I.5Создание и редактирование текста

lesa80/Qwen3.8-27B-MLX-bf16 — версия Qwen3.8-27B в формате MLX с весами bfloat16, подготовленная для запуска на системах Apple с MLX. Это плотная мультимодальная модель с архитектурой Qwen3.5 и 27 млрд параметров, основанная на Qwen/Qwen3.8-27B. Модель принимает текст и изображения, поддерживает анализ видео, диалоговый режим и интерфейс вызова инструментов; заявленная длина контекста — 262 тыс. токенов. Поддерживаются русский, английский и китайский языки. Модель предназначена для ответов на вопросы по изображениям и видео, многошаговых рассуждений и диалоговых задач. Версия в bfloat16 занимает около 51 ГБ и требует не менее 64 ГБ оперативной памяти. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B, опубликованная пользователем minte1431. В README также упоминается проект OBLITERATUS, однако точный разработчик модификации явно не указан. Модель представляет собой вариант Qwen с изменённым поведением отказов, созданный методом abliteration: из весового пространства удалялись направления, связанные с отказами и защитными ответами, с последующей итеративной доработкой и смешиванием нескольких вариантов. Модель предназначена для генерации текста, программного кода, агентских сценариев и исследований поведения LLM в задачах red teaming и AI safety. Заявлена поддержка обычного и thinking-режима, а также форматов GGUF, Safetensors и MLX. Размер модели — 27B параметров; базовая архитектура — Qwen3.8. Сведения о языках и размере контекстного окна в README не указаны. Для инференса рекомендуются температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов; системный промпт рекомендуется не задавать. Сильной стороной заявляется существенно сниженная склонность к отказам и отвлечённым лекциям по безопасности при сохранении большей части возможностей базовой модели. Для версии V3 указаны результаты MMLU 82,3% против 84,5% у исходной модели, а также успешное выполнение 20 из 20 проверенных задач генерации кода. Ограничениями являются некоторое падение качества относительно базовой Qwen3.8-27B, возможные циклы при генерации без repetition_penalty и необходимость аккуратной настройки параметров в агентских сценариях. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-NVFP4-RTX5090 — это квантизированный вариант мультимодальной vision-language модели Qwen3.8-27B, разработанный на основе orcarouter/Qwen3.8-27B-Uncensored и опубликованный fleetml. Модель предназначена для задач image-text-to-text, локальных исследований, оценки моделей и разработки агентных систем. Поддерживаемые языки — английский и китайский. Модель использует архитектуру Qwen3_5ForConditionalGeneration, сохраняет vision-language возможности и 15 нативных MTP-тензоров. Квантование выполнено в формате ModelOpt NVFP4; размер целевой модели составляет около 20,59 ГБ. Максимальный архитектурный контекст заявлен на уровне 262 144 токенов, а проверенный профиль запуска поддерживает 122 880 токенов. Рекомендуемая конфигурация рассчитана на NVIDIA RTX 5090 с 32 ГБ видеопамяти и запуск через SGLang с парой DSpark для speculative decoding. К сильным сторонам относятся высокая скорость декодирования, поддержка длинного контекста и оптимизация под RTX 5090: в указанном тесте медианная скорость составила 217,73 токена в секунду, а медианное время до первого токена — 0,113 секунды. Эти показатели получены при ограниченной конфигурации тестирования и не включают обработку промпта; производительность и доступная ёмкость могут зависеть от версии runtime и состояния GPU. Использование ориентировано на локальный контролируемый запуск, а совместимость с другой аппаратурой и средами не подтверждена. Модель распространяется по лицензии Apache 2.0.

Это предварительно квантованная версия Qwen/Qwen3-Omni-30B-A3B-Instruct, подготовленная с помощью NVIDIA ModelOpt и предназначенная для запуска на графических процессорах NVIDIA Blackwell, включая RTX 5090, B100 и B200. Модель семейства Qwen3-Omni с архитектурой MoE принимает текст, изображения, аудио и видео, а выдаёт текст и речь. Размер исходной модели — 30 млрд параметров, из которых около 3 млрд активируются на токен; NVFP4 W4A8 уменьшает размер чекпойнта примерно до 27 ГБ с примерно 60 ГБ у версии BF16. Квантированы веса экспертов и attention в Thinker; lm_head, маршрутизаторы MoE и остальные этапы оставлены без квантования. Для калибровки использовались английские и китайские запросы. Чекпойнт рассчитан на инференс с аппаратной поддержкой FP4 и не подходит для RTX 4090, A100 и H100; для этих ускорителей автор рекомендует вариант FP8. Модель распространяется по лицензии Apache-2.0.

Qwen_Qwen2.5-VL-72B-Instruct-GGUF — это квантованные в формате GGUF версии мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанной Qwen. Квантование выполнено bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Модель имеет размер 72B параметров и поддерживает мультимодальные сценарии. Доступны варианты квантования от Q8_0 до Q2_K_L, различающиеся размером файлов, требованиями к памяти и качеством ответов. Наиболее качественными и рекомендуемыми в README названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; малые варианты Q3 и Q2 экономят память, но заметно уступают по качеству. Размеры файлов составляют примерно от 31 до 77 ГБ. Модель можно запускать локально через llama.cpp, LM Studio и другие совместимые проекты. README указывает английский язык, однако сведения о полном наборе поддерживаемых языков и размере контекстного окна не приведены. Основные ограничения связаны с большими требованиями к оперативной или видеопамяти, особенно для высококачественных квантов, а также с возможной потерей качества при использовании низких уровней квантования. Лицензия обозначена как qwen и other; подробные условия доступны в лицензии исходной модели Qwen2.5-VL-72B-Instruct.

Randeng-Pegasus-238M-Summary-Chinese — модель семейства PEGASUS, разработанная командой Fengshenbang и дообученная на семи китайских наборах данных для создания кратких изложений. В метаданных архитектура указана как плотная модель PegasusForConditionalGeneration с 151,6 млн параметров; в карточке README размер обозначен как 238M. Максимальная длина контекста составляет 1024 токена, формат весов — PyTorch. Модель предназначена для абстрактивного суммирования китайских текстов. Её дообучали примерно на четырёх миллионах примеров из наборов education, new2016zh, nlpcc, shence, sohu, thucnews и weibo; карточка также приводит результаты ROUGE на LCSTS. Подойдёт для краткого пересказа китайских новостей, публикаций и других текстов. Лицензия в предоставленных данных не указана.

Red-Synthesis-12B — слитая модель для генерации текста, созданная Vortex5 объединением семи моделей семейства Mistral Nemo. Она рассчитана на рассказывание историй, ролевые диалоги и творческое письмо. Модель содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 131 072 токенов. Доступны веса в формате safetensors. Модель подходит для создания художественных текстов и поддержания ролевых сценариев в диалоге. Она унаследовала свойства исходных моделей, поэтому качество и стиль ответов могут меняться в зависимости от запроса. Лицензия в предоставленных данных не указана.

SOLAR-10.7B-sft-dpo-v1 — разговорная языковая модель команды ETRI xainlp, дообученная на базе davidkim205/nox-solar-10.7b-v4. Это плотная причинно-авторегрессионная модель семейства Llama с 10,6 млрд параметров, принимающая и выдающая текст; заявленный родной контекст — 4096 токенов. Модель предназначена для генерации ответов в диалогах. При обучении использовались этапы SFT с LoRA на наборе из 1 821 734 примеров цепочек рассуждений и DPO с LoRA на 221 869 примерах пользовательских предпочтений. Доступна в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. README не сообщает о поддерживаемых языках и не приводит оценки качества; возможности модели за пределами генерации диалогового текста не подтверждены.

Tanuki-7B-v0.1 — дообученная NeuralNovel модель на архитектуре Mistral для генерации текстов по инструкциям. Она предназначена прежде всего для ролевых сценариев, коротких историй и творческих ответов на сложные повествовательные запросы. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель прошла полное дообучение Mistral-7B-Instruct-v0.2 на наборах Neural-Story-v1 и Creative-Logic-v1. Она ориентирована на подробное и творческое повествование; в задачах, не связанных с генерацией текстов по инструкциям и повествованием, качество может быть ниже. В ответах возможны смещения, связанные с обучающими данными, включая жанровые и стилистические предпочтения. Лицензия Apache-2.0 допускает коммерческое и некоммерческое использование.

ClaudioItaly/Tertium-9B — языковая модель на 9 млрд параметров, созданная ClaudioItaly слиянием моделей методом TIES с помощью mergekit. В качестве базовой использована ClaudioItaly/1800-9B; в слияние также вошли gmonsoon/SahabatAI-Lion-9B-TIES-v1 и sam-paech/Delirium-v1. Модель построена на архитектуре Gemma 2 и распространяется в формате Safetensors. Модель предназначена для генерации текста и диалогов. Её можно использовать для творческого письма с выразительной, мрачной и гротескной манерой. Контекст составляет до 8192 токенов. Карточка не сообщает отдельные ограничения модели. Лицензия в доступных данных не указана.

Windstorm Labs опубликовала дообученную модель машинного перевода с английского на финский. Это плотная encoder-decoder модель MarianMT на базе Helsinki-NLP/opus-mt-en-fi, содержащая 58,4 млн параметров и рассчитанная на контекст до 512 токенов. LoRA-дообучение на параллельных текстах было объединено с базовыми весами; модель распространяется в формате safetensors и загружается через Transformers. Модель предназначена для перевода английских фраз и документов на финский. В проверке на 48 предложениях FLORES-200 она получила chrF++ 53,04 и BLEU 23,01; это скрининговая оценка, а не результат публикационного исследования. Поддерживается только направление en→fi, а качество может различаться в зависимости от текста. Лицензия — Apache-2.0.

Trinity-2-Codestral-22B-GGUF — это набор GGUF-квантизаций базовой текстогенеративной модели Trinity-2-Codestral-22B, разработанной migtissera и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и, судя по названию Codestral, ориентирована прежде всего на задачи, связанные с программным кодом, однако подробные сведения о специализации, обучении и результатах тестирования в README отсутствуют. Доступны варианты от полного F32 размером 88,99 ГБ до низкобитных IQ2_M размером 7,62 ГБ. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и Q4_K; некоторые версии используют Q8_0 для embedding- и output-весов. Модель работает в формате GGUF через llama.cpp и может запускаться, в частности, в LM Studio. Указан шаблон prompt с ролями system, user и assistant. Данные о поддерживаемых языках, размере контекста, архитектуре, модальностях и конкретных сильных сторонах не приведены. Лицензия обозначена как other, без дополнительных условий в README.

UncensoredLM-DeepSeek-R1-Distill-Qwen-14B — экспериментальная версия чат-модели от UncensoredAI. Это плотная языковая модель архитектуры Qwen2 с 13,4 млрд параметров, представленная в формате safetensors и рассчитанная на контекст до 131 072 токенов. Модель предназначена для генерации текста и ответов с рассуждениями; шаблон обучения ориентирует её на извлечение ответа из предоставленного контекста без опоры на внешние сведения. Модель заявлена как версия с ослабленным выравниванием отказов. Автор называет её предварительным экспериментальным выпуском и приглашает сообщать о проблемах, поэтому качество и поведение могут измениться в следующих версиях. Лицензия — Apache 2.0.

CLAck/vi-en — модель машинного перевода, созданная дообучением предварительно обученной MarianMT, разработанной для перевода с китайского на английский. Модель адаптирована для перевода с вьетнамского на английский и основана на архитектуре Marian; число параметров составляет 63,2 млн, максимальная длина контекста — 512 токенов. Модель принимает текст на вьетнамском языке и генерирует перевод на английский. В карточке указан набор данных ALT. Модель распространяется под лицензией Apache-2.0. Данных о специальных ограничениях качества или сценариях использования в карточке нет.

Dennis1315/ward-cloud-14b — мультимодальная модель семейства Qwen3.5, дообученная Dennis1315 на базе Qwen/Qwen3.5-9B с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалога с текстом и изображениями; метаданные также указывают интерфейс вызова инструментов. Базовая модель рассчитана на анализ изображений, рассуждения, программирование и агентные задачи. Модель принимает текст и изображения и формирует текстовые ответы. В репозитории используются веса Safetensors. Лицензия — Apache-2.0. Подробности обучающего набора и оценки качества в доступной карточке не приведены.

UrukHan/wav2vec2-russian — модель распознавания речи на основе архитектуры Wav2Vec2, опубликованная разработчиком UrukHan. Она принимает аудио в формате WAV и преобразует речь в текст с помощью распознавания на основе CTC. В README рекомендовано дополнительно обрабатывать результат моделью UrukHan/t5-russian-spell, которая исправляет ошибки распознавания, расставляет знаки препинания и приводит цифры в порядок. Модель содержит 402,7 млн параметров и распространяется в форматах PyTorch и safetensors. Карточка не сообщает точные характеристики аудиовхода и показатели качества, поэтому пригодность для конкретных условий записи следует оценивать отдельно. Условия лицензии в доступных данных не описаны.

Zurich 7B GammaCorpus v2-1m — диалоговая языковая модель, созданная Rubenroy дообучением Qwen/Qwen2.5-7B-Instruct на наборе GammaCorpus v2-1m со структурированными многоходовыми диалогами. Она предназначена для генерации ответов в беседах и других текстовых сценариев. Модель построена на архитектуре Qwen2 с причинно-следственной языковой моделью; в карточке указаны 7,61 млрд параметров, 28 слоёв и контекст до 32 768 токенов. Модель принимает текст и генерирует текст, поддерживает английский язык. Для запуска используется Transformers; в метаданных также отмечен интерфейс вызова инструментов. Карточка не приводит сравнительных оценок качества, поэтому заявленное преимущество над моделями сходного размера не подтверждено указанными бенчмарками. Возможна генерация предвзятых ответов. Лицензия — Apache 2.0.

Abyssal-Seraph-12B — слитая модель семейства Mistral на 12,1 млрд параметров, созданная Vortex5 с помощью MergeKit. Она предназначена для творческого письма, выразительного повествования и ролевых диалогов с поэтичным, философским и эмоционально насыщенным стилем. Модель объединяет четыре исходные модели в несколько этапов: NearSwap и затем Karcher Mean; веса представлены в формате safetensors и используют контекст до 131 072 токенов. Модель подходит для создания художественной прозы, лирических диалогов и ролевых сценариев, где важны образность и цельный тон. Карточка не приводит результатов оценивания качества, поэтому фактические сильные стороны и стабильность ответов могут зависеть от сценария и настроек генерации. Лицензия в предоставленных сведениях не указана.

AfriqueGemma-4B — базовая причинно-языковая модель из семейства AfriqueLLM, разработанная для улучшения работы с африканскими языками. Она основана на google/gemma-3-4b-pt и продолжительно предварительно обучена примерно на 26 млрд токенов сбалансированных многоязычных данных. Модель содержит 4 млрд параметров и имеет контекст 8 192 токена. Модель предназначена для генерации текста и диалоговых сценариев на 20 африканских языках; также в обучении использовались английский, французский, португальский и арабский для сохранения навыков в языках с большим объёмом ресурсов. Данные включали монолингвальные тексты, код, математику и синтетические переводы по тематическим областям. Карточка приводит результаты многоязычных тестов и сообщает об улучшении совокупного показателя относительно Gemma 3 4B. Модель доступна в формате safetensors для Transformers; для развёртывания README предлагает vLLM или SGLang. Лицензия — CC BY 4.0. Это базовая предварительно обученная модель, поэтому её не следует считать готовой к инструкционному следованию без дополнительной настройки; результаты и поддержка могут различаться между языками.

ape fiction — языковая модель, дообученная автором leftyfeep для генерации художественной прозы. Она основана на Mistral Nemo Base и обучена на датасете fullfictions-85kmax в течение двух эпох с использованием Unsloth; при обучении использовались длинные примеры из датасета, которые удавалось обрабатывать без нехватки памяти. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров, распространяется в формате safetensors под лицензией Apache-2.0. В метаданных указан контекст до 1 024 000 токенов. Основной сценарий — продолжение и создание художественных текстов по запросу. README не сообщает результаты оценки качества или отдельные языки обучения.

BLOOM-3B-intermediate — промежуточный чекпойнт семейства BLOOM, разработанного международным исследовательским сообществом BigScience. Это авторегрессионная языковая модель на основе decoder-only Transformer, предназначенная для генерации текста и исследований больших языковых моделей, а также для последующего дообучения под конкретные задачи. В README семейство BLOOM описано как модель с архитектурой Megatron-LM GPT-2, позиционными кодировками ALiBi и контекстом 2048 токенов; указанные там 176 млрд параметров относятся к полной версии BLOOM, а не подтверждают размер этого чекпойнта. Модель рассчитана на многоязычный текст; метаданные отмечают поддержку, среди прочего, арабского, бенгальского, каталонского, английского, испанского, французского, хинди, индонезийского, португальского, тамильского, урду, вьетнамского и китайского. Также в метаданных отмечена работа с кодом. Модель может служить исходной точкой для экспериментов и дообучения, но её ответы могут быть фактически неверными, повторяющимися или нерелевантными и отражать стереотипы; она не предназначена для критически важных решений и указанных в карточке высокорисковых областей. Лицензия — BigScience BLOOM RAIL 1.0.

MediaTek Research Breeze-7B-Base-v0_1 — базовая языковая модель на 7,2 млрд параметров для последующего дообучения под конкретные задачи. Это плотный авторегрессионный трансформер с декодером Mistral, созданный на основе mistralai/Mistral-7B-v0.1. Словарь расширен с 32 тыс. до 62 тыс. токенов для поддержки традиционного китайского; метаданные указывают контекст до 32 768 токенов, а карточка версии v0_1 — 8 тыс. токенов. Модель предназначена для разработчиков, располагающих данными для тонкой настройки. Она генерирует текст и рассчитана прежде всего на традиционный китайский (zh-tw), также поддерживает английский. Карточка отмечает ускорение инференса на традиционном китайском благодаря расширенному словарю, но предупреждает, что few-shot prompting не всегда помогает получить корректный ответ. Распространяется по лицензии Apache-2.0.

Cactus Dream Horror 12B — слитая с помощью mergekit и метода DELLA языковая модель, созданная EldritchLabs на основе семейства Mistral Nemo. Она предназначена для генерации художественного текста и диалогов, включая хоррор-сюжеты, ролевые сценарии и продолжение сцен. Модель содержит 12,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 131 072 токенов. Модель принимает текст и выдаёт текст; для общения требуется шаблон ChatML. В состав слияния вошли instruct-, творческие и ролевые модели, в том числе варианты с NSFW-настройкой. Карточка сообщает о частичной цензуре и возможности обхода ограничений. Модель распространяется по лицензии Apache-2.0.

Chinese-Mistral-7B-Instruct-v0.2 — китайскоязычная инструктивная модель на архитектуре Mistral, разработанная лабораторией геонаук и пространственной информации факультета наук о системе Земли Университета Цинхуа. В основе лежит Mistral-7B: авторы расширили китайский токенизатор и провели дополнительное предварительное обучение, а версию v0.2 дообучили методом LoRA на миллионе высококачественных примеров. Модель содержит 7,2 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения инструкций на китайском языке, а также для задач общего понимания текста, знаний и рассуждений. Расширенный словарь повышает эффективность кодирования и декодирования китайского текста; README сообщает о многоходовом диалоге и оценках на китайских и англоязычных тестах. Она может генерировать ошибочную или вредоносную информацию, поэтому перед внедрением требуется проверка безопасности. Лицензия в предоставленных данных не указана.

EVA-Gutenberg3-Qwen2.5-32B — плотная языковая модель на архитектуре Qwen2.5, разработанная EVA-UNIT-01 и дообученная nbeerbower методом ORPO на наборах данных для художественных диалогов и прозы. Модель содержит 32 млрд параметров, работает через библиотеку Transformers и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоговом формате, ролевых игр и написания историй. Обучение на наборах Gutenberg DPO ориентирует её на художественные и литературные сценарии. Поддерживаемый язык явно не указан, поэтому языковые возможности не уточняются. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает результаты оценивания качества или специальные ограничения применения.

stillerman/fdt-disfluency-distilbert-66m — модель разметки слов для удаления речевых запинок в расшифровках разговорной речи, разработанная в рамках проекта FluencyAI digital-twin. Она присваивает каждому слову один из тегов: KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE; простая реконструкция по тегам формирует очищенный текст. Модель основана на DistilBERT base cased и содержит 65,8 млн параметров. Она рассчитана на текстовые транскрипты: README описывает синтетические запинки, добавленные к разговорным корпусам, но не указывает языки обучения. Контекст — до 512 токенов. Для проверки на русском тексте пригодность не подтверждена. На валидации указаны exact-match 0,9760 и F1 для класса DELETE 0,9935. Ограничение задачи — модель удаляет или локально форматирует слова и не предназначена для перефразирования; качество зависит от соответствия транскрипта данным обучения. Репозиторий включает квантованную ONNX-модель int8 для запуска в браузере через transformers.js; заявленное время обработки — около 10–50 мс на высказывание. Лицензия репозитория — Apache-2.0, однако данные обучения частично включали DailyDialog по CC BY-NC-SA; автор рекомендует считать модель исследовательским артефактом и не использовать её для коммерческого развёртывания без дополнительной проверки прав.

stillerman/fdt-disfluency-distilbert-66m-v2 — модель разметки токенов на основе DistilBERT, обученная для удаления речевых запинок из транскриптов живой речи. Она помечает каждое слово тегом KEEP, DELETE, KEEP_STRIP_COMMA или KEEP_CAPITALIZE, после чего простая реконструкция собирает очищенный текст. Модель предназначена для автоматической очистки разговорных транскриптов, в том числе в браузере через ONNX и transformers.js. Модель содержит 65,8 млн параметров, использует архитектуру distilbert-base-cased и имеет контекст до 512 токенов. По описанию, обучение проводилось на синтетически искажённых разговорных корпусах; указаны exact-match 0,9755 и F1 для DELETE 0,9934. Подход ограничен удалением и простыми изменениями регистра и пунктуации: модель не перефразирует текст и не предназначена для исправления произвольных ошибок распознавания речи. Опубликованы веса Safetensors и квантованный ONNX. Лицензия репозитория — Apache-2.0, однако модель обучалась в том числе на DailyDialog с лицензией CC BY-NC-SA, поэтому автор рекомендует не использовать её для коммерческого развёртывания без дополнительной проверки условий.

FireRedPunc — это модель для автоматической расстановки пунктуации в неразмеченном тексте, полученном от систем автоматического распознавания речи. Она основана на FireRedTeam/FireRedPunc, разработанной командой FireRedTeam, и представлена в формате GGUF для использования с CrispASR. Модель поддерживает китайский и английский языки и предназначена прежде всего для обработки результатов ASR. В основе лежит BERT-base на архитектуре LERT с 12 слоями, размерностью скрытого представления 768, 12 головами внимания и примерно 102 млн параметров. Линейный классификатор предсказывает пять классов: пробел, запятую, точку, вопросительный и восклицательный знаки. Используется словарь chinese-bert-wwm-ext из 21 128 токенов WordPiece, максимальная длина последовательности составляет 512 токенов; более длинный текст автоматически разбивается на фрагменты. Модель удобна для постобработки транскрипций речи и может работать с различными ASR-бэкендами CrispASR. Доступны варианты F16, Q8_0 и Q4_K: Q8_0 рекомендуется как обеспечивающий качество, близкое к полной точности, тогда как Q4_K занимает меньше места, но может чаще пропускать пунктуацию. Модель распространяется по лицензии Apache 2.0; данный вариант является только конвертацией и квантованием исходной модели без изменения архитектуры или обучения.

G4-31B-Musica-v1 — дообученная AuriAetherwiing мультимодальная модель на базе Google Gemma 4 31B IT, предназначенная для ролевых диалогов, написания историй и общения. Она использует архитектуру Gemma4 и принимает текст и изображения; основной сценарий карточки — генерация ответов в разговорном формате. README описывает настройку для следования инструкциям, генерации историй и ролевых сценариев, а также поддержку режимов с рассуждением и без него. Автор отмечает хорошую управляемость модели и разнообразие вариантов ответа. Иногда модель может пропускать рассуждение, даже если оно включено; по наблюдению автора, повторная генерация обычно помогает. Модель выпущена в формате safetensors под лицензией Apache-2.0. В README указан LoRA-вариант, однако эта карточка описывает дообученную модель, а не отдельный адаптер.

Digirise-ai GEMMA2-9b-Pollux-exp — экспериментальная плотная языковая модель на базе Google Gemma 2 9B Instruct, дообученная для работы с запросами, где нужно внутренне упорядочить сведения и учесть связи между ними перед формированием ответа. Модель предназначена для генерации текста и диалогового взаимодействия; карточка описывает её как экспериментальную. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и принимает текстовые запросы, выдавая текст. Поддерживаемые языки по карточке — японский и английский; контекст — до 8192 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия — Gemma License.