I.5Создание и редактирование текста

unicamp-dl/translation-en-pt-t5 — модель семейства T5, разработанная командой unicamp-dl для перевода с английского на португальский. Это плотная модель с архитектурой T5ForConditionalGeneration и примерно 123,8 млн параметров; она работает с текстом и рассчитана на контекст до 512 токенов. Модель предназначена для машинного перевода EN→PT. В карточке отмечены изменения токенизатора и постобработки, призванные улучшить результат, а также использование предварительно обученной португалоязычной модели. Для запуска предлагается библиотека Transformers; перед текстом нужно указать префикс задачи T5. Лицензия в предоставленных данных не указана.

Tulu V2.5 DPO 13B StackExchange — англоязычная диалоговая модель-помощник от Allen Institute for AI. Она основана на Tulu 2 и дополнительно обучена методом DPO на 500 тысячах примеров из парного датасета StackExchange; архитектура — плотная Llama с 12,9 млрд параметров, контекст — до 4096 токенов. Модель предназначена для генерации текста в ответ на инструкции и вопросы, в том числе для диалогов и ответов в стиле StackExchange. README рекомендует использовать предусмотренный шаблон чата с завершающим переводом строки. Модель доступна по лицензии Apache 2.0. Возможны небезопасные или проблемные ответы: модель не проходила настройку на безопасные завершения в RLHF и не использует фильтрацию ответов во время работы. Она ориентирована на английский язык.

TheDrummer/UnslopNemo-12B-v1 — текстовая авторегрессионная модель семейства Mistral, разработанная TheDrummer. Это чат-модель на 12,1 млрд параметров, предназначенная прежде всего для творческого письма и ролевых диалогов. По описанию проекта Unslop, обучение было направлено на уменьшение повторяющихся шаблонов в материалах для ролевых сценариев и повышение разнообразия формулировок. Модель принимает текст и генерирует текст. В переданных метаданных указан контекст до 1 024 000 токенов; карточка Hugging Face подтверждает размер около 12 млрд параметров и формат BF16. Репозиторий не содержит карточки модели с подробностями о лицензии или языковой поддержке, поэтому эти характеристики здесь не уточняются.

Wicked-Nebula-12B — объединённая модель автора Vortex5 для генерации текста в диалогах и творческом письме. Она создана слиянием пяти моделей семейства Mistral: Hollow-Aether-12B, MN-12b-RP-Ink-RP-Longform, Lunar-Twilight-12B, Astral-Noctra-12B и Rocinante-X-12B-v1; использован метод smcos. Модель содержит 12,1 млрд параметров, имеет контекст длиной до 131 072 токенов и распространяется в формате safetensors. Модель предназначена для повествований большой длины, ролевых диалогов с эмоциональной окраской и атмосферной художественной прозы. Основной сценарий — генерация продолжений и ответов на текстовые запросы; карточка указывает шаблон чата auto. Поддерживаемые языки в предоставленных данных не перечислены. Лицензия — Apache-2.0.

Yi-Ko-6B-instruct-v1.2 — корейская инструкционная языковая модель на архитектуре Llama, разработанная путём дообучения модели с помощью LoRA. Автор обучил её на примерно 110 тысячах примеров, собранных из открытых наборов данных и вручную подготовленных материалов; среди тем — история, естественные науки, математика, машинное чтение, анализ отзывов, грамматика и ИТ-знания. В обучении также использовались корейские и англо-корейские переводные данные. Модель предназначена для генерации ответов и выполнения инструкций на корейском языке, включая вопросы и ответы по тексту, краткое изложение, перевод и анализ отзывов. Она содержит около 5,9 млрд параметров и поддерживает контекст до 2048 токенов. Данные обучения закрыты, поэтому состав и качество примеров нельзя независимо проверить. Лицензия — CC BY-SA 4.0.

Zamba2-7B — базовая языковая модель от Zyphra для генерации текста и кода. Она сочетает слои Mamba2 и общие трансформерные блоки с механизмом внимания; LoRA-проекции помогают этим блокам специализироваться на разных этапах сети. Модель обучена на 2 трлн токенов текста и кода, а затем дополнительно обучена на смеси примерно из 100 млрд высококачественных токенов. Для токенизации используется токенизатор Mistral v0.1. Модель рассчитана на общие сценарии генерации и продолжения текста, включая код. Разработчик заявляет о низкой задержке генерации и меньшем потреблении памяти по сравнению с сопоставимыми трансформерными моделями. Это предварительно обученная базовая модель, а не чат-модель: качество следования инструкциям не гарантируется, встроенной модерации нет, и возможна генерация токсичного или вредоносного текста. Реализация для Hugging Face обозначена как временная; для оптимальной производительности требуются совместимые версии Transformers и ядра Mamba2. Лицензия — Apache-2.0.

bigheiniuJ/zephyr-7b-hindsight-full — диалоговая языковая модель, созданная дообучением alignment-handbook/zephyr-7b-sft-full с помощью TRL. Она предназначена для генерации текста в формате чата и ответов на пользовательские запросы. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров; формат весов — safetensors, библиотека — Transformers. Контекст составляет до 32 768 токенов. Карточка демонстрирует генерацию ответа на вопрос в диалоговом формате. Модель подходит для чат-ботов, ответов на вопросы и продолжения диалога. Лицензия в предоставленных данных не указана.

ClaudioItaly/1852-Dark-9B — слитая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом Model Stock на базе ClaudioItaly/1852-9B с добавлением весов Darkest-muse-v1, Quill-v1, Delirium-v1 и oblivionsend. Модель предназначена для генерации текста в диалоговом формате; описание базовой модели указывает на художественную прозу, истории и выразительные диалоги. Модель содержит 9 млрд параметров, использует библиотеку Transformers и формат safetensors, поддерживает контекст до 8192 токенов. Данные не описывают её языковое покрытие и конкретные ограничения качества. Лицензия в предоставленных сведениях не указана.

McGill-NLP/AfriqueQwen3.5-4B-50Langs-Instruct-20260917 — дообученная версия языковой модели AfriqueQwen3.5-4B-50Langs, выпущенная McGill-NLP 17 сентября 2026 года. Это плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration и примерно 4 млрд параметров; визуальные веса отсутствуют, поэтому она работает как языковая модель. Репозиторий содержит веса safetensors, а лицензия — CC BY 4.0. Модель предназначена для диалоговой генерации текста, пошагового решения математических задач, перевода и ответов на вопросы с выбором варианта. Базовая модель адаптирована для 50 африканских языков; для математических запросов README описывает режим пошагового рассуждения, а для остальных задач — обычный режим без него. Для запуска автор рекомендует vLLM в режиме language-model-only и задаёт максимальную длину контекста 12 288 токенов. README не приводит оценок качества, поэтому надёжность ответов на конкретных языках и задачах по нему определить нельзя. Следует учитывать, что модель не принимает изображения и требует совместимой настройки vLLM для обслуживания.

McGill-NLP/AfriqueQwen3.5-4B-Instruct-20260826 — дообученная версия модели McGill-NLP/AfriqueQwen3.5-4B для генерации текста и диалогов. Это плотная модель семейства Qwen3.5 с 4 млрд параметров; контрольная точка опубликована в формате safetensors и лицензирована по CC BY 4.0. Модель предназначена для математических рассуждений, перевода и ответов на вопросы с выбором варианта. В README приведены настройки для пошагового решения задач на английском и других языках, в том числе суахили, а также режимы генерации для математики и прочих задач. Метаданные каталога характеризуют базовую модель как предназначенную для африканских и ряда распространённых языков; точный перечень языков для этой версии не приведён. Модель работает только с текстом: несмотря на декларацию класса Qwen3_5ForConditionalGeneration, в контрольной точке отсутствуют веса визуальной части. README указывает на запуск через vLLM в режиме language-model-only и максимальную длину контекста 12 288 токенов. Для использования с vLLM требуется соответствующий параметр запуска.

AgentLM-13B — языковая модель на 12,9 млрд параметров, разработанная авторами проекта AgentTuning. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM, дообученная на смеси AgentInstruct и ShareGPT с использованием базовых моделей Llama 2 Chat. Она предназначена для диалоговой генерации текста и выполнения задач, связанных с работой агентами: обучение на траекториях взаимодействия помогает переносить агентные навыки на ранее не встречавшиеся задачи, сохраняя общие языковые способности. Модель использует формат диалога Llama 2 Chat с фиксированным системным сообщением. Контекст составляет 4096 токенов. В карточке заявлена генерация текста; конкретные естественные языки отдельно не перечислены. Доступна в формате safetensors. Лицензия в предоставленных данных не указана, поэтому условия использования следует проверить в карточке репозитория.

AgentLM-7B — языковая модель семейства Llama, разработанная командой AgentTuning. Это версия на 6,6 млрд параметров, дообученная на смесях AgentInstruct и ShareGPT на основе Llama 2 Chat. Модель предназначена для диалоговой генерации текста и выполнения задач агентами, включая перенос навыков на ранее не встречавшиеся агентские задачи, сохраняя общие языковые способности. Модель использует архитектуру LlamaForCausalLM и формат весов safetensors; заявленная длина контекста — 4096 токенов. Диалоговый формат соответствует Llama 2 Chat с фиксированным системным сообщением. Карточка не сообщает условия лицензии и конкретные ограничения качества или безопасного применения.

Hosstia публикует MLX-версию модели Yandex AliceAI-T5-35B-A0.6B для Apple Silicon. Это модель перевода на архитектуре T5 с кодировщиком и декодировщиком и смесью экспертов: всего 35 млрд параметров, из которых активно 0,6 млрд на токен. Репозиторий содержит квантизованные веса в формате safetensors и реализацию для запуска через MLX на GPU Metal; заявленный основной сценарий — перевод с китайского на русский. В комплекте также предусмотрены режимы исправления текста и вопросов и ответов. Для Q&A требуется параметр min_new_tokens, чтобы ответы не обрывались преждевременно. Перевод длинных текстов может обрезаться, поэтому их рекомендуется разделять на части. Q&A на китайском ненадёжен. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Anubis-559M — причинная языковая модель с архитектурой Anubis MoE, разработанная автором репозитория RaghuCourage9605 и дообученная на базе более крупной модели. Она предназначена для генерации творческих текстов, естественных диалогов и прозы, в том числе для ролевых сценариев, интерактивной художественной литературы и чат-ботов. Модель работает с текстом и доступна в формате Safetensors для библиотеки Transformers. В карточке не приведены сведения о длине контекста и точной базовой модели. Модель ориентирована на творческую генерацию и разговорный стиль. Она может воспроизводить предвзятые или оскорбительные формулировки в зависимости от обучающих данных. Лицензия — Apache 2.0.

ArliAI-Llama-3-8B-Cumulus-v0.3 — диалоговая модель OwenArli на базе Meta-Llama-3-8B-Instruct, дообученная с помощью QLoRA для продолжительных переписок и более редких отказов. Она предназначена для генерации ответов в формате чата и поддерживает контекст длиной до 8192 токенов; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров. По заявлению автора, модель может быть немного слабее исходной Llama 3 Instruct в рассуждениях и общем интеллекте, зато лучше справляется с длинными диалогами и реже отказывает. Модель создана с использованием 4-битной загрузки и адаптера QLoRA ранга 64. Лицензия — Meta Llama 3 License Agreement.

Astral-Fusion-Neural-Happy-L3.1-8B — слитая плотная языковая модель семейства Llama, созданная ZeroXClem методом Model Stock на основе Astral-Fusion, NIHAPPY и NeuralMahou. Модель содержит 7,5 млрд параметров, использует формат safetensors, работает через Transformers и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста по инструкциям, интерактивного ролевого общения и создания связных длинных историй, особенно в жанре фэнтези и с магической или космической тематикой. Её можно использовать для диалогов с игровыми персонажами, разработки сюжетов и написания обучающих материалов. README заявляет также способности к логическим задачам, но отдельные результаты оценки качества не приводятся. Модель принимает и выдаёт текст; основной язык в карточке явно не указан. Репозиторий распространяется по лицензии Apache-2.0. Контекст ограничен 8192 токенами, а заявленные сильные стороны описаны качественно, без бенчмарков.

slauw87/bart_summarisation — англоязычная модель суммаризации диалогов, разработанная на основе BART и обученная с помощью Amazon SageMaker. Она предназначена для создания краткого пересказа беседы; в README приведён пример диалога и оценки ROUGE. Модель имеет архитектуру BART с 252,8 млн параметров, принимает текст и выдаёт текст. Максимальная длина контекста — 1024 токена. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель подходит для краткого изложения переписок и разговоров на английском языке. В карточке указано обучение на датасете SAMSum. Приведённые метрики относятся к оценке на наборе, использованном автором; README не описывает отдельные проверки на других типах текста.

mrm8488/bert2bert_shared-turkish-summarization — модель суммаризации на турецком языке, разработанная mrm8488. Это encoder-decoder на основе BERT: в README указана базовая модель dbmdz/bert-base-turkish-cased, а веса энкодера и декодера используют общие параметры. Модель обучена для сокращения статей турецких онлайн-изданий из набора MLSUM. Её можно применять для создания краткого пересказа турецкой новостной статьи. Для тестовой выборки в карточке приведены значения ROUGE-2: precision 32,41, recall 28,65 и F1 29,48. Данных о длине контекста и лицензии в предоставленных источниках нет.

BigBirdPegasus large — англоязычная модель семейства BigBird-Pegasus с разреженным блочным механизмом внимания. Она предназначена для суммаризации научных статей и других длинных документов. Модель содержит 366,8 млн параметров, принимает текстовые последовательности длиной до 4096 токенов и выдаёт текстовое резюме. В репозитории представлены веса PyTorch; модель доступна по лицензии Apache 2.0. Разреженное внимание позволяет обрабатывать длинные последовательности с меньшими вычислительными затратами по сравнению с обычным полным вниманием. Модель ориентирована на английские научные тексты; среди подходящих сценариев — подготовка краткого обзора статьи и извлечение её основных выводов. Карточка не приводит отдельных количественных оценок качества, поэтому результаты на конкретных типах документов могут различаться.

Darong/BlueT는 BlueAI가 paust/pko-t5-base 모델을 영어와 한국어 간 번역에 맞게 미세 조정한 T5 v1.1 Base 모델입니다. 영어→한국어와 한국어→영어 양방향 번역을 지원하며, 영어에서 한국어로 번역할 때 높임말을 설정할 수 있습니다. 학습에는 AI Hub 및 자체 구축 데이터가 사용되었으며, README에 영어→한국어 1800만 건 이상, 한국어→영어 1200만 건 이상의 문장 데이터가 указаны. Модель содержит 137,8 млн параметров и распространяется в формате safetensors под лицензией MIT.

DeepSeek-V4-Flash-0731-JANG-CRACK — дообученная и аблированная версия DeepSeek-V4-Flash-0731 от dealignai. Это языковая модель на архитектуре DeepSeek V4 с 10,7 млрд параметров и MoE-компонентами; опубликованный вариант использует смешанную квантизацию JANG affine и занимает около 95 ГБ. Модель рассчитана на генерацию текста, диалог, рассуждения и написание кода, а также на сценарии, где требуется отвечать без обычных отказов на опасные запросы. Модель поддерживает английский и китайский языки. В README заявлена длина контекста до 1 048 576 токенов с расширением yarn RoPE, однако такая длина не проверялась в тестах этой сборки: оценки проводились на коротких запросах. Для запуска автор рекомендует vMLX на Apple Silicon примерно с 128 ГБ объединённой памяти; также упомянуты vMLX и jang_tools как варианты запуска. В тестах README модель показала 71,84% на MMLU и 90% pass@2 на HumanEval, но результаты приведены разработчиком и не являются независимой оценкой. Ключевое свойство CRACK — снятие отказов на вредоносные запросы: README сообщает о выполнении всех 320 заданий HarmBench, включая запросы по киберпреступлениям и причинению вреда. Это делает модель пригодной для контролируемого исследования поведения моделей, но опасной для неограниченного использования. Известны редкие опечатки; генерация длинного контекста в этой сборке не стресс-тестировалась. Лицензия — MIT.

DeepSeek-V4-Flash-0731-OptiQ-2bit — это 2-битная mixed-precision-квантизация базовой модели DeepSeek-V4-Flash-0731, подготовленная сообществом mlx-community с помощью MLX-native toolkit mlx-optiq. Модель предназначена для локального запуска и генерации текста на компьютерах Apple Silicon без PyTorch и облачных сервисов, включая задачи следования длинным спецификациям, рассуждений по текстовым правилам и генерации программного кода. Модель использует разреженную архитектуру Mixture-of-Experts с 304 млрд параметров, 43 слоями и 256 маршрутизируемыми экспертами, из которых для каждого токена активны 6. Контекстное окно составляет 1 048 576 токенов. Маршрутизируемые эксперты квантизированы до 2 бит, attention — до 6 бит, shared expert, embeddings и LM head — до 8 бит, MTP head — до 3 бит; итоговое значение составляет 2,43 bits per weight. Размер на диске — около 92,5 ГБ, а при работе маршрутизируемые эксперты потоково считываются с SSD, поэтому в памяти находится примерно 6,5 ГБ. На Mac с M3 Max заявлена скорость около 2,5 токена в секунду. Сильная сторона модели — возможность запустить чрезвычайно крупную MoE-модель на потребительском Apple Silicon с объёмом оперативной памяти от 16 ГБ. Она демонстрировала способность следовать длинной спецификации и создавать работоспособный одностраничный HTML-код. Ограничения связаны с экстремальной 2-битной квантизацией: она приводит к потере точности, а скорость зависит от производительности SSD. Показатели по стандартному набору бенчмарков для этой версии не опубликованы, поэтому для задач, где критична точность, рекомендуется использовать веса bf16 или более высокобитную квантизацию. Модель распространяется по лицензии MIT.

DeepSeek-V4-Flash-0731 REAP K160 — экспериментальный производный чекпойнт модели DeepSeek-V4-Flash-0731 от DeepSeek, созданный пользователем 0xSero с применением метода REAP. Модель предназначена для исследовательского использования и инференса в условиях ограниченной памяти, включая генерацию текста, программирование, рассуждения, вызов инструментов и агентские сценарии. Это неофициальный релиз DeepSeek. Модель использует архитектуру Mixture-of-Experts: в каждом MoE-уровне сохранено 160 из 256 маршрутизируемых экспертов, то есть удалено 37,5% экспертов, при этом маршрутизация top-6, общие эксперты, attention, embeddings, output head, mHC, compressor и indexer tensors сохранены. В backbone предусмотрено 43 MoE-слоя, а также 3 DSpark MTP-блока. Заявлены английский и китайский языки. Контекст проверен на конфигурации 8192 токенов, однако полные характеристики контекста в README не указаны. Чекпойнт содержит 48 шардов Safetensors и около 107,8 млрд байт данных. К сильным сторонам относятся существенное сокращение числа экспертов и требований к памяти, структурная валидация всех тензоров и успешная базовая проверка генерации и программирования. Ограничения включают экспериментальный статус, возможное снижение качества из-за агрессивного pruning, отсутствие свежего наблюдения для весов версии 0731, отсутствие подтверждения паритета с исходной моделью по бенчмаркам и отдельную необходимость проверки совместимости DSpark MTP. Для запуска требуется DeepSeek-V4-совместимый runtime; generic Transformers может не поддерживать необходимые MXFP4, sparse-attention, tokenizer и DSpark MTP-компоненты. Производная распространяется по лицензии MIT.

RDson/Dolphin-less-Llama-3-Instruct-8B — объединённая разговорная модель на базе Llama 3 с 7,5 млрд параметров. Автор объединил cognitivecomputations/dolphin-2.9-llama3-8b и meta-llama/Meta-Llama-3-8B-Instruct, чтобы смягчить «роботизированный» стиль ответов Dolphin. Модель предназначена для генерации текста в диалогах. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 8192 токенов. Репозиторий содержит веса в формате safetensors; GGUF-версии размещены в отдельном репозитории автора. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и у базовых моделей. README не сообщает о специальных ограничениях качества или целевых областях применения.

dParallel-LLaDA-8B-instruct — чат-модель на архитектуре LLaDA, разработанная Zigeng Chen и соавторами из xML Lab Национального университета Сингапура. Это вариант LLaDA-8B-Instruct, обученный методом дистилляции certainty-forcing для ускорения параллельного декодирования диффузионных языковых моделей: модель быстрее достигает уверенности в маскированных токенах, сохраняя качество исходной модели. Модель предназначена для генерации текста в диалоге и выполнения задач, решаемых базовой инструктивной моделью. В экспериментах число шагов декодирования сокращалось с 256 до 30 на GSM8K и до 24 на MBPP, что соответствовало ускорению в 8,5 и 10,5 раза без снижения качества на этих тестах. Такие результаты относятся к указанным бенчмаркам и не гарантируют аналогичного ускорения в других сценариях. Репозиторий содержит веса в формате safetensors; для использования указана библиотека Transformers. Лицензия — MIT.

stillerman/fdt-disfluency-distilbert-66m-v4 — модель разметки токенов на базе DistilBERT, разработанная Stillerman для очистки расшифровок живой речи. Она помечает каждое слово тегом KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая реконструкция собирает очищенный текст. Модель удаляет слова-паразиты и повторы, сохраняя остальную формулировку без перефразирования. Модель содержит 65,2 млн параметров, использует архитектуру distilbert-base-cased и контекст до 512 токенов. Версия v4 обучена на синтетических внесениях речевых сбоев в разговорные корпуса; метрики на валидации: exact-match 0,9724 и DELETE-F1 0,9896. Для браузерного применения доступна квантованная ONNX-модель int8 для transformers.js, с заявленной скоростью около 10–50 мс на высказывание. Область обработки намеренно ограничена словами-паразитами и повторами: исправления с заменой слов, в том числе конструкции «I mean», сохраняются как есть. Лицензия репозитория — Apache-2.0, однако в обучении частично использован DailyDialog под CC BY-NC-SA, поэтому README рекомендует считать модель исследовательским артефактом и не применять её в коммерческих целях без дополнительной правовой проверки.

Fenrir-X-26B-A4B — мультимодальная диалоговая модель семейства Gemma 4, созданная Vortex5 слиянием пяти моделей, включая Gemma 4 IT, версии для рассуждений, художественного письма и ролевого взаимодействия. Модель построена на архитектуре Gemma4ForConditionalGeneration и распространяется в формате safetensors; в метаданных для неё указаны возможности чата и анализа изображений. Модель предназначена прежде всего для ролевых диалогов, интерактивной прозы, создания персонажей и написания длинных историй с развитием сюжета. Она также принимает изображения и выдаёт текст, что позволяет использовать её для диалога с визуальным контекстом. README не сообщает размер параметров или длину контекста. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества и подробных ограничений; поведение и устойчивость результата могут зависеть от выбранного сценария и запроса.

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.

Gemma 4 31B it qat JANG_4M CRACK — созданная dealignai модификация Google Gemma 4 31B Instruct для запуска в vMLX на компьютерах Mac с Apple Silicon. Это плотная мультимодальная модель класса Gemma4 с 60 слоями и гибридным скользящим и глобальным вниманием; она принимает текст и изображения, поддерживает диалог, ответы на вопросы, многошаговые рассуждения и генерацию кода. Квантизация JANG_4M использует 8-битную точность для attention и 4-битную для MLP. По заявлению авторов, модель сохраняет возможности зрения и связность ответов; в их тестах MMLU снизился на 1,8 процентного пункта относительно базовой модели. Авторы также сообщают о снятии отказов для широкого набора вредоносных запросов. Это существенно ограничивает безопасное применение модели: она может помогать с опасными действиями. Для запуска требуется vMLX с поддержкой Gemma 4 и Mac на Apple Silicon с достаточной общей памятью; стандартные mlx_lm и mlx_vlm, согласно карточке, не обеспечивают полной поддержки Gemma 4. Лицензия — Gemma; авторы указывают исследовательское назначение и ответственность пользователей за соблюдение законов.

Gemma 4 E4B IT для RK1828 — мультимодальная инструктивная модель Google DeepMind, подготовленная проектом t-firefly для запуска на плате Rockchip RK1828 через LlamaPi. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration; репозиторий содержит форматы GGUF и Safetensors. В карточке указано, что исходная модель принимает текст, изображения и аудио и формирует текстовые ответы. Модель предназначена для диалога, рассуждений, программирования и мультимодальных сценариев на устройствах и периферийных системах. Она также заявлена для многоязычных и агентных задач. Для запуска README приводит команду LlamaPi `llamapi run gemma4:e4b`. Модель основана на `google/gemma-4-E4B-it`; лицензия репозитория — Apache 2.0. Описание не приводит подробностей о поддерживаемых языках, длине контекста или ограничениях качества; качество и доступность функций могут зависеть от конфигурации запуска на RK1828.