I.5Создание и редактирование текста

Mungert/Jan-v1-4B-GGUF — это GGUF-квантизированная версия Jan-v1, небольшой агентной языковой модели, разработанной Jan/Jan AI и основанной на Qwen3-4B-Thinking-2507. Конкретный репозиторий содержит сборки, созданные с использованием llama.cpp; автор применяет собственный подход к квантизации с повышением точности отдельных важных слоёв. В метаданных указан английский язык, размер базовой модели — 4B параметров, модальность — текстовая генерация. Модель предназначена для агентного рассуждения, решения сложных задач, ответов на вопросы, диалогового взаимодействия и использования инструментов, включая сценарии интеграции с Jan App. В исходной карточке заявлены 91,1% точности на SimpleQA и улучшенные возможности рассуждения и tool use, однако приведённые результаты относятся к Jan-v1 в целом и могут не полностью отражать поведение конкретной GGUF-квантизации. Поддерживаются локальный запуск через llama.cpp и интеграция с инструментами, совместимыми с форматом модели. Сильными сторонами являются компактный размер, ориентация на агентные задачи и потенциально более высокая точность при заданном уровне квантизации благодаря повышению точности отдельных слоёв. Ограничения включают зависимость качества от выбранного GGUF-варианта и параметров квантизации, а также отсутствие в карточке точного размера контекста, перечня доступных квантизаций, детальных сравнительных результатов и описания дополнительных языков. Лицензия модели — Apache 2.0.

Jupiter-N-120B — дообученная Locai Labs языковая модель на базе NVIDIA Nemotron-3-Super-120B-A12B. Она предназначена для диалога, следования инструкциям, агентных задач и работы с терминальными сценариями; дообучение усиливает эти возможности и добавляет поддержку валлийского языка и культурную привязку к Великобритании. Модель использует гибридную архитектуру Nemotron-H/LatentMoE с Mamba-2, MoE и attention, а также Multi-Token Prediction. В карточке указано 6,6 млрд параметров, а для базовой модели — 120 млрд параметров, из которых активны 12 млрд. Контекст — до 262 144 токенов. Основные языки карточки — английский, французский, испанский, итальянский, немецкий, японский и китайский; README отдельно отмечает добавленную поддержку валлийского. Модель подходит для задач, где нужны следование сложным инструкциям, агентные действия и терминальные траектории, а также ответы с учётом британского культурного контекста. Лицензия указана как other; условия следует проверять в карточке и материалах модели. Валлийские ответы не прошли обширную проверку носителями языка, культурная привязка не подтверждена человеческой оценкой, а валлийские тесты основаны на адаптированных англоязычных бенчмарках.

Ling-3.0-Tiny-NVFP4-GGUF — квантизированная в формат GGUF версия модели inclusionAI/Ling-3.0-tiny, опубликованная WhiskyAKM. Это компактная гибридная MoE-модель с архитектурой hybrid-linear: в ней чередуются Kimi Delta Attention и Multi-Head Latent Attention, а блок FFN использует 128 маршрутизируемых экспертов. Всего модель содержит 7,9 млрд параметров, из которых на каждом токене активны 1,3 млрд; контекстное окно — 256 тысяч токенов. Модель предназначена для диалогов, рассуждений и вызова инструментов, включая локальный запуск через llama.cpp. Она поддерживает английский и китайский языки, а режим рассуждений можно включать и отключать. Представлен файл с квантизацией NVFP4, рассчитанной на ускорение на оборудовании NVIDIA с поддержкой FP4. Лицензия — MIT. Качество и скорость могут зависеть от аппаратного ускорения и используемой конфигурации llama.cpp.

unsloth/llama-2-7b-bnb-4bit — это 4-битно-квантизированная версия Llama 2 с 7 млрд параметров, подготовленная Unsloth и предназначенная для использования с библиотекой Transformers. Квантизация выполнена напрямую с помощью bitsandbytes, что снижает требования к памяти по сравнению с полноразмерной моделью. Модель ориентирована на запуск и дообучение Llama 2 на ограниченных вычислительных ресурсах, включая видеокарты уровня Tesla T4. Она может использоваться для генерации и продолжения англоязычного текста, а также для прикладного fine-tuning на собственных наборах данных. README упоминает поддержку conversational и text completion сценариев, включая шаблоны ShareGPT ChatML и Vicuna. Ключевые характеристики: архитектура семейства Llama 2, размер 7B, текстовая модальность, основной заявленный язык — английский, формат 4-bit bitsandbytes. Точные параметры контекстного окна и дополнительные языковые возможности в README не указаны. Сильная сторона модели — уменьшенное потребление памяти и возможность более быстрого и доступного дообучения; ограничениями являются потери, связанные с квантизацией, зависимость от совместимого программного окружения и отсутствие подробных данных о качестве, контексте и поведении модели. Указана лицензия Apache-2.0.

Llama-3.2-3B-Instruct-uz — экспериментальная узбекско-английская языковая модель bxod, созданная на базе Meta Llama 3.2 3B Instruct. Модель прошла дополнительное предобучение на 1,2 млрд токенов (80% английского и 20% узбекского текста), а затем дообучение на инструкциях. Она содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов по метаданным; в описании обучения указан контекст 2048 токенов. Модель предназначена для диалогов и генерации текста, а также может применяться к переводу между узбекским и английским, анализу тональности, классификации новостей и ответам на вопросы. Специальный токенизатор сокращает среднее число токенов на узбекское слово, что может повысить скорость обработки узбекского текста и эффективное использование контекста. Для запуска на видеокарте с 4 ГБ VRAM авторы рекомендуют квантизацию. В опубликованных оценках узбекская версия превосходит базовую модель в тестах перевода и анализа тональности на узбекском, но показывает снижение результатов на некоторых англоязычных и классификационных задачах. Авторы обозначают чекпойнт как экспериментальный и устаревший. Лицензия — Llama 3.2; условия её использования определяются соответствующей лицензией Meta.

LongAlpaca-13B — языковая модель на архитектуре Llama, выпущенная командой LongLoRA. Модель содержит 12,9 млрд параметров и дообучена с учителем на наборе LongAlpaca-12k, который включает длинные и короткие вопросы и ответы. Она предназначена для следования инструкциям и ответов на вопросы по длинным текстам, например разделам книг и научным статьям. В README для LongAlpaca-13B указано окно контекста 32 768 токенов; метаданные этой конкретной карточки указывают native context в 4 096 токенов. Поэтому заявленную возможность работы с длинным контекстом следует учитывать с оглядкой на конфигурацию и фактическую поддержку весов. Модель принимает текст и генерирует текст; сведения о поддерживаемых естественных языках не приведены. Для использования весов требуется принять лицензию и политику допустимого использования Meta.

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.

learn3r/longt5_xl_gov_bp_15 — модель суммаризации на базе LongT5 XL, дообученная на наборе learn3r/gov_report_bp. Она использует архитектуру LongT5ForConditionalGeneration и предназначена для создания кратких изложений длинных текстов, в частности правительственных отчётов. Модель содержит 1,5 млрд параметров, работает с текстом и поддерживает контекст до 4096 токенов. В карточке приведено значение loss 1,7126 на оценочном наборе. Модель опубликована в формате PyTorch; лицензия в предоставленных данных не указана. Других сведений о качестве, ограничениях и условиях применения карточка не содержит.

Lucid v1 Nemo — языковая модель DreamGen, дообученная на Mistral-Nemo-Base-2407 и ориентированная на ролевые диалоги и написание историй. Она также может работать как универсальный текстовый ассистент, поддерживает много персонажей, инструкции по ходу сюжета и опциональный режим рассуждений. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров. Контекстное окно составляет 131 072 токена. README описывает специальный шаблон запросов Lucid с ролями для автора, персонажей и повествования; метаданные указывают английский язык карточки и базовую модель характеризуют как многоязычную. Модель принимает текст и генерирует текст. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория. Модель предназначена для творческого письма и ролевых сценариев, однако README не приводит количественных оценок качества.

Карточка модели mergekit-community/mergekit-slerp-ghxdzjf на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели mergekit-community/mergekit-slerp-jgwqzez на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели Hanuman2/mergekit-slerp-xwepacy на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

cloudyu/Meta-Llama-3-8B-Instruct-DPO — чат-модель на архитектуре Llama, дообученная методом Direct Preference Optimization (DPO). В README указано, что метрики улучшались с помощью Truthful DPO на наборе данных jondurbin/truthy-dpo-v0.1. Модель предназначена для диалоговой генерации текста; в метаданных Hugging Face указаны 7,5 млрд параметров, контекст до 8192 токенов и формат Safetensors. Модель может использоваться для ответов на вопросы, ведения диалогов и генерации текста с упором на правдивость ответов. В карточке указана лицензия CC; конкретный вариант лицензии в доступных данных не уточнён.

DareModels/MiniCpm5-Agent — это объединённая модель генерации текста, созданная с помощью mergekit методом TIES. В качестве базовой использована saidutta69/MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking-heretic; в объединение также вошли варианты MiniCPM5, настроенные на рассуждения, агентные сценарии и работу с инструментами. Модель содержит 837,6 млн параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для генерации диалогового текста и агентных сценариев, включая задачи с вызовом инструментов. Она доступна через Transformers. Метаданные и README не сообщают поддерживаемые естественные языки и лицензию, поэтому условия использования по лицензии определить нельзя.

Mistral-Nemo-MCAI-SFT-DPO-revision-only — дообученная разговорная языковая модель на архитектуре Mistral, разработанная pbevan11. Модель дополнительно обучена методом DPO на многоязычных наборах предпочтений и обратной связи, чтобы улучшить выбор предпочтительных ответов и следование инструкциям в диалоге. Модель предназначена для генерации ответов в чат-сценариях. В карточке приведены метрики оценки DPO, включая точность предпочтений 0,6824. Размер модели — 12,1 млрд параметров, заявленная длина контекста — 1 024 000 токенов. Она принимает и генерирует текст; наборы обучения указывают на многоязычную направленность, но конкретные поддерживаемые языки не перечислены. Модель распространяется под лицензией Apache-2.0. Карточка не описывает специальные ограничения или гарантии качества; приведённые метрики относятся к оценочному набору и сами по себе не гарантируют качество на других задачах.

MN-12B-Faun-RP-RU — плотная языковая модель на архитектуре MistralForCausalLM, созданная автором limloop методом TIES-слияния нескольких моделей на базе Mistral Nemo 12B. Она предназначена для ролевых диалогов, творческой генерации и продолжительных бесед, с особым вниманием к выразительности, удержанию персонажа и стилю на русском языке. Модель содержит 12,1 млрд параметров; в карточке указано контекстное окно до 1 024 000 токенов, а автор сообщает о проверке стабильности примерно до 8 192 токенов. Поддерживаются русский и английский языки. Модель может быть полезна для создания ролевых персонажей, художественных сцен и диалогов с устойчивым стилем. Она преимущественно не ограничивает генерацию NSFW-тем, но иногда предваряет ответы на чувствительные запросы предупреждением; в сложных рассуждениях может переключаться на английский. После слияния дополнительное обучение не проводилось. Распространяется по лицензии Apache-2.0.

Z-L-Leo/my-sft-model-20260930-004047 — дообученная модель для генерации текста на базе LiquidAI/LFM2.5-350M. Модель создана с использованием TRL и рассчитана на диалоговый режим; в качестве архитектуры указана плотная LFM2 с классом Lfm2ForCausalLM. Она принимает текстовые сообщения и генерирует текстовые ответы. Модель подходит для диалоговых приложений и генерации ответов на пользовательские вопросы. Размер составляет 444,6 млн параметров, длина контекста — до 128 000 токенов; опубликованные веса представлены в формате safetensors и используют библиотеку Transformers. Данные о лицензии и целевых языках в предоставленных источниках отсутствуют.

Nile-Chat-12B — плотная инструктивно дообученная языковая модель MBZUAI-Paris из семейства Nile-Chat, созданного в рамках проекта Jais. Модель основана на google/gemma-3-12b-pt и содержит 11,6 млрд параметров; для запуска указана библиотека Transformers, веса опубликованы в формате safetensors. Длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогов на египетском арабском, включая арабское письмо и латинскую запись Arabizi; версия 12B рассчитана на сложные многоходовые взаимодействия и понимание нюансов. Подходит для ответов на вопросы, перевода и транслитерации, а также для чат-ботов и создания текстов. Лицензия — Gemma. Как и другие языковые модели, Nile-Chat может допускать фактические ошибки, испытывать трудности с тонкими языковыми нюансами и отражать предвзятость обучающих данных. Для ответственного применения следует проверять ответы и учитывать ограничения модели в конкретной предметной области.

Модель pszemraj/opt-350m-email-generation разработана на основе facebook/opt-350m и дообучена автором репозитория на шесть эпох на наборе AESLC для генерации продолжения электронных писем. Она принимает текстовый промпт, например приветствие и начало письма, и дописывает его; форматирование промпта заметно влияет на результат. Модель построена на архитектуре OPT с 454,1 млн параметров, использует причинную генерацию текста и имеет контекст длиной до 2048 токенов. Модель предназначена для автодополнения и черновиков писем. При подготовке данных предпринималась попытка исключить адреса электронной почты, номера телефонов и другие подобные сведения. В примере README генерация ограничена 64 токенами; для более длинных писем этот предел можно изменить в настройках pipeline. Репозиторий использует лицензию other, а автор указывает на пользовательские ограничения лицензии facebook/opt-350m, включая запрет коммерческого использования.

Helsinki-NLP/opus-mt-en-da — модель машинного перевода на архитектуре Transformer, разработанная проектом OPUS и распространяемая организацией Helsinki-NLP. Она переводит текст с английского на датский; обучение выполнено на данных OPUS. В модели используются нормализация текста и токенизация SentencePiece. Модель относится к семейству Marian и реализована как MarianMTModel; число параметров — 55,3 млн, максимальный контекст — 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. В карточке приведён результат BLEU 60,4 на наборе Tatoeba.en.da. Модель распространяется по лицензии Apache-2.0.

Ornith-1.5-35B-A3B-REAP-20pct — разреженная MoE-модель для генерации текста, программирования и вызова инструментов, созданная oxfrug на основе Ornith-1.5-35B-A3B от ornith-ai. Модель предназначена для локального и самостоятельного развёртывания, особенно в сценариях кодирования, диалогового взаимодействия и tool calling. В метаданных указан английский язык. Модель использует гибридную архитектуру GatedDeltaNet + MoE с 40 слоями. После удаления 20% экспертов в каждом слое осталось 205 экспертов вместо 256, при этом для каждого токена активны 8 экспертов. Активный объём параметров составляет около 3B на токен, размер BF16-весов — примерно 56 ГБ вместо 67 ГБ у базовой модели. Общие эксперты, vision tower, эмбеддинги и lm_head не изменялись; архитектура обозначена как Qwen3_5MoeForConditionalGeneration, поэтому модель поддерживает текстово-мультимодальный интерфейс базовой архитектуры. Для работы требуются transformers версии 5.8.1 или новее; для vLLM заявлена конфигурация с контекстом до 262144 токенов. Главное преимущество — экономия около 11 ГБ дискового пространства при сохранении примерно 3B активных параметров на токен и совместимость с transformers и vLLM. Ограничения связаны с потерей качества из-за pruning: модель не является lossless-копией и не является квантизированной или дообученной. Для этого чекпойнта не проводились полноценные тесты SWE-bench, Terminal-Bench и GPQA, а опубликованные результаты родственной модели нельзя переносить на него. Калибровка выполнялась на последовательностях длиной 1024 токена, что также может повышать риск ухудшения специализированных возможностей, включая tool calling. Модель распространяется по лицензии MIT. Она требует значительных ресурсов: это не вариант для одной видеокарты на 24 ГБ; для длинного контекста в vLLM рекомендуется конфигурация с двумя GPU по 80 ГБ. Форматы GGUF для данного pruning в README не заявлены.

Ornith-1.5-9B-Omni-GGUF — мультимодальный набор моделей, опубликованный cudabenchmarktest в формате GGUF и предназначенный для запуска через Ollama вместе с адаптером Robit. В состав входят текстовая модель Ornith 1.5 9B с пониманием изображений, инструментами и опциональным режимом рассуждений, граф Qwen3-Omni для анализа аудио, изображений и видео, а также Qwen3-TTS для синтеза речи. Компоненты работают как отдельные графы, связанные семантическим адаптером. Набор поддерживает генерацию текста и речи, распознавание речи, интерпретацию окружающих звуков, понимание изображений и анализ выбранных кадров видео. Основной GGUF-файл является контейнером sidecar с шестью представлениями моделей и проекторов, а не самостоятельной стандартной моделью Ollama. Текстовые функции и понимание изображений запускаются через стандартный Ollama; для аудио, видео и синтеза речи требуется адаптер Robit с закреплённой версией llama.cpp. Генерация видео не поддерживается. В метаданных указан формат GGUF и лицензия «other»; конкретные условия лицензии следует сверить с опубликованными уведомлениями и источниками компонентов. README предупреждает, что мультимедийные данные, транскрипты, OCR, подписи и результаты инструментов следует считать недоверенным вводом.

RedHatAI/phi-2-pruned50 — версия модели Phi-2, оптимизированная для NM-vLLM, движка высокопроизводительного обслуживания сжатых языковых моделей. В метаданных указаны архитектура PhiForCausalLM и 3,5 млрд параметров; модель основана на microsoft/phi-2 и отмечена как дообученная производная. README описывает разреживание модели с помощью SparseGPT. Модель предназначена для генерации текста локально и обслуживания через NM-vLLM с целью ускорить инференс и снизить потребление памяти. Базовая Phi-2 ориентирована на английский язык, ответы на вопросы и генерацию кода. Контекст модели составляет 2048 токенов. Файлы репозитория представлены в формате safetensors. Карточка не сообщает лицензию и не уточняет ограничения качества после разреживания. Для применения следует учитывать короткий контекст и проверять качество на своих запросах.

huihui-ai/Phi-4-mini-reasoning-abliterated — экспериментальная версия Microsoft Phi-4-mini-reasoning, созданная автором huihui-ai методом abliteration: из модели удалены отказы на запросы. Автор характеризует реализацию как грубое доказательство концепции; модель рассчитана на диалоговое использование и генерацию текста, в том числе для математических рассуждений и программирования, унаследованных от базовой модели. Модель загружается через библиотеку Transformers; автор также приводит вариант запуска через Ollama и тег версии 3.8b. В метаданных указаны английский язык, архитектурное семейство Phi-3, поддержка чата и кода, а также формат safetensors. Лицензия — MIT. Abliteration снижает склонность к отказам, поэтому поведение модели может отличаться от исходной версии; автор предупреждает, что переключатель режима рассуждений /no_think срабатывает не всегда.

Phoenix-X-26B-A4B — мультимодальная модель на архитектуре Gemma 4, созданная Vortex5 слиянием нескольких моделей на базе google/gemma-4-26B-A4B-it и других вариантов Gemma 4. Она предназначена для диалогов с персонажами, ролевых сцен, творческого письма, генерации историй и развития сюжетов, а также может принимать изображения и отвечать на них текстом. По данным каталога, модель использует класс Gemma4ForConditionalGeneration, доступна в формате safetensors и поддерживает чат и зрение. Репозиторий распространяется по лицензии Apache-2.0. Модель подходит для генерации диалогов и художественного текста, создания вариантов сцен, идей и элементов вымышленных миров. README не сообщает размер параметров и длину контекста, поэтому эти характеристики не приводятся. Качество и поведение могут зависеть от задачи и от способа слияния исходных моделей; отдельные результаты оценки в карточке не описаны.

Экспериментальная чат-модель tavtav на архитектуре Llama, созданная дообучением базовой Llama-3-8B. Модель содержит 7,5 млрд параметров и принимает диалоги в формате ChatML; заявленная длина контекста расширена до 1 048 576 токенов с помощью метода PoSE. Модель предназначена для генерации текста и ведения диалогов с длинным контекстом. Обучение завершено лишь наполовину первого из двух запланированных эпох, поэтому качество и устойчивость ответов могут быть ограничены. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

Jackrong/Qwen3.5-9B-GLM5.1-Distill-v1-GGUF — экспериментальная дистиллированная версия Qwen3.5-9B, разработанная Jackrong. Модель дообучена методом supervised fine-tuning с использованием Unsloth и LoRA на отфильтрованных данных рассуждений, созданных на основе GLM-5.1. В README также указана лицензия Apache-2.0. Модель предназначена для локального запуска и генерации ответов в диалоговых, инструкционных, математических, STEM- и кодовых сценариях. Основной акцент сделан на многошаговом рассуждении, декомпозиции задач, соблюдении инструкций и более структурированной организации ответов. Заявлена поддержка английского, китайского, японского и испанского языков. По метаданным репозитория модель относится к multimodal и image-text-to-text моделям с поддержкой vision, однако подробности о поддерживаемых форматах изображений и способах их обработки не приведены. Ключевая характеристика — размер 9 млрд параметров и дистилляция структуры рассуждений GLM-5.1, а не простое копирование ответов учителя. Ожидаемые преимущества включают более стабильное многошаговое рассуждение, лучшую декомпозицию задач и более последовательное следование инструкциям. При этом автор отмечает, что улучшения для модели такого масштаба, вероятно, будут постепенными, а не радикальными. README не содержит сведений о размере контекста, точной архитектуре мультимодальной части, количественных результатах бенчмарков и ограничениях безопасности, поэтому эти характеристики нельзя оценить дополнительно.

Qwen3.6-35B-A3B-StyleTune — модель Gryphe, созданная на основе Qwen/Qwen3.6-35B-A3B для диалогов и творческого письма с изменённым стилем повествования. Это мультимодальная модель семейства Qwen3.5 MoE; карточка Hugging Face помечает её задачей image-text-to-text, а также указывает поддержку диалогов, следования инструкциям и анализа изображений. Размер базовой модели — 35 млрд параметров. При дообучении изменён только один тензор — выходная проекция lm_head; остальные веса заморожены. Автор сообщает о снижении числа клише на 46,9% в тесте на 200 ролевых запросах и отмечает, что возможности базовой модели, включая рассуждение и понимание инструкций, сохранены. Модель рассчитана прежде всего на повествовательные ответы и ролевые диалоги; для генерации рекомендуется шаблон чата Qwen3.6, а режим thinking включён по умолчанию. Модель распространяется по лицензии Apache-2.0. Заявленные стилевые результаты основаны на ограниченном наборе ролевых запросов и не гарантируют такого же эффекта в других сценариях; автор также отмечает склонность Qwen к повторам и рекомендует настраивать сэмплирование.

Это квантованные варианты MXFP4 модели Qwen3.6-35B-A3B-uncensored-heretic, опубликованные noctrex в формате GGUF для запуска через llama.cpp. Модель относится к семейству Qwen и использует архитектуру MoE; поддерживает диалог и анализ изображений, принимая текст и изображения и выдавая текст. Модель подходит для диалоговых сценариев, вопросов по изображениям и агентного программирования. Веса экспертов MoE представлены в MXFP4; репозиторий также содержит варианты GGUF BF16, F16 и F32. Для обработки изображений автор рекомендует mmproj в F32. README приводит размеры BF16 и F16 вариантов около 20,55 GiB и Q8 — около 18,88 GiB. Это производная от llmfan46/Qwen3.6-35B-A3B-uncensored-heretic модель с ослабленными отказами. Такая настройка может приводить к ответам на запросы, от которых обычные модели отказываются. Данные о лицензии и длине контекста в предоставленных источниках отсутствуют.

gjtgjt создал abliteration-версию Qwen/Qwen3.8-27B с помощью Heretic v1.4.0. Это доработка готовых весов, а не новое предобучение или SFT: изменена часть проекций языковых слоёв, тогда как токенизатор, шаблон чата, визуальный энкодер и блок MTP сохранены. Модель использует плотную гибридную архитектуру Qwen3.5 с 64 языковыми слоями: 48 Gated DeltaNet и 16 Gated Attention. Она принимает текст и изображения и предназначена для диалогов, анализа изображений и многошаговых запросов; описание базовой модели также указывает на поддержку видео и программирования. Языковые теги карточки — английский и китайский. Изменение направлено на снижение шаблонных отказов на английских запросах. В приведённой оценке число маркеров отказа на 100 вредоносных запросов снизилось с 98 у базовой модели до 27; KL-дивергенция на 100 безвредных запросах составила 0,0446. Это не гарантия безопасности и не подтверждение качества на других языках или модальностях. Для режима без рассуждений README рекомендует передавать enable_thinking=False. Модель распространяется по лицензии Apache-2.0.