I.5Создание и редактирование текста

Qwen3.6-35B-A3B-abliterated-MAX — мультимодальная модель семейства Qwen, опубликованная prithivMLmods как оптимизированная и перешардированная версия модели huihui-ai/Huihui-Qwen3.6-35B-A3B-abliterated. Метаданные связывают её с Qwen/Qwen3.6-35B-A3B как с базовой моделью, а карточка сообщает о MoE-архитектуре с 35 млрд параметров и сохранении исходных весов и поведения. Репозиторий содержит веса safetensors в формате bf16 и рассчитан на Transformers. Модель предназначена для диалогов, анализа изображений, мультимодальных исследований, оценки устойчивости к сложным запросам и прототипирования развёртывания крупных MoE-моделей. Карточка также описывает её как вариант для инференса на разных аппаратных конфигурациях, включая мног GPU-системы. Модель может выдавать ошибочные или неполные ответы, а результат зависит от промпта и параметров генерации. Для запуска требуются значительные ресурсы GPU либо оптимизированные стратегии инференса. Указанная лицензия — Apache-2.0; авторы рекомендуют исследовательское и учебное применение и возлагают ответственность за использование результатов на пользователя.

Qwen3.8-27B-Uncensored-INT8 — это модифицированная и квантованная версия базовой модели Qwen/Qwen3.8-27B, разработанной командой Qwen компании Alibaba и опубликованная OrcaRouter. Из модели удалено направление, отвечающее за отказы, поэтому она существенно менее ограничена встроенными механизмами безопасности. Версия использует квантование INT8 W8A8: веса линейных слоёв представлены в 8-битном формате, а активации квантуются динамически по токенам. Модель предназначена для исследовательских задач, включая интерпретируемость, изучение механизмов отказа, AI safety, red-teaming, оценку устойчивости и контролируемые эксперименты. Это vision-language модель с поддержкой текста и изображений, рассуждений, управления режимом thinking, вызова инструментов и function calling. Архитектура включает 64 слоя, скрытое состояние размером 5120 и гибридное внимание: 48 слоёв Gated DeltaNet с линейным вниманием и 16 слоёв с полным вниманием. Заявлен контекст до 262 тысяч токенов; также сохранена MTP-голова для speculative decoding. В README указана поддержка английского и китайского языков. К сильным сторонам относятся сочетание мультимодальности, длинного контекста, инструментов, рассуждений и широкой совместимости INT8 с современными GPU. Основное ограничение — практически отсутствие встроенных защит: модель может выполнять вредоносные, незаконные или неэтичные запросы, которые исходная модель отклоняла. Её не рекомендуется использовать с конечными пользователями или в производственной среде без собственных механизмов модерации и защиты от злоупотреблений. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели; ответственность за использование и результаты несёт пользователь.

Qwen3-8B TMax AENV v39b, итерация 209 — чекпойнт языковой модели, опубликованный willamazon1. Он создан на базе willamazon1/qwen3-8b-tmax-sft-v3-iter353 и обучен методом обучения с подкреплением GRPO на асинхронных многоходовых взаимодействиях в агентной среде. Архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров; модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекст — до 40 960 токенов. Модель предназначена для диалоговых сценариев и работы агента с инструментами. Это одна из промежуточных итераций обучения: в той же серии опубликованы чекпойнты итераций 69–219, что позволяет сравнивать изменения по ходу обучения. Репозиторий содержит веса safetensors в bfloat16; преобразование выполнено из чекпойнта Megatron-LM torch_dist. Лицензия — Apache 2.0. README не сообщает об оценках качества и целевых языках, поэтому результаты на конкретных задачах и языках по этим данным подтвердить нельзя.

Qwen3-VL-4B-Instruct-GGUF — набор GGUF-квантизованных версий мультимодальной модели Qwen3-VL-4B-Instruct, разработанной Qwen. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач преобразования изображений и текста в текст, включая работу с визуальными данными и текстовыми запросами, и может запускаться через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от исходных весов в формате BF16 размером 8,05 ГБ до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3 размером примерно от 1,81 до 4,28 ГБ. Квантизация позволяет снизить требования к памяти, однако более компактные варианты обладают меньшим качеством; наиболее рекомендуемыми в README названы варианты Q6, Q5 и Q4. Поддерживаются мультимодальные входные данные, но сведения о языках, размере контекста и точной архитектуре в README не указаны. Модель подходит для локального инференса на совместимом оборудовании, особенно когда важны автономность и экономия памяти. Ограничения зависят от выбранного уровня квантизации: варианты Q3 характеризуются сниженным качеством, а для работы требуются llama.cpp или совместимое программное обеспечение с поддержкой этой модели. Лицензия в README не указана.

QwQ-32B-Snowdrop-v0 — языковая модель на архитектуре Qwen2, созданная trashpanda-org слиянием TIES. В слияние вошли Qwen/Qwen2.5-32B, Qwen/QwQ-32B и две версии Qwen2.5-32B-Marigold от trashpanda-org. Модель содержит 32 млрд параметров, работает через Transformers и имеет контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, особенно для ролевых сценариев, художественного повествования и задач, где полезны пошаговые рассуждения. В карточке отмечены следование описаниям персонажей и сценария, разнообразие прозы и использование сведений из lorebook. Рекомендуется шаблон ChatML; автор карточки приводит настройки сэмплирования, но они могут требовать подбора под конкретный сценарий. Отзывы указывают на возможные отклонения от заданного характера, bland-ответы и редкие случаи, когда модель говорит от лица пользователя. Это наблюдения пользователей, а не формальные результаты оценки. Лицензия в предоставленных данных не указана.

Randeng-Deltalm-362M-Zh-En — модель машинного перевода, разработанная командой Fengshenbang и дообученная на базе DeltaLM с использованием фреймворка Fengshen-LM. Она переводит текст с китайского на английский; для обучения использованы 30 млн китайско-английских примеров и 200 тыс. параллельных примеров IWSLT. Модель относится к семейству DeltaLM и использует архитектуру кодировщик–декодировщик с условной генерацией. В метаданных указаны 248,6 млн параметров и контекст длиной 512 токенов, тогда как карточка приводит размер 362 млн параметров. В формате PyTorch модель поддерживает задачу перевода; на наборе FLORES-101 для направления zh-en указана оценка BLEU 26,47. Модель подходит для перевода китайского текста на английский. В карточке не приведены сведения о лицензии, поэтому условия распространения и коммерческого использования следует проверять в репозитории модели.

Raphael-7B — языковая модель на 7,1 млрд параметров, созданная слиянием моделей FallenMerick/Smart-Lemon-Cookie-7B и KatyTheCutie/LemonadeRP-4.5.3 с помощью LazyMergekit. В конфигурации слияния также указана SanjiWatsuki/Kunoichi-DPO-v2-7B как базовая модель; применён метод TIES с нормализацией, веса сохранены в формате float16 и safetensors. Модель построена на архитектуре Mistral и предназначена для генерации текста, в частности творческих ролевых диалогов и менее шаблонных ответов. Контекст составляет 8192 токена. Лицензия в предоставленных данных не указана.

RuBit-Llama-63M — дообученная модель генерации текста на базе NousResearch/Llama-2-7b-hf, разработанная igorktech. Она использует архитектуру LlamaForCausalLM с плотной сетью и содержит 38,7 млн параметров. Модель обучалась на датасете dichspace/darulm: из него отбирались афоризмы и материалы по драматургии, истории, юмору и литературе; в обучении использовано около 2,13 млрд токенов. Модель предназначена для генерации текста на русском и английском языках, в том числе коротких литературных фрагментов, афоризмов и текстов на близкие к обучающим темам. Максимальный контекст составляет 768 токенов. Для работы используются Transformers и веса в формате safetensors. Условия лицензии в предоставленных материалах не описаны.

Модель Simba-v01b разработана участниками исследовательской группы Public Interest AI при HIIG Berlin. Это плотная языковая модель Mistral с 7,1 млрд параметров, дообученная на примерно 2000 газетных статей, упрощённых Австрийским пресс-агентством. Она генерирует упрощённый текст на немецком языке; лучше всего подходит для новостных статей, а не комментариев и редакционных материалов. Контекст — до 32 768 токенов. Модель предназначена для упрощения газетных текстов и может применяться к другим типам немецкоязычных текстов, однако её работу за пределами новостного домена подробно не проверяли. Разработчики отмечают, что модель может добавлять неверные сведения, поэтому результат следует сверять с исходным текстом. Опубликована в формате safetensors под лицензией Apache 2.0.

Ślimaki Tavern 24B v1.3 — созданная автором Naphula языковая модель для ролевых диалогов и творческого письма. Это объединение нескольких предварительно обученных моделей, выполненное в два этапа методом multi_fusion на основе mergekit; архитектура — плотная MistralForCausalLM, размер — 23,4 млрд параметров. Модель предназначена для генерации текста, включая ролевые сценарии, истории и разговоры. В карточке указаны десять поддерживаемых языков: английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский. Родной контекст составляет 131 072 токена. Модель описана как uncensored и ориентирована на ролевые сценарии; для подходящего поведения может потребоваться настройка параметров сэмплирования. В README рекомендованы шаблоны Mistral Tekken или ChatML. Она способна генерировать сцены с насилием и откровенным эротическим содержанием. Модель распространяется по лицензии Apache-2.0.

SnowyRP-FinalV1-L2-13B — слитая методом TIES модель семейства Llama 2 от автора Masterjp123, предназначенная прежде всего для ролевых диалогов, RPG-сценариев и генерации художественного текста. Автор также отмечает пригодность для общих запросов к ассистенту. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM и работает с контекстом до 4096 токенов; в репозитории представлена версия BF16 без квантизации. Модель объединяет несколько англоязычных чекпойнтов, включая варианты Psyfighter, Erebus, Athena и другие модели для ролевой генерации. По заявлению автора, она поддерживает подробные описания сцен, ощущений и переживаний персонажей, но результат заметно зависит от настроек генерации и формата подсказки. Автор предупреждает, что модель не ограничивает откровенный и вредоносный контент и может его генерировать. Лицензия — Llama 2; применяйте модель с учётом её условий и ограничений на использование.

Starlight-Synthesis-31B — мультимодальная диалоговая модель на архитектуре Gemma 4, созданная Cyclone Labs слиянием Gemma 4 31B IT и нескольких моделей семейства Cyclone и Vortex5. Репозиторий содержит веса Safetensors; модель предназначена для работы через Transformers и поддерживает диалог с изображениями и генерацию текста. Модель ориентирована на ролевые диалоги с персонажами, творческое письмо, построение длинных историй и интерактивную прозу с ветвящимися сценариями. Эти задачи подходят для создания художественных сцен, развития персонажей и поддержания сюжетной непрерывности. Лицензия — Apache-2.0. В README не приведены результаты оценки качества или подробные ограничения применения. По заявленному назначению модель специализируется на ролевых и творческих сценариях; практические результаты могут зависеть от промпта и выбранного сценария.

Sungur-14B — языковая модель на 14 млрд параметров, разработанная Suayptalha на основе Qwen/Qwen3-14B. Она дообучена методом SFT с использованием QLoRA на наборе из 41,1 тыс. разговоров на турецком языке, ориентированных на рассуждения и охватывающих математику, медицину и общие знания. Модель предназначена для генерации текста и диалогов на турецком языке, включая аналитические беседы, образовательные задачи и решение профильных вопросов. Режим рассуждений включён по умолчанию и может быть отключён в шаблоне чата. Архитектура — плотная Qwen3ForCausalLM; максимальный контекст — 40 960 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. В опубликованных сравнениях результаты зависят от теста: на ARC на турецком Sungur-14B немного превосходит базовую модель по точности, но уступает по нормированной точности и результату GSM8K. Поэтому заявленная специализация на турецких рассуждениях не гарантирует превосходства над Qwen3-14B во всех задачах; доступные результаты охватывают ограниченный набор бенчмарков.

sonoisa разработал модель на архитектуре T5 для генерации японских вопросов по ответу и контексту, содержащему этот ответ. На вход подаются ответ и соответствующий фрагмент текста в формате «answer: {ответ} content: {контекст}», на выходе модель формирует вопрос. Модель создана дообучением японской T5 на примерно половине очищенных примеров SQuAD 1.1, переведённых на японский язык.

Tencent-Hy-30B-A3B-uncensored-heretic-GGUF — это набор квантованных моделей в формате GGUF, созданный mradermacher на основе модели 0xSojalSec/Tencent-Hy-30B-A3B-uncensored-heretic. В README также указано, что исходная модель связана с Tencent-Hy; отдельное подтверждение разработчика исходной модели не приведено. Доступны варианты квантования от Q2_K до Q8_0 и IQ4_XS, размером примерно от 11,2 до 32,1 ГБ. Модель предназначена для локального запуска в совместимых средах, поддерживающих GGUF, а заявленная область применения включает перевод. Указаны следующие языки: китайский, английский, французский, португальский, испанский, японский, турецкий, русский, арабский, корейский, тайский, итальянский, немецкий, вьетнамский, малайский, индонезийский, тагальский, хинди, польский, чешский, нидерландский, кхмерский, бирманский, персидский, гуджарати, урду, телугу, маратхи, иврит, бенгальский, тамильский, украинский, тибетский, казахский, монгольский и уйгурский. Модальность, размер контекста и точная архитектура в README не указаны. Сильная сторона публикации — широкий выбор уровней квантования: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как вариант с лучшим качеством среди перечисленных. Более сильное сжатие уменьшает требования к памяти, но может снижать качество; для Q3_K_M отдельно отмечено более низкое качество. Лицензия — Apache-2.0.

Tilmash — модель машинного перевода, разработанная на основе NLLB компании Facebook и дообученная для работы с казахским, русским, английским и турецким языками. Она предназначена для перевода между этими языками и может использоваться через pipeline перевода в библиотеке Transformers. Модель оценивалась на тестовых наборах FLoRes и KazParC; карточка приводит результаты BLEU и chrF, но численные значения в доступном тексте не указаны. Лицензия и размер модели в предоставленных сведениях не приведены.

TooManyMixRolePlay-7B-Story_V1 — объединённая модель Mistral, созданная jdqwoi с помощью LazyMergekit путём слияния jdqwoi/TooManyMixRolePlay-7B-Story и jdqwoi/02 методом SLERP. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и принимает текстовые подсказки для генерации продолжений. Модель предназначена для генерации рассказов и ролевых текстов. Её нативная длина контекста составляет 32 768 токенов. В репозитории представлены веса Safetensors; README также упоминает варианты EXL2-квантизации от 4 до 8 бит на вес, которые относятся к отдельным сборкам. Языковая специализация и конкретные ограничения качества в карточке не описаны. Лицензия в предоставленных данных не указана.

TooManyMixRolePlay-7B-Story_V2 — объединённая модель авторегрессионной генерации текста на архитектуре Mistral, созданная jdqwoi методом слияния Slerp через LazyMergekit. Она сочетает StoryFusion-7B и TooManyMixRolePlay-7B-Story_V1 и предназначена для продолжения подсказок, создания художественных рассказов и ролевых текстовых сценариев. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Базовое описание указывает на генерацию англоязычных рассказов и художественных текстов. Лицензия в предоставленных данных не указана.

Windstorm Labs опубликовала модель машинного перевода с немецкого на английский. Это дообученная версия Helsinki-NLP/opus-mt-de-en на базе MarianMT: LoRA-дообучение на параллельном корпусе было объединено с исходными весами. Модель содержит 54,9 млн параметров, принимает текст и имеет контекст до 512 токенов. Модель предназначена для перевода немецких фраз и документов на английский. В карточке приведена оценка chrF++ 65,36 и BLEU 40,71 на 48 предложениях набора FLORES-200 dev; это скрининговая оценка, а не результат публикационного исследования. Поддерживается направление перевода только с немецкого на английский. Лицензия — Apache-2.0.

Windstorm Labs опубликовала модель машинного перевода с испанского на русский. Это дообученная версия Helsinki-NLP/opus-mt-es-ru на архитектуре MarianMT с 57,6 млн параметров; LoRA-обновления объединены с базовыми весами. Модель принимает текст и выдаёт перевод, поддерживая одно направление перевода — es→ru, с контекстом до 512 токенов. Модель подходит для перевода отдельных фраз и документов с испанского на русский. В проверке на 48 предложениях FLORES-200 она набрала chrF++ 42,27 и BLEU 18,49; авторы относят результат к уровню Usable и подчёркивают, что это скрининговая оценка, а не публикационный результат. Доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0.

v9 — самостоятельный объединённый чекпойнт BF16, созданный разработчиком на основе дообученной модели tojointhecommunity/affine-5efg6cm3yl-king. Это разговорная модель для генерации текста; в карточке указана архитектура Qwen3.5 MoE и обучение методом DPO с применением LoRA ранга 16, слитой с базовыми весами. Во время обучения использовался контекст длиной 8192 токена. Модель предназначена для диалогового применения и генерации ответов. В обучающей смеси сохранялись положительные диалоговые ходы; README описывает также механизм выборочного fallback, однако целевая смесь до фильтрации контекста состояла на 100% из сохранённых примеров и на 0% из fallback-примеров. Чекпойнт распространяется в формате safetensors и не требует адаптера PEFT или пользовательского кода для маршрутизации. Автор обозначает модель как экспериментального кандидата и рекомендует провести проверки в vLLM и аудит шаблонов эксплуатации перед подачей. Условия лицензии в предоставленных данных не указаны.

WizardMath-7B-V1.1-Mistral-7B-Instruct-v0.1 — объединённая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она создана методом SLERP merge из mistralai/Mistral-7B-Instruct-v0.1 и WizardLM/WizardMath-7B-V1.1. Модель предназначена для генерации ответов на инструкции и диалоговые запросы, включая математические задачи и рассуждения. Она принимает текст и выдаёт текст; заявленный размер контекста — 32 768 токенов. В метаданных указан английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Качество ответов на конкретных типах задач в карточке не измерено. Как и другие генеративные модели, она может ошибаться в вычислениях и рассуждениях; её ответы следует проверять, особенно при использовании в задачах с высокой ценой ошибки.

facebook/wmt19-de-en — портированная в формат Transformers модель перевода Facebook FAIR, основанная на трансформере FairseqMachineTranslation (FSMT) и обученная для перевода с немецкого на английский. Она предназначена для перевода текстов, в том числе новостных, и может использоваться через библиотеку Transformers для генерации перевода по входной последовательности. Модель содержит 100,7 млн параметров, принимает текст и выдаёт текст; для немецкого и английского указана длина контекста 1024 токена. Веса перенесены из оригинального выпуска fairseq без изменений. В опубликованной оценке результат портированной версии немного ниже результата fairseq: в Transformers не поддерживаются ансамбль из четырёх чекпойнтов и переранжирование. Также модель может некорректно обрабатывать повторяющиеся фрагменты и обрезать содержимое. Лицензия — Apache-2.0.

YanoljaNEXT-EEVE-Rosetta-7B-2602-i1-GGUF — квантизированная версия модели YanoljaNEXT-EEVE-Rosetta-7B-2602, разработанной Yanolja и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена прежде всего для задач перевода и работы с текстом; в метаданных указан английский язык. Доступны варианты квантизации IQ и Q с размером файлов примерно от 2,3 до 6,0 ГБ, что позволяет выбирать между требованиями к памяти, скоростью и качеством. В названии базовой модели указано 7B, а среди тегов упоминаются Mistral и Gemma, однако точная архитектура, размер контекста, полный список поддерживаемых языков и мультимодальные возможности в README не описаны. Более агрессивные варианты квантизации могут заметно снижать качество; для сбалансированного использования рекомендован вариант i1-Q4_K_M, а i1-Q4_K_S обозначен как оптимальный по соотношению размера, скорости и качества. Модель распространяется по лицензии OpenMDW-1.0.

13B-HyperMantis — объединённая модель для генерации текста, созданная Digitous методом суммирования весов нескольких моделей на 13 млрд параметров: MantiCore3E, VicunaCocktail, SuperCOT, StorytellingV2 и BluemoonRP. Модель построена на архитектуре LLaMA и предназначена для диалогов, выполнения инструкций, ролевых игр и свободного повествования; в README отмечено, что она лучше отвечает на инструкции в формате Alpaca. Размер модели — 12,9 млрд параметров, контекст — 2048 токенов. Репозиторий содержит веса PyTorch и вариант SafeTensors с 4-битной квантизацией для CUDA. Модель подходит для текстовых приключений, отыгрыша персонажей и обычного чат-общения. Автор сообщает о субъективно хороших результатах в KoboldAI, но качество может различаться в зависимости от интерфейса, настроек и сценария. В README не приводится стандартная лицензия: в метаданных указана лицензия «other», поэтому условия использования следует уточнить у автора и по лицензиям исходных моделей и адаптеров, вошедших в слияние.

Это квантованная MLX-версия модели AliceAI-T5-35B-A0.6B от Yandex, подготовленная для Apple Silicon. Модель построена на архитектуре T5 encoder-decoder с Mixture-of-Experts: всего 35 млрд параметров, из которых активно 0,6 млрд на токен. Эксперты квантованы до 4 бит, блоки внимания — до 8 бит; запуск оптимизирован для GPU Metal через MLX. Основное назначение — перевод с китайского на русский. В комплекте также предусмотрены режимы исправления текста и вопросов и ответов, но китайские ответы в режиме Q&A ненадёжны. Модель принимает текст и генерирует текст. В README приведены замеры производительности на Apple M4 Pro, однако они относятся к конкретной конфигурации оборудования. Перевод длинных текстов может обрываться, поэтому их рекомендуется делить на части. Для режима Q&A параметр min_new_tokens помогает избежать преждевременного завершения ответа. Лицензия указана как other; дополнительных условий в предоставленных данных нет.

Amberlight-12B — экспериментальная многоязычная модель для ролевых диалогов и генерации художественных сцен, разработанная shrugging-shoulders как дообучение Retreatcost/KansenSakura-Eclipse-RP-12b. Это плотная авторегрессионная модель семейства Mistral на 12,1 млрд параметров с контекстом до 131 072 токенов; опубликованные веса представлены в формате safetensors и предназначены для Transformers. Модель поддерживает чат и обучалась, в частности, на многоязычном наборе IFEval. Карточка характеризует следование инструкциям как приемлемое, а качество письма — как хорошее. Модель рассчитана на ролевые беседы и повествовательную генерацию; NSFW-содержание может потребовать явного запроса. Автор отмечает характерный динамичный стиль повествования, скачки темпа и отдельные шаблонные фрагменты. Дообучение обозначено как незавершённое, запланированы дополнительные этапы SFT и DPO. Лицензия — Apache-2.0.

Aranea Ancilla 116B v1.0 — плотная языковая модель семейства Llama, созданная автором репозитория методом слияния слоёв. Это экспериментальный frankenmerge на основе NeverSleep/MiquMaid-v1-70B с чередованием слоёв Sao10K/WinterGoddess-1.4x-70B-L2; метаданные также указывают 152334H/miqu-1-70b-sf среди объединённых моделей. Модель предназначена прежде всего для творческого письма и генерации текста на английском языке. В модели 116,6 млрд параметров, 136 слоёв и контекст до примерно 32 768 токенов; автор рекомендует ограничиваться примерно 16 384 токенами. Слияние выбрано по результатам закрытых тестов и ручных сравнений, однако качество таких комбинаций может заметно различаться. README предупреждает о потере связности на длинном контексте и рекомендует после 16 тысяч токенов переключаться на исходные Miqu-1-модели. Репозиторий содержит веса safetensors для Transformers; сведения о лицензии в предоставленных данных отсутствуют.

Lambent/arsenic-nemo-unleashed-12B — дообученная модель на архитектуре Mistral Nemo с 12,1 млрд параметров, созданная на основе MarinaraSpaghetti/NemoMix-Unleashed-12B. Автор описывает её как DPO-настройку на смеси gutenberg-dpo и toxic-dpo для художественного письма и ролевых диалогов; модель усиливает классическую, местами архаичную стилистику, особенно в поэзии. Поддерживает генерацию текста и чат; в метаданных также отмечен интерфейс вызова инструментов. Автор сообщает о работе с контекстом до 32 тыс. токенов при корректной настройке RoPE. Метаданные каталога указывают нативный контекст 1 024 000 токенов, но README подтверждает испытания только до 32 тыс., поэтому более длинный контекст не следует считать проверенным автором. Возможный побочный эффект DPO-настройки — краткие переходы на арабский язык в диалоге. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Baichuan-M2-32B-Q4_K_M-GGUF — квантизированная 4-битная версия медицинской языковой модели Baichuan-M2-32B, разработанная Baichuan AI. Модель построена на базе Qwen2.5-32B и предназначена для медицинского рассуждения, обучения, консультационных сценариев и поддержки клинических решений, а также сохраняет общие способности к генерации текста и решению математических задач. Заявлены поддержка английского и китайского языков, текстовая модальность и использование в задачах генерации текста; размер контекстного окна в README не указан. Модель использует Large Verifier System с симуляторами пациентов и многомерной проверкой ответов, медицинскую адаптацию посредством Mid-Training и многоэтапное обучение с подкреплением. Эти методы направлены на улучшение медицинских знаний, диагностического рассуждения, полноты ответов и взаимодействия с пациентами. Формат GGUF Q4_K_M ориентирован на эффективное локальное развертывание через llama.cpp или Ollama; заявлена возможность запуска на одной RTX 4090. В README приведены высокие результаты на HealthBench и сопоставимых общих тестах, однако конкретные требования к ресурсам и контексту не раскрыты. Модель предназначена только для исследований и справочных целей и не заменяет профессиональную диагностику или лечение; рекомендуется использовать её под контролем медицинских специалистов. Лицензия Apache 2.0 допускает исследовательское и коммерческое использование.