в другом репозитории.

ifyou819/summary-news-dataset-3 — дообученная модель PegasusForConditionalGeneration с 366,8 млн параметров, основанная на ifyou819/summary-news-dataset-2. По названию репозитория и семейству модели она предназначена для суммаризации новостных текстов. Модель принимает текст и генерирует текстовое резюме; максимальная длина контекста составляет 1024 токена. В карточке указана оценка Loss 7.0676 на наборе для оценки, однако подробности о данных, методике оценки и качестве результата не приведены. Модель опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

Tema_Q-X7-Thinking — большая языковая модель для агентных приложений, созданная на основе Ornith-1.5-35B-A3B, разработанной Ornith AI. В карточке указано, что модель рассчитана на генерацию более гибких и полезных ответов на сложные запросы; в сочетании с Tema_Q Agent она поддерживает расширенные рассуждения. Модель использует архитектуру семейства Qwen 3.5 MoE и распространяется в формате safetensors. Она поддерживает японский, английский и китайский языки, диалог, следование инструкциям и интерфейс вызова инструментов. Лицензия в предоставленных данных не указана. Пользователи отвечают за соблюдение применимого законодательства и правил платформы; карточка запрещает использование для дискриминации, преследования, насилия, незаконных и иных вредоносных целей.

VietAI/vit5-base-vietnews-summarization — модель VietAI на архитектуре T5, дообученная для абстрактивного суммирования вьетнамских новостных текстов. Она принимает текст статьи и генерирует краткое изложение; специальный префикс для задачи не требуется. Модель содержит 126,8 млн параметров, поддерживает контекст до 512 токенов и предназначена для работы с вьетнамским языком. Доступны веса в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT, поэтому модель можно использовать и адаптировать на условиях этой лицензии.

WestLake-10.7B-v2 — языковая модель для ролевого диалога и генерации текста, созданная froggeric методом слияния слоёв модели senseable/WestLake-7B-v2 с помощью mergekit. В метаданных указаны архитектура Mistral, 10,6 млрд параметров и формат safetensors; автор рекомендует ограничивать контекст 8192 токенами, поскольку базовая WestLake обучалась на таком размере, несмотря на больший контекст Mistral. Модель рассчитана на отыгрыш персонажей, диалоги и творческое письмо: она может помогать создавать рассказы, стихи, эссе и другие тексты, а также генерировать реплики для игровых персонажей. Автор сообщает о более выразительном стиле и подробных ответах по сравнению с WestLake-7B-v2, но отмечает небольшое ухудшение следования инструкциям. Для диалога рекомендуются форматы Alpaca или ChatML; также могут подойти Mistral Instruct и Zephyr. Лицензия — Apache-2.0.

Xoron-Dev-MultiMoe — мультимодальная модель семейства Xoron, опубликованная командой Xoron-Dev и представленная в репозитории Backup-bdg. В метаданных указаны архитектура MoE, 256,5 млн параметров, библиотека Transformers и контекст до 131 072 токенов. README заявляет обработку текста, изображений, видео и аудио, а также генерацию изображений, видео и речи. Для изображений описаны SigLIP-2 и сжатие TiTok, для видео — VidTok с обработкой до 32 кадров, для аудио — обработка сырого PCM и голосовой синтез. Модель позиционируется для мультимодального диалога, понимания визуального и аудиовизуального содержимого, работы с речью, генерации медиа и агентных сценариев с использованием инструментов. Среди заявленных характеристик — разреженная смесь экспертов и контекстное окно 128K. README также заявляет клонирование голоса по короткому образцу, но не приводит независимых оценок качества; описанные возможности и показатели следует считать заявлениями автора. Лицензия репозитория — MIT. В метаданных основной задачей указана генерация текста, тогда как авторский pipeline-тег — any-to-any; для каталога основной задачей выбрана any-to-any, поскольку карточка описывает модель для мультимодального ввода и вывода.

BarraHome разработала zephyr-dpo-v2 — диалоговую модель на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель дообучена на основе BarraHome/zephyr-dpo-4bit с применением Unsloth и библиотеки TRL; в карточке указаны наборы данных truthy-dpo-v0.1 и ultrafeedback_binarized. Модель предназначена для генерации текста в формате диалога и может использоваться для ответов на вопросы и ведения чата. Метаданные также относят её к классификации текста, однако карточка описывает модель как Mistral для диалоговой генерации. Указанные в README результаты Open LLM Leaderboard включают средний балл 59,99, 57,85 на AI2 Reasoning Challenge и 82,72 на HellaSwag. В метаданных указаны английский и испанский языки. Репозиторий содержит веса safetensors и размечен лицензией MIT; README при этом указывает Apache-2.0, поэтому условия лицензирования требуют сверки с актуальными файлами репозитория.

AfriqueQwen3.5-9B-50Langs-Instruct-v1 — постобученная инструктивная версия модели McGill-NLP/AfriqueQwen3.5-9B-50Langs, разработанная McGill-NLP. Это плотная языковая модель семейства Qwen3.5 с 9 млрд параметров, предназначенная для диалогов и выполнения текстовых инструкций. Модель используют для пошагового решения математических задач, перевода и ответов на вопросы с выбором варианта. Модель ориентирована на 50 языков, в частности на африканские языки; в README приведены примеры работы на английском и суахили. В репозитории заявлена текстовая генерация: хотя класс архитектуры поддерживает условную генерацию, веса для зрения отсутствуют. Для запуска через vLLM README указывает режим `--language-model-only` и максимальную длину входа 12 288 токенов. В README приведены результаты оценки на наборах AfriMGSM, AfriMMLU, AfriXNLI, Belebele, Injongo, SIB-200 и FLORES. Полная таблица сравнительных результатов здесь представлена не целиком, поэтому по ней нельзя надёжно оценить качество модели относительно других систем. Модель распространяется по лицензии CC BY 4.0.

AfriqueQwen-8B — базовая авторегрессионная языковая модель из линейки AfriqueLLM, разработанной для улучшения работы с африканскими языками. Она основана на Qwen/Qwen3-8B-Base и продолжила предварительное обучение примерно на 26 млрд токенов многоязычных данных. Модель содержит 7,6 млрд параметров, использует архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и адаптации к задачам на африканских языках, включая продолжение обучения и работу в многоязычных сценариях. В README заявлена адаптация для 20 африканских языков; также при обучении использовались английский, французский, португальский и арабский для сохранения качества на языках с большим объёмом данных. Среди возможных сценариев — создание многоязычных приложений, ответы на запросы и перевод длинных документов. Для запуска авторы предлагают vLLM или SGLang. Продолженное предобучение улучшило результаты Qwen на африканских языковых задачах по оценке авторов, при этом README отмечает сохранение сильных возможностей на языках с большим объёмом данных. Это базовая, а не специализированная инструктивная модель; фактическое качество зависит от языка и задачи. Модель распространяется по лицензии CC BY 4.0.

Agnuxo публикует локальную чат-модель Agente-GPT на базе семейства Qwen 2.5 с 3 млрд параметров. Репозиторий содержит веса в формате GGUF F32; модель предназначена для запуска, в частности, через Ollama и для генерации текста в диалоговом режиме. Автор позиционирует её как автономного агента для декомпозиции задач, координации агентов и помощи с генерацией кода, включая научные вычисления и машинное обучение. В карточке заявлена работа на испанском и английском языках, а лицензия указана как Apache 2.0. Данных о длине контекста и независимых оценках качества в предоставленных источниках нет. Заявленные агентные навыки не подтверждают сами по себе совместимость с конкретными инструментами или протоколами вызова функций.

UBC-NLP/AraT5-base — базовая модель семейства T5, разработанная UBC-NLP для генерации и понимания арабского текста в формате «текст в текст». Модель содержит 183,6 млн параметров и доступна в форматах PyTorch и TensorFlow. Она предназначена для дообучения и применения в задачах генерации арабского текста: суммаризации, создания заголовков новостей и вопросов, перефразирования, транслитерации, машинного перевода и перевода текста со смешением арабского и других языков. В карточке также описана настройка модели для генерации заголовков новостей. Авторы рекомендуют для новых проектов AraT5v2-base-1024. Чекпойнты этой версии предназначены исключительно для исследовательского использования; для коммерческого применения требуется связаться с авторами. Контекст модели и отдельные сведения о её качестве в карточке не приведены.

Atlas-Chat-27B — диалоговая языковая модель, разработанная MBZUAI-Paris в рамках проекта Jais и дообученная на базе Google Gemma 2 27B IT. Модель предназначена прежде всего для генерации текста на дариже — разговорном арабском языке Марокко; она также ориентирована на стандартный арабский язык в рамках семейства Jais. Архитектура — плотная Gemma 2 для авторегрессионной генерации текста, размер — 27,6 млрд параметров, контекст — до 8192 токенов. Модель подходит для чат-ботов на дариже, ответов на вопросы, суммаризации, перевода и создания контента на разговорном диалекте, а также для культурных исследований языка и Марокко. Карточка заявляет о возможности локального развёртывания, однако версия на 27 млрд параметров требует заметных вычислительных ресурсов. Указанные ограничения включают возможные фактические ошибки, трудности с языковыми нюансами и сложными запросами, а также предвзятость и риск генерации вредного контента. Лицензия — Gemma.

BARTO base — испаноязычная предварительно обученная модель семейства BART, разработанная авторами работы «Sequence-to-Sequence Spanish Pre-trained Language Models». Это трансформерный энкодер-декодер: двунаправленный энкодер сочетается с авторегрессионным декодером. Модель содержит 95,2 млн параметров, имеет контекст до 1024 токенов и распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Модель обучалась восстанавливать исходный текст после его искажения и предназначена прежде всего для дообучения на размеченных данных. После такой настройки её применяют для генерации текста, включая суммаризацию и перевод, а также для задач понимания текста — классификации и ответов на вопросы. Исходный чекпойнт поддерживает заполнение пропусков в тексте.

Модель ingeniumacademy/bart-cnn-samsum-finetuned — дообученная версия facebook/bart-large-cnn на наборе данных SAMSum. Она предназначена для создания кратких пересказов диалогов, например бесед из чатов. Модель построена на архитектуре BART и содержит 252,8 млн параметров; принимает текст длиной до 1024 токенов и генерирует текст. В README приведено значение loss 0,1344 на оценочной выборке, но описание не уточняет методику оценки или другие показатели качества. Лицензия — MIT.

OpenThai Chinda 4B — языковая модель iApp Technology, дообученная на базе Qwen3-4B для работы прежде всего с тайским языком. Она построена на плотной архитектуре Qwen3ForCausalLM и содержит около 3,7 млрд параметров. Модель поддерживает диалог и переключение между режимами рассуждения и обычной генерации; заявленное нативное окно контекста — 40 960 токенов по метаданным, а README рекомендует держать контекст в пределах 32 768 токенов для оптимальной работы и описывает расширение до 131 072 токенов с YaRN. Модель предназначена для тайскоязычных чат-ботов и RAG-систем, математических задач, генерации кода и локального запуска на пользовательских устройствах. README заявляет точность генерации на тайском 98,4% и высокие результаты в приведённых бенчмарках, но эти показатели представлены разработчиком и зависят от методики оценки. Для фактических вопросов без контекста модель может галлюцинировать; для таких сценариев рекомендуется предоставлять источники или использовать RAG. Модель выпущена по лицензии Apache 2.0, разрешающей коммерческое и частное использование, модификацию и распространение.

CrisperWhisper 2.0 Turbo — вариант модели распознавания речи семейства Whisper, разработанный Nyra Labs. Он предназначен для быстрого преобразования аудио в текст с выбором режима: дословная запись слов и речевых особенностей или отредактированная запись предполагаемого смысла. Модель содержит 905,3 млн параметров; репозиторий предоставляет веса в формате safetensors, а библиотека crisperwhisper поддерживает запуск через PyTorch или CTranslate2. Модель рассчитана на распознавание речи, включая заполнители пауз, повторы, обрывы слов и вокальные события, и может выдавать временные границы слов. Вариант Turbo — самый быстрый из описанных стандартных вариантов, но README отмечает некоторое снижение качества относительно более крупных моделей. Заявлена поддержка большинства языков Whisper; метаданные карточки указывают английский и немецкий. Стандартные модели распространяются по некоммерческой исследовательской лицензии, коммерческое лицензирование доступно отдельно.

netcat420/DeepSeek-R1-Distill-Qwen-MFANN-Slerp-7b — языковая модель, созданная разработчиком netcat420 слиянием через SLERP двух предварительно обученных моделей: deepseek-ai/DeepSeek-R1-Distill-Qwen-7B и netcat420/Qwen2.5-Coder-Scholar-7B-Abliterated-MFANN-Slerp-Unretrained. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и доступна в формате safetensors для библиотеки Transformers; заявленная длина контекста — 131 072 токена. Модель предназначена для диалогов и генерации текста. Базовая модель DeepSeek поддерживает многошаговые рассуждения, в том числе математические задачи и программирование; вторая модель в слиянии ориентирована на код и обучение. Метаданные также отмечают интерфейс вызова инструментов, но не содержат примеров или оценок его надёжности. В README не приведены сведения о лицензии, поэтому условия использования по доступным данным определить нельзя. Качество и поведение полученного слияния отдельно не оценены; свойства исходных моделей не гарантируют их сохранения в полном объёме.

unsloth/DeepSeek-R1-GGUF — GGUF-версия модели DeepSeek-R1, разработанной DeepSeek и подготовленной компанией Unsloth. Модель предназначена для локального запуска через llama.cpp и сценариев, требующих рассуждений, генерации и анализа текста, а также написания программного кода. В README указан английский язык; другие языки не заявлены. Модель использует архитектуру MoE и представлена в нескольких вариантах динамической квантизации: 1,58 бит, 1,73 бит, 2,22 бит и 2,51 бит. Размер файлов составляет примерно от 131 до 212 ГБ. Более точные варианты требуют больше дискового пространства, но характеризуются лучшей заявленной точностью: от Fair для 1,58-битной версии до Best для 2,51-битной. Для запуска рекомендуется llama.cpp; возможна частичная выгрузка слоёв на GPU. В примерах используется контекст 8192 токена, однако максимальный размер контекста в README не указан. К сильным сторонам относятся существенное уменьшение размера весов за счёт агрессивной квантизации, возможность локального запуска и наличие вариантов с разным компромиссом между качеством и требованиями к ресурсам. Ограничениями являются очень большой объём файлов даже у наиболее сжатых вариантов, необходимость совместимого оборудования и ПО, а также потенциальное снижение точности из-за низкой разрядности. Модель распространяется по лицензии MIT.

DeepSeek-V4-Flash-0731-Pruned-155B-A13B-GGUF — неофициальная производная модель, созданная сообществом на основе DeepSeek-V4-Flash-0731 и GGUF-сборки Unsloth. Она не выпущена и не одобрена DeepSeek. Модель предназначена для генерации текста и локального запуска через llama.cpp, прежде всего на Apple Silicon с 64 ГБ памяти, включая сценарии агентного программирования и задач SWE-bench. Это MoE-модель примерно со 155,5 млрд параметров и около 13 млрд активных параметров на токен. В 40 основных MoE-слоях число маршрутизируемых экспертов сокращено с 256 до 128, а первые три hash-слоя сохраняют все 256 экспертов. Веса представлены в квантизации IQ3_XXS; используется GGUF. Основная сборка требует специальной модификации llama.cpp, тогда как альтернативная ZP256 совместима с обычной версией llama.cpp, но работает медленнее. Для ускорения поддерживается speculative decoding с отдельной моделью DSpark. Главное преимущество — возможность полностью разместить основную сборку на GPU 64-гигабайтного Mac mini M4 Pro и получить существенно более высокую скорость по сравнению с частичной выгрузкой исходной модели: до 21,2 токена в секунду при коротком контексте и 14,3–16,6 токена в секунду при агентном контексте 8–32 тыс. токенов. На подмножестве SWE-bench Verified из 100 задач модель решила 77,5% задач против 84,0% у официальной FP8-версии, поэтому pruning сопровождается заметным снижением качества. Калибровочная imatrix исходной модели отдельно для обрезанной версии не проверялась. Лицензия — MIT. Для работы основной сборки требуются совместимые патченные llama.cpp и настройка лимита выделяемой GPU-памяти macOS; заявленная производительность относится к конкретной конфигурации Mac mini M4 Pro 64 ГБ и может отличаться на другом оборудовании.

Elbaz-NVIDIA-Nemotron-3-Nano-30B-A3B-PRISM-NVFP4 — квантизированная версия разговорной языковой модели NVIDIA Nemotron-3-Nano, подготовленная Эриком Эльбазом (Ex0bit) с помощью NVIDIA TensorRT Model Optimizer. Модель предназначена для генерации текста в диалогах и представлена как вариант без фильтрации ответов. Это гибридная модель семейства Nemotron с архитектурой Mamba-2 и MoE; базовая версия содержит 30 млрд параметров при 3 млрд активных. Веса сжаты в формат NVFP4, размер чекпойнта около 18 ГБ. Для запуска требуются GPU NVIDIA Blackwell и TensorRT-LLM версии 0.17 или новее. README указывает калибровку на 512 примерах WikiText-2. Модель подходит для диалогов, ответов на вопросы, рассуждений и задач программирования; метаданные указывают английский язык. Формат несовместим с потребительскими GPU RTX 3000/4000/5000, llama.cpp и стандартным инференсом PyTorch. В карточке базовой модели указана поддержка шести языков, но языки кроме английского для этой версии отдельно не подтверждены. Лицензия в метаданных обозначена как other.

Falcon-H1R-7B-GGUF — языковая модель для рассуждений, разработанная Technology Innovation Institute (TII) на основе Falcon-H1-7B-Base. Это авторегрессионная decoder-only модель с гибридной архитектурой, объединяющей Transformers и Mamba2. Модель обучалась с применением supervised fine-tuning на длинных цепочках рассуждений и последующего обучения с подкреплением методом GRPO. Модель предназначена для генерации текста, решения математических задач, программирования, следования инструкциям и задач общей логики. В README заявлена поддержка английского и многоязычного использования. Для запуска предусмотрен формат GGUF и совместимость с llama.cpp; рекомендуются temperature 0.6, top-p 0.95 и до 65536 новых токенов, что указывает на ориентацию на длинные рассуждения. Сильной стороной модели являются результаты на ряде тестов рассуждений, включая высокие показатели на AIME24, HMMT25, AMO-BENCH и MATH500, а также конкурентные результаты в программировании и общих задачах. При этом приведённые бенчмарки не гарантируют аналогичное качество в конкретных прикладных сценариях, а подробные сведения о размере контекстного окна, точном варианте квантования GGUF и ограничениях по языкам в README не указаны. Модель распространяется по лицензии Falcon-LLM License; условия доступны по ссылке, указанной разработчиком.

GPT-OSS-20B-Pruned-28x — сжатая версия модели OpenAI GPT-OSS-20B, подготовленная автором репозитория TOk-Atsuru удалением экспертов из разреженной MoE-архитектуры Transformer. В каждом слое оставлено 28 из 32 экспертов; модель содержит 20,9 млрд параметров, из которых 3,6 млрд активны на токен. Она распространяется в формате GGUF и предназначена для генерации текста и диалогов, включая ответы на вопросы, рассуждения, решение математических задач и генерацию кода. По README, размер файла составляет 10,40 ГБ, что позволяет запускать модель при наличии 16 ГБ оперативной памяти; для инференса рекомендован llama.cpp, поддерживаются Apple Silicon, CUDA и CPU. Автор сообщает о результатах 78% на MMLU, 92% на GSM8K и 80% на тесте генерации кода, однако объём проверок невелик, а сравнение GSM8K с исходной моделью некорректно из-за разных размеров выборок. Модель предназначена прежде всего для английского языка; проверка специализированных областей и многоязычных сценариев не описана. Лицензия — Apache 2.0. README указывает, что дальнейшее удаление экспертов резко ухудшает качество, а поведение на отдельных примерах может отличаться от исходной модели. Для надёжного вывода автор рекомендует задавать max_tokens не менее 500 из-за расхода токенов на внутренний канал рассуждений.

Huihui-MiroThinker-v1.0-8B-abliterated — версия MiroThinker-v1.0-8B, изменённая проектом huihui-ai методом abliteration для снижения числа отказов. Это плотная языковая модель семейства Qwen3 с 7,6 млрд параметров, рассчитанная на генерацию текста и диалог; базовая MiroThinker предназначена для многошаговых исследований, поиска информации и вызова инструментов. Модель можно запускать через Transformers или Ollama. Контекст модели составляет 262 144 токена. В карточке указаны английский язык и лицензия MIT. Abliteration снижает защитные отказы и может приводить к чувствительным, спорным или неподходящим ответам; результаты следует тщательно проверять.

Карточка модели IndexTeam/Index-Translate-35B-A3B-preview-before-replacement-20261003 на Hugging Face совпадает с карточкой IndexTeam/Index-Translate-35B-A3B-preview, поэтому описание составлено по ней. Index-Translate-35B-A3B-preview — мультиязычная текстовая модель перевода семейства Index-Translate, созданная на базе Qwen3.5. Это модель архитектуры mixture-of-experts с 35 млрд общих и примерно 3 млрд активных параметров; в метаданных семейство архитектуры указано как qwen3_5_moe. Модель предназначена для перевода между 150 языками, включая предложения, статьи, субтитры и тексты с особыми инструкциями. Модель учитывает требования к терминологии, стилю, контексту, структуре и длине результата. Она может сохранять формат JSON, CSV и Markdown, блоки кода и переменные-заполнители, адаптировать тон и интерпретировать мемы, разговорные выражения и культурные отсылки. В техническом отчёте для preview приведены высокие результаты на тестах перевода и следования инструкциям, в том числе FLORES COMET-22 0,8794 и instTrans IFscore 0,8336. Это preview-версия. В README отмечены ошибки выбора целевого языка на малоресурсных направлениях: 2,4% на FLORES_minor_pair и 4,05% на instTrans_minor. Приведённые оценки относятся к тестам и условиям отчёта; покрытие языков описано в языковом перечне технического отчёта. Модель опубликована под лицензией Apache-2.0.