I.5Создание и редактирование текста

IndicBARTSS — мультиязычная предобученная модель типа sequence-to-sequence на архитектуре mBART, разработанная AI4Bharat. Она предназначена для создания приложений генерации текста на индийских языках и английском после дообучения на размеченных данных. Поддерживает ассамский, бенгальский, гуджарати, хинди, маратхи, одия, панджаби, каннада, малаялам, тамильский, телугу и английский; общий размер модели — 166,2 млн параметров, длина контекста — до 1024 токенов. Модель предобучена на корпусе IndicCorp объёмом 452 млн предложений и 9 млрд токенов с задачей восстановления пропущенных фрагментов текста. В отличие от исходной IndicBART, каждый язык использует собственную письменность, поэтому преобразование письма в деванагари и обратно не требуется. Относительно mBART и mT5-base модель меньше и требует меньше вычислений при дообучении и генерации. Возможные сценарии после дообучения включают машинный перевод, суммаризацию и генерацию вопросов. В метаданных указана библиотека PyTorch; репозиторий содержит веса PyTorch. Условия лицензии в предоставленных данных не описаны.

INTELLECT-1-step-88000 — промежуточный чекпойнт языковой модели INTELLECT-1 от Prime Intellect и сообщества участников. Модель обучалась с нуля как плотная авторегрессионная модель семейства Llama примерно на 10 млрд параметров; в метаданных указаны 9,7 млрд параметров и контекст до 8192 токенов. Обучение проводилось на триллионе токенов английского текста и кода, включая веб-тексты, математические материалы и код. Модель предназначена для генерации продолжений текста и кода на английском языке. Этот чекпойнт соответствует шагу обучения 88000 и является промежуточным состоянием, а не финальной или инструкционной версией INTELLECT-1. Модель выпущена под лицензией Apache 2.0.

MLX-версия K2-Horizon-0.9B от сообщества mlx-community, преобразованная из IFM/K2-Horizon-0.9B в формат bf16 без квантизации. Это плотная авторегрессионная модель-декодер с 924,5 млн параметров, предназначенная для генерации текста в диалоговом режиме. Метаданные каталога относят базовую модель к компактным моделям для рассуждений, математики, программирования и STEM; карточка описывает преобразование весов в MLX для запуска на Apple silicon. Метаданные указывают контекст 8192 токена, тогда как README базовой модели сообщает о контексте до 131 072 токенов с YaRN RoPE scaling. README сообщает о проверке соответствия реализации PyTorch на реальных весах и о тестовом запуске на MLX. Для работы требуется mlx-lm и код архитектуры из репозитория; в некоторых версиях mlx-lm нужен флаг trust_remote_code. Лицензия — Apache-2.0.

Theros/L3-ColdBrew-R1-test1 — языковая модель на архитектуре Llama, созданная разработчиком Theros слиянием весов через mergekit методом DARE TIES. В слиянии использованы Theros/L3-ColdBrew-Daybreak и deepseek-ai/DeepSeek-R1-Distill-Llama-8B; итоговая модель содержит 7,5 млрд параметров и работает с контекстом до 8192 токенов. Модель предназначена для диалоговой генерации текста и может применяться для ответов на вопросы, математических задач, программирования и многошаговых рассуждений — эти возможности описаны для базовой модели DeepSeek-R1-Distill-Llama-8B. Метаданные указывают на поддержку чата, но README не приводит собственных примеров или оценок качества слияния. Репозиторий содержит веса Safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

Ling-3.0-flash-VL GGUF — GGUF-конверсия мультимодальной модели inclusionAI/Ling-3.0-flash-VL, подготовленная bloomer010 для запуска через llama.cpp. Это Mixture-of-Experts-модель с 124 млрд общих параметров и примерно 5,5 млрд активируемых параметров на токен. Она поддерживает текстовые, графические и видео-входы и предназначена для мультимодального понимания, рассуждений, выполнения агентских задач и проверки результатов. Заявлено контекстное окно до 256K токенов, однако в README отдельно указана поддержка до 128K, поэтому фактический предел зависит от используемой сборки и конфигурации. Для обработки изображений требуется отдельный файл mmproj-model-f16.gguf размером около 875 МБ; текстовый чат может работать без него. Модель рассчитана на использование с llama.cpp, но пока требует сборки с ещё не объединённым PR для архитектуры bailingmoe3vl и визуального проектора Ling VL. Доступны различные варианты квантования от BF16 до Q3_K_M, что позволяет адаптировать требования к памяти, но уменьшение размера может снижать точность и стабильность ответов. Поддерживаются режим рассуждений и ускорение speculative decoding через DSpark, хотя выигрыш в скорости зависит от оборудования и сценария. Лицензия — MIT.

amazingvince/llama-2-16k-booksum — языковая модель семейства Llama для генерации кратких изложений глав книг. Модель разработана на основе архитектуры Llama и настроена на выполнение инструкции «Напиши краткое изложение следующего текста»: на вход подаётся текст главы, на выходе формируется её краткое содержание. Модель имеет 6,6 млрд параметров и контекстное окно 16 384 токена. Она предназначена для суммирования длинных текстовых фрагментов, например глав книг. Данные README не сообщают о поддерживаемых естественных языках и лицензии; формат весов — safetensors.

Apollo Raines представляет Llama-3.1-8B-Instruct-Uncensored-Complete — вариант Llama-3.1-8B-Instruct, изменённый инструментом jBlaze. По README, модель создана без дополнительного обучения: поведенческие изменения внесены непосредственно в веса. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она принимает текст и генерирует текст; метаданные указывают контекст до 131 072 токенов и английский язык. Модель предназначена для диалогов и генерации ответов, включая прямые ответы без обычных отказов и оговорок. Примеры в карточке показывают ответы на общие вопросы, простые вычисления, написание кода и практические инструкции. В README заявлено подавление многословности, уклончивости, токсичности и отказов; это описание поведения автора, а не независимая оценка качества. Карточка сообщает, что известных проблем не наблюдалось, но не приводит результатов систематической оценки. Модель распространяется в формате safetensors и использует лицензию Llama 3.1 (llama3.1).

Экспериментальная версия Llama-3.1-8B-Instruct, дообученная методом AbsoluteMaxMin в рамках сравнения методов многокритериальной оптимизации предпочтений на панели TL;DR. Модель предназначена для генерации кратких пересказов и ответов с учётом охвата ключевых сведений, фактической точности, краткости и полезности. Обучение проведено на 300 шагах оптимизатора с глобальным размером пакета 16. В оценке использовались отложенные промпты, не пересекающиеся с обучающими, а качество судила Llama-3.3-70B-Instruct. Архитектура — плотная авторегрессионная LlamaForCausalLM; объём составляет 7,5 млрд параметров, контекст — до 131 072 токенов. Модель принимает и генерирует текст; карточка не заявляет специализированные модальности. Это исследовательский чекпойнт для сравнения методов оптимизации предпочтений, а не подтверждённая самостоятельная система для производственного использования. Данные не приводят численных результатов или подробностей оценки лицензии сверх метки llama3.1; использование регулируется условиями лицензии Llama 3.1.

LLaMA3-ENG-KO-8B-SL — дообученная трансформерная языковая модель от 4yo1 на основе семейства Llama. Она предназначена прежде всего для перевода между английским и корейским языками; также поддерживает генерацию текста и чат-взаимодействие. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Максимальная длина контекста составляет 8192 токена. Модель опубликована в формате safetensors и распространяется по лицензии MIT. В карточке указано дообучение на датасете 4yo1/llama3_test1, однако подробности о составе данных, качестве перевода и результатах оценки не приведены.

LLaMA3-ENG-KO-8B-SL4 — двуязычная языковая модель на архитектуре LLaMA 3, опубликованная пользователем 4yo1. По карточке, модель адаптирована с помощью тонкой настройки и предназначена для задач на английском и корейском языках; метаданные указывают около 7,5 млрд параметров и контекст до 8192 токенов. Основной сценарий применения — перевод между английским и корейским языками. Модель также поддерживает генерацию текста и чатовый интерфейс. В карточке указан обучающий набор 4yo1/llama3_test1. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Карточка содержит несоответствие в примере загрузки: AutoConfig ссылается на идентификатор llama3-eng-ko-80-sl4, тогда как модель обозначена как llama3-eng-ko-8b-sl4. Сведения о качестве перевода и результаты оценки не приведены.

4yo1/llama3-pre1-pre2-inst3-ds-lora3_1 — языковая модель на архитектуре Llama, опубликованная пользователем 4yo1. Метаданные указывают 7,6 млрд параметров, формат safetensors, контекст до 8192 токенов и библиотеку Transformers; README округляет размер до 8 млрд параметров. Модель предназначена для перевода и генерации текста на английском и корейском языках; каталог также отмечает возможность диалогового использования. В карточке указано дообучение, а название и описание связывают модель с Llama 3 и LoRA; точный идентификатор базовой модели для этой версии в метаданных не приведён. Лицензия — MIT. README содержит пример загрузки через Transformers, но не описывает качество перевода, направление перевода или ограничения по сценариям применения.

llm-jp-4-kappa-32b-a3b-v0.1 — японско-английская диалоговая языковая модель Third-intelligence, созданная как исследовательский прототип на основе llm-jp/llm-jp-4-32b-a3b-thinking. Модель дообучили в два этапа: SFT для генерации рассуждений и обучение с подкреплением на математических и программных задачах. Она использует архитектуру Mixture-of-Experts: около 32 млрд параметров всего и примерно 3 млрд активных при генерации. Контекст — до 65 536 токенов. Модель предназначена для диалоговой генерации текста на японском и английском языках, включая задачи рассуждения, математики и программирования. В README приведены результаты сравнительных тестов на японских и английских заданиях; они показывают сильные результаты в ряде категорий, но не гарантируют точность для конкретного запроса. Для запуска указаны Transformers и vLLM с reasoning parser для формата LLM-jp-4; для рекомендуемой конфигурации требуются несколько GPU с 80 ГБ памяти, хотя возможен запуск на одной такой карте с уменьшением длины контекста. Опубликована по лицензии Apache 2.0; README также требует соблюдать лицензию и условия базовой модели. Разработчик позиционирует её как исследовательскую: точность, безопасность и этичность ответов не гарантируются, возможны галлюцинации и неподходящий контент, а коммерческое и критически важное применение не предполагается.

LongCat-Flash-Lite-Uncensored-Heretic-Native-MTP-Preserved — производная версия LongCat-Flash-Lite от независимого автора llmfan46, основанная на модели Meituan. Автор применил abliteration, чтобы уменьшить склонность модели отказывать в ответах: в карточке указаны 9 отказов из 100 в тесте против 100 из 100 у исходной модели. Это не гарантирует отсутствие ограничений или точность ответов. Модель предназначена для генерации текста в диалогах, программирования и агентных сценариях. В основе — плотная архитектура LongcatFlashNgramForCausalLM; метаданные каталога указывают 4,6 млрд параметров и контекст до 327 680 токенов. README описывает исходную LongCat-Flash-Lite как MoE-модель с N-граммными эмбеддингами, однако эти характеристики не следует переносить на производную версию без оговорки. Репозиторий содержит веса safetensors; заявлена лицензия MIT. README также указывает на необходимость минимум двух GPU с 80 ГБ видеопамяти для запуска через Transformers.

Карточка модели YeungNLP/LongQLoRA-Vicuna-13b-8k на Hugging Face совпадает с карточкой YeungNLP/LongQLoRA-Llama2-7b-8k, поэтому описание составлено по ней. YeungNLP/LongQLoRA-Llama2-7b-8k — дообученная версия LLaMA 2 7B, созданная авторами метода LongQLoRA для работы с длинным контекстом. В карточке описан метод эффективного расширения контекстного окна больших языковых моделей с меньшими затратами GPU; для этой модели заявлено увеличение длины контекста с 4096 до 8192 токенов, а метод в целом также позволяет расширение до 12 тысяч токенов. Модель предназначена для генерации текста и продолжения длинных документов. Авторы сообщают о конкурентных значениях perplexity на PG19 и Proof-pile после 1000 шагов дообучения; в сравнении с LongLoRA модель показала лучшие значения и приблизилась к MPT-7B-8K. В метаданных указаны 6,6 млрд параметров, архитектура LLaMA и библиотека Transformers; язык карточки — английский. Модель опубликована под лицензией Apache-2.0. Результаты в README относятся к оценке perplexity на конкретных корпусах и сами по себе не подтверждают качество для всех задач генерации; заявленная цель — работа с длинным контекстом.

Mimans M1 v1 — плотная авторская языковая модель примерно на 514 млн параметров, разработанная Ankush Thakur и обученная с нуля как decoder-only Transformer для генерации кода, математического и технического текста. Архитектура включает GQA, SwiGLU, RMSNorm и механизм AttnRes Skip Gating; репозиторий содержит веса safetensors. Модель обучалась на 5,01 млрд токенов с использованием TileLang и гибридной оптимизации Muon + AdamW. Модель предназначена для продолжения и генерации кода и технических текстов; в карточке показан пример генерации кода через Hugging Face Transformers. Контекст в README указан как 4 096 токенов с максимумом 8 192, а метаданные каталога указывают native context 8 192 токена. В качестве естественного языка заявлен английский. Лицензия — Apache-2.0. Небольшой размер и ограниченный объём обучения могут сказываться на качестве сложной генерации; оценки бенчмарков в предоставленных материалах отсутствуют.

Mistral Medium 3 — корпоративная языковая модель от Mistral AI. Она предназначена для рассуждений и мультимодальных задач при сниженных эксплуатационных затратах; описание заявляет производительность передового уровня и стоимость в восемь раз ниже.

unsloth/Mistral-Nemo-Instruct-2407 — плотная авторегрессионная языковая модель семейства Mistral с 12,1 млрд параметров. Репозиторий размещён Unsloth и содержит веса в формате safetensors; модель предназначена для генерации текста в диалогах и поддерживает интерфейс вызова инструментов. Модель принимает текстовые запросы и выдаёт текст. Она поддерживает английский язык и контекст длиной до 131 072 токенов. Карточка репозитория посвящена инструкциям Unsloth по дообучению Mistral Nemo, включая разговорный формат ShareGPT ChatML/Vicuna и экспорт дообученной модели. Модель распространяется по лицензии Apache-2.0. Сведения о специализированных предметных областях и конкретных ограничениях качества в карточке не приводятся.

Это текстовая базовая модель семейства Mistral, опубликованная Unsloth как производная от Mistral-Small-24B-Base-2501, разработанной командой Mistral AI. Она предназначена для генерации текста, дальнейшего дообучения и создания разговорных и агентных приложений. Модель имеет плотную архитектуру MistralForCausalLM и 23,4 млрд параметров; нативное контекстное окно составляет 32 768 токенов. Карточка указывает поддержку многих языков, включая английский, французский, немецкий, испанский, итальянский, китайский, японский, корейский, португальский, нидерландский и польский. Среди заявленных возможностей семейства — следование инструкциям, рассуждения, вызов функций и выдача JSON; этот репозиторий классифицирован для генерации текста. Веса доступны в формате safetensors, библиотека — Transformers. Лицензия Apache 2.0 разрешает использование и модификацию, в том числе в коммерческих целях. Это базовый чекпойнт, а не указанная в README instruct-версия; сведения о разговорных и агентных возможностях в карточке относятся к описываемому семейству и не гарантируют тот же уровень поведения у базовой модели без дообучения. Для запуска на GPU README указывает более 60 ГБ видеопамяти; локальный запуск на меньшем оборудовании зависит от квантизации.

DoppelReflEx/MN-12B-WolFrame — слитая автором модель на архитектуре Mistral, предназначенная для генерации текста, творческого письма и ролевых диалогов, включая ERP-сценарии. В README указано, что модель переименована из WhiteSnake-V2 и создана с целью превзойти исходную WhiteSnake; автор оценивает её результаты как удовлетворительные. Модель имеет 12,1 млрд параметров и поддерживает контекст до 1 024 000 токенов. Она получена слиянием нескольких моделей, включая MN-Slush, MN-12B-Mimicore-GreenSnake и Nemo-12b-Humanize-KTO-Experimental-Latest; в конфигурации указан Mistral-Nemo-Base-2407-chatml как базовая модель. Репозиторий содержит веса Safetensors, а README также упоминает вариант GGUF Q6_K. Автор отмечает сильные стороны в творческом письме и ролевых диалогах, но слабые результаты в математике. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Mnemosyne-7B — экспериментальная языковая модель, созданная объединением нескольких предварительно обученных моделей. В состав слияния входят Mistral-7B-Instruct-KhanAcademy-v0.2, Eurus-7b-kto, Newton-7B и Mistral-7B-Instruct-v0.2; для объединения использован mergekit с методом model_stock. Архитектура — плотная MistralForCausalLM примерно на 7,1 млрд параметров, модель предназначена для диалоговой генерации текста и ответов на инструкции. Она ориентирована на информативные и образовательные ответы. Контекст — до 32 768 токенов; репозиторий содержит веса Safetensors, а README также упоминает GGUF. Автор предупреждает, что качество и возможности модели не гарантированы и требуют дополнительного тестирования и оценки. Лицензия — Apache-2.0.

LeoCordoba/mt5-small-cc-news-es-titles — модель семейства mT5, разработанная на базе архитектуры MT5ForConditionalGeneration и дообученная для суммаризации испанских новостных материалов. Она предназначена для создания кратких заголовков по тексту новости. В карточке приведены результаты оценки: eval_loss 2,879, ROUGE-1 22,66 и ROUGE-2 7,79. Модель содержит 157,4 млн параметров, распространяется в формате PyTorch и рассчитана на испанский язык. Лицензия — Apache-2.0. Длина контекста и другие ограничения применения в доступных сведениях не описаны.

NepSummBART — модель для автоматического суммирования текстов на непальском языке, разработанная Виҷая Бхаттой, Паскалем Раи, Нираджаном Шрестхой, Дришти Сигдел, Суджаном Непане и Сагаром Кафле. Она основана на архитектуре BART: предварительно обучена на корпусе непальских текстов с задачей восстановления зашумлённого текста, затем дообучена на данных для суммирования. Модель содержит 98,9 млн параметров и рассчитана на контекст до 1000 токенов. Модель принимает текст и генерирует его краткое содержание. В оценке на тестовой части BBC XLSum Nepali указаны ROUGE-1 0,177, ROUGE-2 0,059 и ROUGE-L 0,154. Авторы отмечают, что копирование текста из контекста кодировщика может ухудшать качество абстрактивного суммирования. Репозиторий распространяется по лицензии MIT.

Severian разработал Nexus-IKM-Mistral-Instruct-v0.2-7B — разговорную языковую модель на архитектуре Mistral с 7,1 млрд параметров. Модель дообучена на экспериментальном наборе Internal Knowledge Map в течение трёх эпох; для обучения использовалась фазовая методика, последовательно акцентирующая системный контекст и инструкции. Модель предназначена для генерации ответов, рассуждений и синтеза информации из разных областей знаний. Её можно применять для многошагового решения задач, поиска связей между дисциплинами и подготовки междисциплинарных идей; заявленные в карточке способности не подтверждены количественными оценками. Контекст составляет до 32 768 токенов. Указана лицензия MIT.

NorGPT-3B-continue — авторегрессионная языковая модель семейства NorGLM, разработанная для норвежского языка. Это продолженное обучение модели NorGPT-3B на отобранных документах из исходного предобучающего корпуса: новостных статьях, парламентских выступлениях, книгах и правительственных отчётах. В метаданных архитектура указана как GPT-2 с классом GPT2LMHeadModel; модель содержит 3 млрд параметров и принимает текстовый контекст длиной до 2048 токенов. Модель предназначена для генерации и продолжения норвежского текста, в том числе в сценариях, связанных с общественными документами, новостями и книгами. Она распространяется в форматах PyTorch и safetensors и загружается через Transformers. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях атрибуции, распространения производных на тех же условиях и некоммерческого применения. Качество генерации за пределами описанных источников и надёжность фактических утверждений не установлены; выход модели следует проверять.

Olmo-3-7B-Think-heretic — англоязычная авторегрессионная языковая модель семейства OLMo 3 с 6,9 млрд параметров, созданная Richard Young на основе allenai/Olmo-3-7B-Think. Это версия с abliteration, преобразованием, которое уменьшает склонность модели отказываться от ответов; модель предназначена для генерации текста в диалогах, рассуждений, математики и программирования. Контекстное окно составляет 65 536 токенов. Модель сохраняет возможности и связность исходной версии, однако по приведённой в карточке оценке всё ещё отказывает на части вредоносных запросов. Как и другие языковые модели, она может выдавать фактические ошибки, предвзятые или вредоносные ответы. Доступна по лицензии Apache 2.0; карточка рекомендует использовать её для исследований, творческого письма и обучения методам настройки безопасности.

Samll/olmo3-7b-think-thinkprune-b4000 — дообученная диалоговая модель семейства OLMo 3, созданная для экспериментов с эффективным обучением рассуждениям. Модель основана на allenai/Olmo-3-7B-Think и связана с работой «Efficient Reasoning Training Does Not Always Harm CoT Faithfulness and Monitorability». Это плотная авторегрессионная языковая модель с 6,9 млрд параметров, рассчитанная на контекст до 65 536 токенов; веса доступны в формате safetensors для Transformers. Модель предназначена для генерации текста в диалоге и задач, где требуется рассуждение, включая математику и программирование. Карточка указывает на использование ThinkPrune и GRPO, однако не приводит подробностей обучения или сравнительных оценок качества. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

OmniAudio-2.6B — мультимодальная аудиоязыковая модель компании NexaAI на 2,6 млрд параметров для локального запуска на устройствах. Она объединяет Gemma-2-2b, Whisper turbo и проектор, чтобы обрабатывать аудио и текст в одной модели, без отдельной последовательной связки распознавания речи и языковой модели. В карточке Hugging Face указаны варианты GGUF, включая Q4_0, Q4_K_M и Q8_0; лицензия — Apache-2.0. Модель предназначена для голосовых вопросов и ответов, диалога по аудиовводу, создания текстов по голосовым запросам, суммаризации записей и преобразования заметок в более профессиональный стиль. В обучении использовались данные английской речи MLS English 10k, а также этапы supervised fine-tuning и DPO. Заявленная разработчиком цель — быстрый офлайн-инференс на потребительских и периферийных устройствах. Описание не заявляет генерацию аудио или поддержку function calling: эти возможности указаны как планы развития. Языковая поддержка подтверждена для английского; результаты могут зависеть от устройства и выбранной квантизации.

orb-1-mini — компактная модель Orbal для очистки английской диктовки после распознавания речи. Она принимает текст, созданный движком распознавания, и исправляет заполнители пауз, повторы, оговорки и самокоррекции, а также пунктуацию, заглавные буквы и запись чисел. Модель сохраняет слова и их порядок, не сокращает текст, не пересказывает его и не добавляет новую информацию. Предусмотрены промпты для обычной очистки, сообщений в чате и писем. Модель основана на Qwen/Qwen3.5-0.8B и дообучена с помощью LoRA на синтетических примерах, затем объединена и квантизирована до 4-битного формата MLX. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; размер файлов — около 0,42 ГБ. Она предназначена для локального запуска на Apple silicon, например в приложении Orbal для macOS. README сообщает результаты проверки на 178 английских диктовках: для основного промпта 100% примеров прошли проверку на отсутствие добавленного содержания, а смысл сохранился в 99% случаев по слепой оценке. Модель рассчитана только на английский язык. Формы чисел выше 99 и выражения времени вроде «half past two» исключались из обучения и могут оставаться в исходной словесной форме; длинные диктовки обрабатываются медленнее. Указана лицензия Apache-2.0.

Ornith-1.5-35B-A3B-Uncensored-GGUF — производная модель, подготовленная 0xKitkat на основе Ornith-1.5-35B-A3B, Qwen3.6-35B-A3B и аблитерированной версии Qwen3.6-35B-A3B от wangzhang/Abliterix. Модель сохраняет постобучение Ornith для программирования и агентских сценариев, встроенную систему обработки изображений, конфигурацию контекста до 262K токенов и голову multi-token prediction (MTP). Она распространяется в формате GGUF и предназначена для локального запуска через llama.cpp, включая текстовые и визуально-текстовые задачи. Модель имеет обозначение 35B-A3B и архитектурную специализацию MoE; точная структура активных параметров в README не раскрыта. Доступны варианты BF16, Q4_K_M и Q5_K_M, а для обработки изображений требуется отдельный vision projector. В README указана проверка на 20 промптах: эвристических отказов не выявлено, а четыре из четырёх тестов возможностей были пройдены, однако это локальная дымовая проверка, а не полноценное сравнение производительности. Основная особенность — намеренное снижение отказов от ответов с помощью переноса task vector от аблитерированной модели Qwen без замены специализированного постобучения Ornith. При этом «uncensored» не означает гарантированное выполнение любого запроса, а опубликованные бенчмарки исходной Ornith не заявлены как результаты для этой производной модели. Лицензия релиза — Apache-2.0; README также указывает исходные лицензии MIT для Ornith и Apache-2.0 для Qwen.

Ornith-1.5-35B-Uncensored-YMQ-MTP-GGUF — это набор архитектурно-ориентированных квантованных сборок модели Ornith-1.5-35B-A3B-Uncensored, разработанной 0xKitkat. Квантование выполнено проектом ZeroDigest с использованием собственного YMQ-Compiler v2.0 и формата GGUF на основе исходных BF16-файлов. Модель использует архитектуру Mixture-of-Experts (MoE) и предназначена для локального запуска, в том числе в агентских средах RooCode и Aider, а также для генерации текста и задач программирования. Доступны варианты XS, S, M и L размером примерно от 11,5 до 18,6 ГБ, рассчитанные на разные объёмы видеопамяти; вариант M обозначен как рекомендуемый для сценариев с большим контекстом. В описании приведены результаты оценки perplexity на WikiText-2 при окне контекста 4096 токенов: лучший показатель заявлен для варианта M — 12,4310. Архитектурно-ориентированное распределение разрядности призвано лучше сохранять маршрутизацию экспертов и качество рассуждений по сравнению с равномерным квантованием. Ограничения включают зависимость качества и требований к памяти от выбранного пресета, а также отсутствие в предоставленных данных сведений о поддерживаемых языках, максимальном контексте в рабочем режиме и фактической скорости инференса. Модель обозначена как uncensored, поэтому её поведение и защитные ограничения могут отличаться от стандартных инструкционных моделей. Репозиторий распространяется по лицензии Apache-2.0.