I.5Создание и редактирование текста

Werea-TR-Summarizer — турецкая модель для автоматического составления кратких выжимок из новостных текстов. Репозиторий GoktugD является зеркалом Werea-co/Werea-TR-Summarizer; модель разработана на базе google/mt5-small и дообучена на 50 тысячах пар «новость — резюме» из набора TR-News. Это encoder-decoder модель mT5 с 157,4 млн параметров, сохранённая в формате safetensors. Для генерации используется префикс «özet: ».

Werea-TR-Summarizer — компактная модель для автоматического составления кратких пересказов новостей на турецком языке. Её разработчик — Werea; модель дообучена на базе google/mt5-small с архитектурой mT5 и содержит 157,4 млн параметров. Модель обучалась на 50 тысячах пар новостей и кратких пересказов из датасета TR-News. Для запуска через Transformers перед текстом новости используется префикс «özet: ». В карточке приведены результаты на тестовой выборке из 400 примеров: ROUGE-1 — 32,5, ROUGE-2 — 20,3 и ROUGE-L — 29,4. Модель предназначена для суммаризации турецких новостей. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT.

XuanYuan2-70B-Chat — Duxiaoman-DI выпустила эту чат-модель на архитектуре LLaMA с 68,8 млрд параметров. Она создана на базе XuanYuan-70B: модель продолжительно обучали на дополнительных высококачественных данных, затем дообучили на инструкциях и с помощью RLHF. Вариант Chat предназначен для диалога и выполнения пользовательских инструкций общего и финансового характера. Модель поддерживает контекст до 16 384 токенов и рассчитана на работу с текстом. В карточке отмечено улучшение китайских возможностей при сохранении английских; отдельный акцент сделан на финансовых знаниях. Для запуска доступны веса safetensors, а в семействе также существуют отдельные 8- и 4-битные версии Chat. Модель подходит для диалоговых помощников, ответов на финансовые вопросы и анализа длинных текстовых запросов. Оценки на наборах CEVAL, CMMLU и FinanceIQ показывают сильные результаты, но авторы предупреждают, что тестовые показатели не полностью отражают качество в реальных сценариях; также отмечены просадки в отдельных финансовых категориях. Лицензия — Llama 2 Community License; перед использованием следует учитывать её условия.

Nous-Yarn-Llama-2-13b-128k — плотная авторегрессионная языковая модель семейства Llama 2, разработанная NousResearch и дополнительно предобученная на подмножестве датасета PG19 в течение 600 шагов. Модель рассчитана на генерацию текста с длинным контекстом до 131 072 токенов и содержит 12,9 млрд параметров. Модель подходит для генерации продолжений текста и работы со значительным объёмом контекста, например анализа длинных документов или книг. Это версия с патчем Flash Attention 2; для корректной работы требуется библиотека Flash Attention. В карточке упомянуты планы дальнейшего обучения и дообучения для повышения качества работы с длинным контекстом, а результаты бенчмарков обозначены как TODO. Модель построена на базе Llama 2 и представлена в формате PyTorch. Языковая поддержка отдельно не заявлена. Условия лицензирования в предоставленных данных не описаны.

Nous-Yarn-Llama-2-70b-32k — языковая модель от NousResearch, основанная на Llama 2 70B и дополнительно обученная на данных для длинного контекста. Авторы применили метод YaRN и провели 400 шагов дополнительного предобучения. Модель предназначена для генерации текста и работы с длинными документами; в README заявлено окно контекста до 32 тыс. токенов. В метаданных указаны архитектура LlamaForCausalLM, плотная модель с 68,7 млрд параметров, библиотека Transformers и формат PyTorch. В сравнительных тестах авторы сообщают о сохранении результатов на коротком контексте и показателях perplexity для контекстов до 32 тыс. токенов. В метаданных указана длина контекста 8192 токена, что расходится с заявленными в README 32 тыс.; фактическую поддержку максимальной длины следует проверять в используемой конфигурации. Модель рассчитана на английский язык. Лицензия — Apache 2.0.

NousResearch/Yarn-Llama-2-7b-64k — плотная авторегрессионная языковая модель семейства Llama 2, созданная командой Nous Research и дополнительно предобученная на длинных текстах. Для обучения использовалась часть набора PG19; модель обучали ещё 400 шагов, чтобы она могла работать с контекстом до 65 536 токенов. Представленная версия адаптирована для Flash Attention 2 и требует установленной библиотеки Flash Attention для корректной работы. Модель предназначена для генерации текста с учётом длинного контекста: например, для продолжения и анализа больших документов или длинных последовательностей текста. В метаданных указано 6,6 млрд параметров и формат PyTorch. Карточка сообщает о планах улучшить качество на длинном контексте и провести дообучение в формате инструкций, поэтому модель не следует считать специализированным чат-ассистентом. Лицензия в предоставленных данных не указана.

Koshkasa/ArliAI_GLM-4.5-Air-Derestricted_REAP50_Creative — англоязычная модель генерации текста для творческих задач, созданная на основе ArliAI/GLM-4.5-Air-Derestricted. Разработчик применил REAP с сокращением модели на 50% и использовал набор данных creative-writing-reap-calibration для калибровки; README указывает, что данные и объём записанных активаций меньше, чем в описанном ранее подходе Cerebras. Архитектура — GLM-4 MoE, класс Glm4MoeForCausalLM; в метаданных указано 8,5 млрд параметров и контекст 131 072 токена. Доступны веса Safetensors и GGUF Q8_0. Модель рассчитана прежде всего на творческое письмо на английском языке в условиях ограниченной памяти. Она унаследовала от базовой модели диалоговый режим и гибридные режимы рассуждения; исходная модель семейства GLM-4 предназначена также для кода и агентных сценариев, но карточка этой версии акцентирует творческие задачи. README сообщает, что MTP-слой не был прорежен и сейчас удалён из модели. Лицензия — MIT.

A.X 4.0 Light — компактная языковая модель компании SK Telecom, выпущенная в июле 2025 года. Она основана на Qwen2.5 и дополнительно обучена на крупных корейских наборах данных. В репозитории указана архитектура Qwen2 и размер около 6,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. Контекст модели — до 16 384 токенов. Модель предназначена для понимания корейского языка и практических задач в деловой среде: диалогов, ответов на вопросы и работы с длинными документами. Разработчик сообщает о высоких результатах на корейских тестах KMMLU и CLIcK и об эффективном использовании токенов для корейского текста. README также описывает вариант семейства на 72 млрд параметров; этот репозиторий содержит облегчённую версию. Модель распространяется по лицензии Apache-2.0.

BanglaT5 — предварительно обученная модель семейства T5, разработанная CSE BUET для работы с текстом на бенгальском языке. Это плотный трансформер с архитектурой T5ForConditionalGeneration и примерно 123,8 млн параметров; модель обучена по задаче восстановления удалённых фрагментов текста и рассчитана на дообучение для прикладных задач генерации. После дообучения на соответствующих данных BanglaT5 применяют для машинного перевода, абстрактного суммирования, ответов на вопросы, диалогов и создания заголовков новостей. Для получения наилучших результатов входной текст следует нормализовать рекомендованным авторами конвейером до токенизации. Репозиторий содержит предварительно обученный чекпойнт в формате PyTorch. В карточке не указана лицензия, поэтому условия использования следует проверить отдельно. Сам чекпойнт предназначен для адаптации: готовые результаты для конкретной задачи зависят от дообучения.

Behemoth-123B-v1.2 — большая языковая модель семейства Mistral, опубликованная TheDrummer и представленная BeaverAI. Она предназначена прежде всего для диалогов и творческого ролевого взаимодействия: авторы отмечают разнообразную прозу, естественные ответы и способность поддерживать характер персонажа. Модель содержит 122,2 млрд параметров, использует плотную архитектуру MistralForCausalLM и имеет контекстное окно до 131 072 токенов. В карточке указана поддержка шаблона чата Metharme; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текстовые запросы и генерирует текст. В README предпочтение отдано ролевому формату с действиями, диалогом, мыслями и повествованием от первого лица. Карточка не сообщает о поддерживаемых языках, поэтому языковую специализацию определить нельзя. Лицензия обозначена как other; конкретные условия использования следует уточнять в репозитории модели. Оценки качества в README основаны на отзывах сообщества и не являются независимыми результатами тестирования.

BlueLight-12B — слитая языковая модель на архитектуре Mistral Nemo, опубликованная yamatazen. Она объединяет пять предварительно обученных моделей методом Model Stock с помощью mergekit; базой слияния служит nbeerbower/mistral-nemo-gutenberg-12B-v4. В токенизатор добавлены токены ChatML для диалогового формата. Модель содержит 12,1 млрд параметров и распространяется в формате safetensors для Transformers. Модель предназначена для генерации текста в диалогах, ролевых сценариях и художественном письме. Она поддерживает английский и японский языки; метаданные указывают контекст до 1 024 000 токенов. Для использования предоставлена лицензия из метаданных Hugging Face, однако её значение здесь не указано.

Narrativa/bsc_roberta2roberta_shared-spanish-finetuned-mlsum-summarization — испаноязычная модель суммаризации новостных статей, созданная на основе чекпойнта BSC-TeMU/roberta-base-bne. Это энкодер-декодер на базе RoBERTa, дообученный на испанской части набора MLSUM. Модель принимает текст статьи и генерирует краткое текстовое резюме. В карточке приведены результаты на тестовой выборке MLSUM: ROUGE-2 F1 — 10,69. Модель ориентирована на испанские новости; показатели не гарантируют аналогичного качества на других типах текстов и языках. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

ChatAllInOne-Mistral-7B-V1 — чатовая языковая модель, созданная DrNicefellow дообучением Mistral 7B с помощью QLoRA и Unsloth на наборе данных CHAT-ALL-IN-ONE-v1. Она предназначена для генерации ответов в диалогах — от непринуждённого общения до формальных и тематических бесед — и использует формат запросов Vicuna 1.1. Модель с плотной архитектурой Mistral содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текстовые ответы, стараясь сохранять связность в продолжительных диалогах. В репозитории опубликованы веса Safetensors. Модель выпущена под лицензией Apache-2.0.

MaziyarPanahi/codegemma-7b-it-GGUF — это набор файлов модели в формате GGUF для оригинальной модели google/codegemma-7b-it, разработанной Google и преобразованной в GGUF пользователем MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, а также может применяться в локальных приложениях и инструментах, совместимых с GGUF, включая llama.cpp, LM Studio, GPT4All и llama-cpp-python. В репозитории представлены варианты квантизации с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файла, требованиями к памяти и качеством генерации. Указан размер базовой модели — 7B параметров; формат GGUF ориентирован на эффективный запуск, в том числе с аппаратным ускорением. README не содержит сведений о поддерживаемых языках, длине контекста, точной архитектуре или специализированных возможностях CodeGemma, поэтому эти характеристики нельзя достоверно уточнить. Основные преимущества — наличие нескольких уровней квантизации и совместимость с широким набором локальных клиентов и библиотек. Ограничения связаны с потенциальной потерей качества при использовании более агрессивной квантизации, а также с отсутствием в карточке подробных оценок и характеристик. В метаданных указана лицензия Gemma.

Codetulu 2 13B — англоязычная модель-помощник, разработанная AllenAI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на базе codellama/CodeLlama-13b-hf на смеси общедоступных, синтетических и созданных людьми инструкций и диалогов Tulu V2. Модель работает с текстом и поддерживает контекст до 8192 токенов. Модель предназначена для генерации ответов на инструкции и ведения диалогов, а также может использовать возможности базовой CodeLlama при работе с кодом. Для генерации следует подавать текст в формате, описанном в карточке модели, включая завершающий перевод строки. Модель преимущественно рассчитана на английский язык. Модель выпущена под лицензией AI2 ImpACT Low-risk. В карточке отмечено, что модель не прошла выравнивание безопасности на этапе RLHF и не использует фильтрацию ответов во время работы, поэтому может выдавать проблемный контент, особенно в ответ на соответствующие запросы.

DeepSeek-V4-Flash-MXFP4-GGUF — конверсия официальных весов DeepSeek-V4-Flash в формат GGUF, подготовленная для локального запуска и тестирования. Модель построена на архитектуре Mixture-of-Experts и поддерживает диалоговую генерацию текста; файлы сохраняют маршрутизируемые экспертные веса в MXFP4, а плотные веса и тензоры — в исходных типах FP8, BF16 и F32 либо в варианте совместимости с F16 и Q8_0. Репозиторий содержит два файла размером около 156 и 158 ГБ. Для запуска требуются runtime с поддержкой архитектуры DeepSeek V4 и соответствующих типов тензоров; README указывает на V4-совместимую ветку llama.cpp. Вариант Q8Compat проверен короткими тестами на фактический ответ, JSON, структуру вызова инструмента и генерацию кода. Файлы конверсии помечены как находящиеся в разработке и проходят валидацию, поэтому совместимость и корректность ещё ограничены. Лицензия — MIT.

postbot/distilgpt2-emailgen — модель генерации текста, созданная дообучением distilgpt2 командой postbot на наборе примерно из 50 тысяч писем, включая aeslc. Она продолжает заданное начало письма, чтобы помочь быстрее составлять предсказуемые деловые сообщения; для управления продолжением ей нужен осмысленный текстовый фрагмент, и README отмечает, что формат и структура начального текста заметно влияют на результат. Модель основана на архитектуре GPT-2 и рассчитана на контекст до 1024 токенов. Веса опубликованы в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Результаты генерации следует проверять перед отправкой: модель может предлагать ложные утверждения или менять смысл отрицаний. В README приведено значение loss 2,6247 на наборе оценки, но оно не гарантирует качество каждого продолжения.

DocuBrief — языковая модель для суммаризации документов, созданная разработчиком samandar1105 путём дообучения Qwen/Qwen2.5-1.5B-Instruct с помощью QLoRA. Модель обучена на 4000 примерах, подготовленных на основе CNN/DailyMail, и предназначена для работы вместе с RAG- или chunking-слоем, который передаёт ей содержимое документа. Модель формирует ясные, структурированные и ориентированные на исходный текст краткие пересказы. Её можно применять для суммирования новостных статей и документов на английском языке; для длинных документов предполагается обработка фрагментов с помощью map-reduce или RAG. Это плотная авторегрессионная архитектура Qwen2 с 1,5 млрд параметров и контекстом до 32 768 токенов. Модель обучалась на новостных текстах, поэтому для юридических, медицинских, научных и других узкоспециализированных документов качество может быть ниже. Для произвольных больших документов требуется внешний слой разбиения и передачи содержания. Лицензия — Apache-2.0.

Katayoon/DPO-ONLY-Zephyr-7B-2-iter-1 — диалоговая языковая модель, разработанная Katayoon как дообученная версия Katayoon/DPO-ONLY-Zephyr-7B на обновлённом и исходном наборах данных. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текстовых ответов. Её можно использовать в чат-ботах и для создания ответов на текстовые запросы. Доступны веса в формате safetensors; лицензия — MIT. README не приводит сведения о результатах оценки или конкретных ограничениях модели.

Карточка модели Elio2151/Gemma-2-9B-Instruct-TechnicalAgentFineTuned-Merged_6 на Hugging Face совпадает с карточкой Elio2151/Gemma-2-9B-Instruct-TechnicalAgentFineTuned-Merged_5, поэтому описание составлено по ней. Elio2151/Gemma-2-9B-Instruct-TechnicalAgentFineTuned-Merged_5 — дообученная чат-модель Elio2151 на архитектуре Gemma 2. В качестве основы использована unsloth/gemma-2-9b-it-bnb-4bit; модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на вопросы, составления текстов и помощи в технических задачах. Она содержит около 9 млрд параметров, принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 8192 токена. В репозитории указаны веса safetensors. Модель распространяется по лицензии Apache 2.0. README не описывает конкретный набор обучающих данных, результаты оценки качества или специальные ограничения применения.

VIDraft/Gemma-3-R1984-1B — диалоговая модель на базе Gemma 3, представленная как мультимодальная платформа с поиском в интернете и обработкой файлов. README указывает базовую модель Gemma-3-4B, тогда как метаданные связывают репозиторий с дообученной google/gemma-3-1b-it; поэтому происхождение и размер надёжнее определяются по метаданным: это дообучение плотной Gemma 3 на 1 млрд параметров. Модель использует Transformers, поддерживает чат и заявленный контекст до 8 000 токенов; метаданные указывают нативный контекст 32 768 токенов. Заявленные сценарии включают ответы на вопросы по изображениям и видео, анализ документов, сравнение материалов и исследовательские запросы с поиском через SERPHouse и цитированием источников. README описывает входные файлы PNG, JPG, JPEG, GIF, WEBP, MP4, PDF, CSV и TXT, однако эти возможности относятся к платформе и не подтверждены архитектурой текстовой модели в метаданных. Для веб-поиска требуется API-ключ SERPHouse; заявленный локальный запуск зависит от окружения и оборудования. Лицензия в метаданных — Gemma; README дополнительно упоминает MIT для агентной платформы.

Crystalcareai/Gemma-COT — дообученная Crystalcareai модель семейства Gemma с плотной архитектурой GemmaForCausalLM и примерно 8,2 млрд параметров. Модель обучали в течение трёх эпох на датасете Crystalcareai/alpaca-gpt4-COT, поэтому она предназначена для генерации текста с рассуждениями в стиле chain-of-thought и ответов на инструкции.

Это динамически квантизованная до INT8 версия GPT-J 6B в формате ONNX, подготовленная Intel с помощью Intel Neural Compressor. Модель построена на архитектуре Transformer GPT-J для авторегрессионной генерации текста; исходная GPT-J разработана на базе Mesh Transformer JAX. В карточке указано 6 млрд параметров, а контекст составляет 2048 токенов. Модель предназначена для инференса генерации текста и может служить исходной точкой для дообучения под конкретные задачи. В README для набора Lambada приведена точность 0,7926 для INT8-версии против 0,7954 у FP32; размер указан как 6 ГБ вместо 23 ГБ. Модель работает с текстом на английском языке. Репозиторий распространяется по лицензии Apache-2.0. Это базовая языковая модель, поэтому для специализированных сценариев обычно требуется дообучение. Она не должна применяться для намеренного создания враждебной или отчуждающей среды для людей.

Grok 4.3 — мультимодальная модель рассуждений от SpaceXAI. Она принимает текст и изображения и генерирует текстовые ответы; предназначена для агентных сценариев, выполнения инструкций и задач, требующих высокой фактической точности. Модель подходит для приложений, в которых нужно анализировать текстовые запросы и изображения, следовать инструкциям и формировать ответы для дальнейших действий агента. Данных о размере, архитектуре, длине контекста, поддерживаемых языках и лицензии в предоставленной карточке нет.

Hollow-Tail-V1-12B — объединённая модель для генерации текста, созданная starble-dev с помощью mergekit из трёх моделей на базе Mistral-Nemo: Tess-3-Mistral-Nemo-12B, MN-12B-Lyra-v2a1 и Rocinante-12B-v1.1. Это плотная авторегрессионная модель MistralForCausalLM размером 12,1 млрд параметров; веса опубликованы в формате safetensors. В карточке указано контекстное окно до 1 024 000 токенов. Модель предназначена для диалогов и творческого письма: генерации прозы, ролевых сцен и приключенческих историй. Автор отмечает, что для начала полезно задавать модели роль через системную инструкцию; формат запросов и параметры сэмплирования стоит подбирать экспериментально. В качестве отправной точки автор рекомендует температуру 1,2, Min P 0,05 и штраф за повторы 1,08. Ограничения: модель может некорректно завершать ответы, а результат чувствителен к формату промпта и параметрам генерации. Лицензии исходных моделей различаются: одна из них CC BY-NC 4.0, другая Apache-2.0, а для третьей лицензия в README не указана; условия использования объединённой модели следует проверять отдельно.

HoloViolet-7B-test3 — слитая с помощью LazyMergekit модель от автора son-of-man на архитектуре MistralForCausalLM. В конфигурации task arithmetic объединены mistralai/Mistral-7B-v0.1 и три модели: GreenNode/GreenNode-mini-7B-multilingual-v1olet, KoboldAI/Mistral-7B-Holodeck-1 и FPHam/Sydney_Pirate_Mistral_7b. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и может применяться для продолжения историй и создания художественного текста; базовые компоненты ориентированы на многоязычную генерацию и художественное письмо. Языковая поддержка явно не перечислена. Лицензия в предоставленных данных не указана.

HopCoder Mini 35B A3B VL36 Full-SFT GGUF — это конверсия и набор GGUF-квантовок модели TaimoorSiddiqui/HopCoder-Mini-35B-A3B-VL36-fullsft, разработанной TaimoorSiddiqui. Модель получила 400 шагов full fine-tuning и предназначена для запуска через llama.cpp, включая сценарии генерации текста, vision-language задач и агентских приложений с вызовами инструментов. Формат вызова инструментов использует JSON внутри тегов <tool_call>. Архитектура относится к классу mixture-of-experts (MoE) и обозначена как 35B A3B; точные параметры модальностей, размер контекста и языковая поддержка в README не указаны, за исключением английского языка в метаданных. Репозиторий содержит варианты от BF16 и F16 до различных квантовок Q2–Q8 и TQ2, что позволяет выбирать компромисс между качеством, размером файлов и требованиями к ресурсам. Квантовки низкой точности IQ2_*, IQ3_*, IQ4_* и Q2_K_S отсутствуют, поскольку требуют importance matrix calibration, которая не применялась. Лицензия указана как other. Обучающий набор включает источники с лицензиями Apache-2.0, AGPL-3.0, MIT и other, поэтому производную модель нельзя автоматически считать распространяемой на условиях permissive-лицензии; условия использования следует проверять отдельно.

satgeze/Hy3-1M-GGUF — это GGUF-квантизированная версия модели Tencent Hy3, основанной на архитектуре hy_v3. Модель имеет MoE-архитектуру примерно на 299 млрд параметров, из которых около 17 млрд активны при генерации. Конвертация в GGUF и расширение контекстного окна выполнены сообществом; заявлена поддержка llama.cpp, включая MTP speculative decoding. Модель предназначена для генерации текста, рассуждений и работы с очень большими документами или наборами данных, где требуется контекст до 1 048 576 токенов. Для расширения контекста используется YaRN. Поддержка длинного контекста подтверждена тестами Needle-in-a-Haystack: достигнут результат 10/10 на длине до 786 тысяч токенов, тогда как на полном окне в 1 миллион токенов средний результат составил около 70% на иглу и зависит от случайного начального состояния. На 524 тысячах токенов многозвенное извлечение достигло 4/5. Доступны варианты с различной степенью квантования, включая IQ1_M, IQ2_M, Q2_K и Q4_K_M. Более агрессивные варианты требуют меньше памяти, но заметнее теряют качество; в README IQ2_M рекомендован как практический компромисс, тогда как IQ1_M описан как наиболее слабый. Для запуска нужен недавний mainline llama.cpp с поддержкой hy_v3 и MTP, а также исправленный шаблон чата chat_template_llamacpp.jinja. MTP показал сопоставимое с официальной реализацией Tencent поведение и может ускорять декодирование на CUDA, но эффективность зависит от порога уверенности и конфигурации. Модель распространяется по лицензии Apache 2.0. README не указывает поддерживаемые естественные языки и не содержит полноценных сравнительных оценок качества, поэтому её языковые возможности и общую точность следует проверять отдельно.

Hy-MT2-30B-A3B-uncensored-heretic-i1-GGUF — GGUF-квантизированная версия модели OS-Software/Hy-MT2-30B-A3B-uncensored-heretic, подготовленная и опубликованная mradermacher. Модель предназначена для многоязычных задач обработки текста, включая перевод; в карточке заявлена поддержка китайского, английского, французского, португальского, испанского, японского, турецкого, русского и ряда других языков. В названии указана конфигурация 30B-A3B, однако подробности архитектуры, размер контекста и точное соотношение активных и общих параметров в README не раскрыты. Доступны многочисленные варианты GGUF-квантизации размером примерно от 6,3 до 21,5 ГБ, включая IQ- и Q-серии. Это позволяет выбирать между требованиями к памяти, скоростью и качеством; для некоторых вариантов отдельно отмечены низкое качество, а Q4_K_M обозначен как быстрый и рекомендуемый. К сильным сторонам относятся широкий набор поддерживаемых языков, ориентация на перевод и возможность локального запуска через формат GGUF. Ограничения зависят от выбранного уровня квантизации: компактные варианты могут заметно терять в качестве, а для запуска более крупных файлов требуется значительный объём памяти. Модель помечена как uncensored и decensored, поэтому её поведение в отношении ограничений безопасности может отличаться от стандартных инструкционных моделей. Лицензия — Apache-2.0.

Impish_QWEN_7B-1M — разговорная модель SicariusSicariiStuff на архитектуре Qwen2, дообученная на базе Qwen/Qwen2.5-7B-Instruct-1M. Она предназначена прежде всего для ролевых диалогов и творческого письма, а также для общих задач генерации текста. Разработчик описывает её стиль как игривый и дерзкий, с умеренной цензурой и высокой готовностью следовать запросам. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 1 010 000 токенов; поддерживает ChatML и формат SICAtxt для ролевых сценариев. Карточка рекомендует модель для ролевых историй, интерактивных приключений и творческого письма. Также приведены настройки генерации и результаты отдельных бенчмарков. По сравнению с более крупной версией на 14B модель меньше, а автор отмечает, что ей может не хватать возможностей более крупной модели. Распространяется под лицензией Apache-2.0.