I.5Создание и редактирование текста

Tsukasa-120b-qlora — языковая модель ludis для генерации текста, дообученная методом QLoRA на базе alpindale/goliath-120b. Обучение проводилось с Axolotl: сначала на Koishi, затем на PIPPA и LimaRP в формате завершения Metharme; для LimaRP использовалась версия от 19 октября 2023 года без нескольких поднаборов. В метаданных указаны архитектура LlamaForCausalLM, плотная модель объёмом 117,5 млрд параметров и контекст 4096 токенов. Модель предназначена для генерации текста в сценариях ролевого общения и продолжения диалогов. Карточка сообщает о ранге QLoRA 8 и обучении на кластере из восьми GPU NVIDIA A100. Лицензия в предоставленных данных не указана.

Turaco-gem-mt-en-wes — модель машинного перевода, разработанная Clevaway на основе google/translategemma-4b-it и дообученная для перевода с английского на Cameroon Pidgin English (WES). Это плотная модель семейства Gemma 3 с интерфейсом генерации текста и изображений; адаптация добавляет код wes в шаблон TranslateGemma. Для обучения использован очищенный набор параллельных данных English–Cameroon Pidgin: 25 158 примеров для обучения, 1 335 для валидации и 1 354 для теста. Модель предназначена для подготовки черновиков переводов, локализационных прототипов, а также исследований и оценки машинного перевода на малоресурсном языке. Внутренняя оценка на отложенной выборке того же корпуса показала chrF++ 43,09 и SacreBLEU 25,54; это диагностические результаты, а внешняя оценка и проверка носителями языка ещё не представлены. Репозиторий содержит веса safetensors и GGUF BF16; для загрузки автор рекомендует Unsloth 4-bit на T4 и других GPU с поддержкой только float16. Лицензия — Gemma; коммерческое применение допускается при соблюдении её условий, законодательства и условий датасета.

UniDiffuser-v0 — мультимодальная диффузионная модель, разработанная командой THU-ML. Она объединяет генерацию изображений и текста в одной архитектуре и поддерживает создание изображений по тексту, описание изображения текстом, генерацию текста или изображения, а также генерацию пар изображение–текст. Основной компонент — U-ViT, который предсказывает совместный шум для разных модальностей. В состав также входят автоэнкодер изображений из Stable Diffusion, энкодеры CLIP ViT-B/32 и ViT-L и дообученный декодер текста GPT-2. Версия v0 обучена на текстово-изображительных данных LAION-5B, содержащих шумные данные из интернета; для текста указана поддержка английского языка. Модель распространяется в формате Diffusers/PyTorch по лицензии AGPL-3.0. Модель подходит для творческой генерации изображений и текста, образовательных инструментов и исследований мультимодальной генерации. Она не предназначена для фактически достоверного изображения людей или событий; обучающие данные могут содержать шум и смещения, а сама карточка предупреждает о рисках вредного или стереотипного контента.

UniDiffuser-v1 — мультимодальная генеративная диффузионная модель, разработанная командой thu-ml. Она объединяет генерацию изображений и текста в одной модели на базе трансформера U-ViT и поддерживает генерацию изображения по тексту, описания изображения по изображению, генерацию текста и пар «изображение—текст», а также вариаций изображений и текста. UniDiffuser-v1 продолжает обучение UniDiffuser-v0 на менее шумных внутренних парах изображений и текста; базовая версия обучалась на LAION-5B. В состав входят автоэнкодер изображений из Stable Diffusion, визуальный и текстовый энкодеры CLIP и дообученный декодер текста GPT-2. Модель рассчитана на английский язык и распространяется в формате Diffusers/PyTorch по лицензии AGPL-3.0. Подходит для творческой генерации изображений и подписей, прототипирования мультимодальных приложений и исследования генеративных моделей. Она не предназначена для достоверного изображения реальных людей или событий; результаты могут содержать ошибки и отражать предубеждения обучающих данных.

Jedi-7B-1080p-GGUF — это квантизированная версия модели Jedi-7B-1080p, разработанной xlangai и опубликованной в формате GGUF пользователем bartowski. По метаданным модель относится к классу image-text-to-text и предназначена для задач, в которых на вход подаются изображения и текст, а на выходе генерируется текст. README указывает английский язык и использование через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от исходных BF16-весов размером 15,24 ГБ до квантизаций Q8_0, Q6_K, Q5_K, Q4_K и IQ3/IQ4 с размером примерно от 3,11 до 8,10 ГБ. Квантизация выполнена с использованием imatrix на базе llama.cpp версии b5524. Рекомендуемым вариантом по соотношению качества и размера назван Q4_K_M, а более качественными — Q5 и Q6. Точный тип базовой архитектуры, размер контекстного окна и требования к видеопамяти или оперативной памяти в README не указаны. Сильными сторонами являются широкий выбор уровней квантизации, возможность локального запуска и поддержка экосистемы llama.cpp. Ограничения связаны с тем, что низкобитные варианты могут заметно уступать более крупным по качеству, а сведения о возможностях распознавания изображений, качестве на конкретных сценариях и полном наборе поддерживаемых языков отсутствуют. Модель распространяется по лицензии Apache-2.0.

Yida-Model-14B — языковая модель, разработанная rwang220 на базе Qwen/Qwen3-14B и дообученная на внутреннем наборе китайских медицинских инструкций. Это плотная причинная модель Qwen3ForCausalLM с 14,77 млрд параметров; LoRA-обучение с учителем было объединено с базовыми весами, а репозиторий содержит веса bfloat16. Модель принимает текст и предназначена для генерации диалогов и ответов по медицинским темам, а также для подготовки черновиков медицинских записей и отчётов. Контекст модели — до 40 960 токенов; обучение с учителем проводилось на последовательностях до 8 192 токенов. Основной язык обучающих медицинских данных — китайский; также заявлена поддержка английского. Шаблон чата Qwen3 включает режим рассуждений и интерфейс вызова инструментов. Лицензия — Apache 2.0, унаследованная от базовой модели. Модель предназначена для исследований и инженерной оценки медицинских диалогов и NLP-прототипов. Она может придумывать рекомендации, дозировки, диагнозы и ссылки; обучающие данные раскрыты не полностью, а публичные клинические бенчмарки не заявлены. Это не медицинское изделие, и её ответы не следует использовать как единственное основание для клинических решений.

Mini Cinder — компактная разговорная модель на базе архитектуры Llama, опубликованная Josephgflowers. Модель содержит 137,8 млн параметров и рассчитана на генерацию текста в формате чата; в репозитории доступны веса GGUF F16 и safetensors. Контекст модели составляет 2048 токенов. Модель обучали на Tiny Stories, затем на наборах диалогов и сокращённом наборе Cinder. Она предназначена для дружелеских бесед, простых научных и образовательных разговоров, а также рассказывания детских историй и творческих сюжетов. В карточке отмечено, что качество ещё требует улучшения. Лицензия — MIT. README указывает на формат чата TinyLlama Chat Zephyr.

Aion 3.5 Mini — компактная система для ролевого взаимодействия и создания историй от AionLabs, построенная на семействе моделей GLM. Это младшая и менее затратная версия Aion 3.5, предназначенная для ролевых сценариев и повествовательных задач.

AraELECTRA-base-generator — генераторная модель семейства ELECTRA от команды AraBERT, предназначенная для предварительного обучения и задач понимания арабского языка. В Transformers её можно использовать для заполнения пропусков в тексте. Модель основана на архитектуре ELECTRA, содержит около 29 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучена на крупном наборе арабских текстов, включающем отфильтрованный OSCAR, Википедию, новостные и другие корпуса. Авторы сообщают о высоких результатах AraELECTRA на наборе данных для ответов на вопросы на арабском языке. Репозиторий содержит веса PyTorch, Safetensors и TensorFlow. Лицензия в предоставленных сведениях не указана.

Aurora Proelia — компактная причинная языковая модель North ML с 206,9 млн параметров, предназначенная для генерации коротких ответов и локальных экспериментов. Она использует архитектуру Ember Proelia и работает через Transformers; контекст — до 2048 токенов. Модель рассчитана на английский язык и поддерживает диалоговый режим. Подходит для коротких бесед, простых объяснений, ответов на знакомые вопросы и локальных ассистентов. Её также можно использовать в RAG-сценариях, передавая проверенные фрагменты источников в запросе. По данным карточки, это исходный чекпойнт Proelia v9, созданный в рамках предыдущих экспериментов с диалоговыми моделями. Модель компактна и пригодна для запуска на CPU, Apple Silicon и CUDA, однако она уступает крупным универсальным моделям. Она может ошибаться в арифметике, специализированных темах, многошаговых рассуждениях и открытых научных вопросах, не знает актуальных событий и не проверяет факты самостоятельно. Для репозитория указана лицензия other; её конкретные условия следует сверить с файлами лицензии модели.

gayanin/bart-noised-with-gcd-dist — дообученная модель на базе facebook/bart-base, опубликованная с весами в формате safetensors. Это encoder-decoder трансформер с 95,2 млн параметров и контекстом до 1024 токенов. Карточка сообщает о значении loss 0,4647 на наборе оценки, но не описывает датасет, конкретную целевую задачу или предполагаемые сценарии применения. Лицензия модели — Apache-2.0.

QizhiPei/biot5-plus-large — модель семейства BioT5+, опубликованная пользователем QizhiPei на Hugging Face. Это плотная модель T5 с архитектурой T5ForConditionalGeneration и 388,2 млн параметров; веса доступны в форматах PyTorch и safetensors. Карточка показывает загрузку через Transformers для генерации текста по текстовому запросу. Название указывает на биомедицинскую специализацию, однако README не описывает конкретные возможности, обучающие данные или целевые сценарии BioT5+. Метаданные указывают английский язык и тег text2text-generation. Модель распространяется по лицензии MIT.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_cap_b4000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. В ней около 3,7 млрд параметров; архитектура — Qwen3ForCausalLM, формат весов — safetensors. Для работы с текстом используется контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Название набора данных указывает на математические данные Numina, поэтому модель может быть полезна для экспериментов с решением и объяснением математических задач, однако README не приводит результатов оценки или подробностей обучения. Модель доступна по лицензии «other»; конкретные условия следует проверять на странице репозитория.

CardProjector-v4 — модель WoonaAi, дообученная на базе Google Gemma 3 27B IT для создания и редактирования персонажей и карточек персонажей в формате SillyTavern. Она генерирует подробные описания и структурированные карточки, в том числе в YAML, и рассчитана на сценарии ролевых игр и творческого письма. Особое внимание уделено проработке личности, включая профили MBTI и эннеаграмму; модель также может создавать агрессивных, жестоких и сексуализированных персонажей. Поддерживает ввод изображений благодаря мультимодальной архитектуре Gemma 3, однако автор не проводил специального дообучения на зрение. Модель содержит 27 млрд параметров и распространяется в формате Safetensors. Карточка указывает английский язык. Автор отмечает высокую чувствительность к формулировкам промпта и рекомендует явно задавать нужные характеристики персонажа. Лицензия — Gemma.

CiptakerLM v1 — дообученная Willy030125 модель на основе sarahlintang/mistral-indo-7b, предназначенная для генерации ответов по инструкциям на индонезийском языке. Она использует архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors и доступны через Transformers. В README приведён пример ответа о санкциях для предпринимателей, что указывает на применение в вопросах о трудовом законодательстве Индонезии. Модель обучалась на наборе Ciptaker-sft-data-preparation и запускалась для оценки в Colab на T4; в README также указан пример инференса. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит количественных результатов оценки, поэтому качество ответов и охват правовых тем по этим данным оценить нельзя.

Dans-AdventurousWinds-7b — языковая модель Dans-DiscountModels для создания текстовых приключенческих игр. Она дообучена на Mistral-7B-v0.1 с использованием подготовленных версий датасетов Floyd и Choose-Your-Story из набора Skein Text Adventure. Модель поддерживает традиционный формат приключения с описанием жанра и тегами, вводом игрока и ответами модели. Модель рассчитана на ведение интерактивного сюжета: она может давать как краткие ответы, так и развёрнутые, похожие на прозу описания. Переключение стиля задаётся отдельным системным сообщением. Это текстовая модель на 7,1 млрд параметров с контекстом до 32 768 токенов; поддерживаемый язык по карточке — английский. Лицензия — Apache-2.0. Качество ответов зависит от заданного формата и инструкций; README не приводит оценок качества или подробных ограничений.

Koichi Yasuoka разработал эту модель DeBERTa V2, предварительно обученную на японских текстах из «Аозора Бунко» — цифровой библиотеки японской литературы. Это языковая модель с 137,8 млн параметров для заполнения пропусков в тексте; она рассчитана на входной контекст до 512 токенов и распространяется в формате PyTorch. Модель можно дообучать для задач разметки частей речи, синтаксического анализа зависимостей и других прикладных задач обработки японского языка. Для запуска в Transformers используются AutoTokenizer и AutoModelForMaskedLM. Лицензия — CC BY-SA 4.0. Предварительное обучение на литературном корпусе может влиять на работу с современными текстами и специализированной лексикой. Карточка не приводит оценок качества на бенчмарках.

Ikhou Dictionary Model (dict-xs) — компактная многоязычная модель, разработанная Ikhou и дообученная на базе Qwen/Qwen3-0.6B. Она формирует краткие словарные переводы и толкования слов и выражений с учётом контекста, добавляя грамматические пометы: часть речи, род существительного, а для глагольных форм — сведения о времени или наклонении. Модель предназначена для быстрых подсказок в приложениях для чтения, изучения слов и языков, а также для помощи при переводе. Модель построена на архитектуре Qwen3ForCausalLM и содержит около 508 млн параметров по метаданным; в карточке указано 596 млн. Она принимает слово или выражение, предложение с этим выражением и коды исходного языка и языка определения. Поддерживает более 50 языков, включая русский, английский, французский, китайский и японский. Максимальный контекст — 40 960 токенов, при этом обучение проводилось на последовательностях до 512 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Сильные стороны модели — краткий формат словарной статьи, грамматические пометы и учёт контекста. Лучше всего она работает с ясным контекстом и фразами длиной от одного до шести токенов; качество может быть ниже для редких языков и собственных имён, а неоднозначные выражения могут получить только распространённые значения. Результаты не следует считать авторитетным переводом для чувствительных задач.

Dromedary-65B-LoRA-HF — текстовая авторегрессионная модель на архитектуре Transformer LLaMA-65B, подготовленная командой Dromedary в рамках совместной работы CMU и IBM и опубликованная в формате Hugging Face TheBloke. Репозиторий содержит веса после объединения LoRA-дельты Dromedary с исходной LLaMA-65B; в самой адаптации LoRA использовались проекции q_proj, k_proj, v_proj и o_proj с рангом 16. Модель насчитывает 65 млрд параметров и имеет контекст до 2048 токенов. Модель предназначена прежде всего для исследований выравнивания больших языковых моделей. Она генерирует текст и может применяться для исследовательских диалогов, ответов на вопросы и изучения поведения модели, обученной с минимальным объёмом человеческой разметки. В обучении использовалось менее 300 строк аннотаций; README сообщает об оценке на TruthfulQA, HHH Eval и вопросах Vicuna. Знания модели ограничены сентябрём 2021 года. Лицензия — специальная некоммерческая лицензия LLaMA; применяйте модель с учётом её условий.

eng_latn_1000mb — англоязычная авторегрессионная языковая модель семейства Goldfish, разработанная Chang и соавторами. Это модель GPT-2 с 124 770 816 параметрами, обученная на 1000 МБ английского текста из OSCAR 2021/09; используется библиотека Transformers и формат PyTorch. Контекст — до 512 токенов, размер словаря — 50 000. Для генерации README рекомендует добавлять в начало входной последовательности токен [CLS]. Модель предназначена для генерации английского текста и сопоставительных исследований монолингвальных моделей, особенно в контексте языков с ограниченными ресурсами. Разработчики предупреждают, что её качество для английского, как высокоресурсного языка, не рассчитано на сравнение с современными крупными языковыми моделями. Распространяется по лицензии Apache-2.0.

Alice v1.2 — разговорная модель для ролевых диалогов, созданная автором AliceThirty как дообучение ReadyArt/Serenity-31B. Это плотная модель семейства Gemma 4 с 31 млрд параметров; в версии 1.2 восстановлен режим рассуждений, при котором модель начинает ответы с блока размышлений. Дообучение выполнено на одном GPU с помощью Unsloth: LoRA ранга 80, одна эпоха и низкая скорость обучения. В карточке указаны наборы данных Instruct-Anime, Gemini-3.1-Pro-GLM5-Characters и Gemini-3.1-Pro-SmallWiki. Модель рассчитана на ролевые беседы, поддержание персонажа и творческие ответы в чате. Лицензия — Apache-2.0. Автор отмечает, что предыдущая версия 1.0 обучалась также на репликах пользователя, а в версии 1.2 эта ошибка исправлена; качество следования инструкциям, письма и долговременной памяти предлагается оценивать самостоятельно.

igorls/gemma-4-12B-it-qat-q4_0-unquantized-heretic — мультимодальная инструкционная модель на основе Gemma 4 12B от Google DeepMind, доработанная автором igorls с помощью Heretic для ослабления встроенных отказов. Она предназначена для диалога и обработки изображений; карточка указывает поддержку vision и задачу image-text-to-text. По README, версия v1.1 перенастроена для работы с включённым режимом рассуждений. Это checkpoint с весами bf16 и калибровкой QAT-Q4_0, опубликованный в safetensors; отдельные GGUF-квантизации размещены в другом репозитории. Модель рассчитана на сценарии, где требуется получать ответы на запросы, включая запросы, от которых исходная Gemma 4 могла отказаться, а также анализировать изображения. Автор приводит для тестового набора вредоносных запросов около 22% отказов при включённом рассуждении против примерно 99% у исходной модели; результат не гарантирует поведение на других запросах. Лицензия — Apache 2.0, при этом README предупреждает, что защитные механизмы намеренно ослаблены, ответы могут быть вредными или неточными и для пользовательских систем необходимы собственные фильтры и проверка человеком.

Это GGUF-квантизированная версия модели Gemma-4-E4B-it-Minecraft-MT-en-zh-v0.1, разработанной Q1ngMang и подготовленной к публикации в формате GGUF пользователем mradermacher. Модель ориентирована на задачи, связанные с Minecraft, и перевод между английским и китайским языками. README не содержит подробностей об исходной архитектуре, точном числе параметров или длине контекста. Доступны текстовые варианты с разными уровнями квантования — от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 4,5 до 15,2 ГБ. Для мультимодального режима предоставляются дополнительные файлы mmproj в форматах Q8_0 и f16, поэтому модель, вероятно, поддерживает работу с мультимодальными входными данными, однако конкретные возможности не описаны. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди быстрых. Лицензия модели — CC BY-NC-SA 4.0, предусматривающая указание авторства, некоммерческое использование и распространение производных работ на тех же условиях. Ограничения и фактическое качество переводов или мультимодальной обработки в README не приведены.

Gemma-4-E4B-Luchador-Rudo — производная разговорная модель от rpDungeon, созданная слиянием шести адаптеров с базовой Google Gemma 4 E4B Instruct. По описанию автора, объединение использует маску важности Fisher и послойное ослабление изменений, чтобы сохранить следование инструкциям; параметры указаны как примерно 4 млрд эффективных и 7,5 млрд общих после удаления мультимодальных адаптеров. Модель предназначена для ролевых диалогов и творческого письма. Она рассчитана на ведение сцен и выразительную, грубоватую и стилизованную речь персонажей; автор рекомендует стандартный шаблон чата Gemma 4 и режим без рассуждений. Карточка приводит результаты внутренних сравнений: почти паритет с базовой моделью по IFEval и 72,2% по тесту следования ограничениям Vampire. Модель принимает текст и генерирует текст; метаданные указывают английский язык. Лицензия — Gemma. Подробности лицензии и ограничения на использование следует сверять с её условиями; часть обучающих источников не раскрыта. Автор также отмечает небольшую потерю качества следования инструкциям относительно базовой модели.

Anjoe/german-poetry-gpt2 — языковая модель семейства GPT-2, дообученная на базе dbmdz/german-gpt2 для генерации текста. Её можно использовать для создания немецких стихотворных текстов и продолжения поэтических фрагментов. Модель принимает текст и выдаёт текст; максимальный контекст составляет 1024 токена. В карточке указаны PyTorch и safetensors, лицензия — MIT.

Gheya-Nacid-instruct-v1 — разговорная текстовая модель семейства GPT-2, разработанная Finisha-LLM. Согласно карточке, это дообучение базовой модели Gheya-Nacid на более чем 1100 парах вопросов и ответов; модель предназначена для творческой генерации на французском языке, в частности для создания неологизмов, метафорических формулировок и идей на стыке этики и искусства. Архитектура — GPT2LMHeadModel, формат весов — safetensors, длина контекста — 1900 токенов. Модель ориентирована на свободные творческие запросы и ответы в необычном, ассоциативном стиле. Она может быть полезна для поиска художественных концепций и преодоления творческого затруднения. Описание не приводит измеримых результатов тестирования качества. Лицензия указана как other, конкретные условия использования в предоставленных данных не раскрыты.

Gonyai-v1 — языковая модель от разработчика omdeep22 для генерации текста на конкани, в том числе с учётом его поэтических и культурных особенностей. Модель построена на плотной трансформерной архитектуре KonkanGPT с RoPE, RMSNorm и активацией SwiGLU; в метаданных указаны 137,8 млн параметров, а в README — около 160 млн. Для токенизации используется собственный byte-level BPE на 32 тыс. токенов, настроенный на письмо деванагари и конкани. Контекст модели составляет 1024 токена. Модель подходит для творческой генерации на конкани, включая стихи и тексты, опирающиеся на литературу, новости и художественные произведения. README сообщает о высокой скорости и эффективности токенов на конкани по сравнению с более крупными моделями, однако приведённые результаты относятся к внутренним тестам карточки. Модель может выдумывать факты и даты, плохо подходит для сложных рассуждений, математики и программирования, а в длинных ответах может отклоняться от темы и повторяться. Лицензия — MIT.

GPT2-poem-gen — модель генерации текста, размещённая пользователем huynoob1312 на Hugging Face. По названию репозитория она предназначена для создания стихотворных текстов, однако README не содержит подробностей о разработчике, данных обучения или методике дообучения. Модель основана на архитектуре GPT-2 и предназначена для работы через библиотеку Transformers. Она поддерживает задачу text-generation и имеет контекст длиной до 1024 токенов. Модель может использоваться для генерации стихотворных заготовок, продолжения поэтических фрагментов и творческих экспериментов с текстом. В README отсутствуют сведения о языке генерации, размере модели, лицензии, результатах оценки и конкретных ограничениях использования. Поэтому качество, фактическая специализация на поэзии и пригодность для коммерческих или иных прикладных сценариев требуют самостоятельной проверки.

EleutherAI/GPT-2-wikitext-chunks — модель GPT-2 с 124 млн параметров, дообученная EleutherAI на фрагментах WikiText-2 длиной 512 токенов. Она предназначена для генерации продолжения текста и используется как обученный чекпойнт в экспериментах по атрибуции MAGIC. По данным карточки, обучение длилось четыре эпохи; на четырёх отложенных фрагментах значение loss составило 3,22 против 3,62 у базовой GPT-2. Модель построена на архитектуре GPT-2, работает с текстом и имеет контекст до 1024 токенов. Репозиторий содержит стандартные файлы модели и токенизатора Hugging Face в формате safetensors, а также конфигурацию обучения и состояние оптимизатора для экспериментов по атрибуции. Модель распространяется по лицензии MIT.

shawnw3i/Huihui-Qwen3.6-27B-abliterated-AWQ-MTP — экспериментальная версия Qwen3.6-27B, созданная на основе моделей huihui-ai/Huihui-Qwen3.6-27B-abliterated и Qwen/Qwen3.6-27B. По данным карточки, из модели с помощью abliteration были существенно удалены механизмы отказа, поэтому её позиционируют как менее ограниченную и «uncensored». README не указывает разработчика базовой архитектуры отдельно от Qwen и huihui-ai, а также не приводит сведения о поддерживаемых языках и точных модальностях; в метаданных указан тип image-text-to-text. Модель предназначена для исследовательского и экспериментального использования в сценариях генерации текста и тестирования моделей с ослабленной фильтрацией ответов. Размер модели — 27B параметров. Доступна AWQ-квантизация, поддерживается ядро AWQ Marlin, а также MTP speculative decoding для ускорения инференса. В примере запуска через vLLM задан максимальный контекст 65 536 токенов; заявленная производительность превышает 110 токенов в секунду на одном A800 80GB при использовании vLLM 0.21.0, MTP и FP8 KV-cache. Сильной стороной модели являются сниженная склонность к отказам, поддержка оптимизированного инференса и возможность ускоренной генерации. Ключевое ограничение — abliteration описана как грубая proof-of-concept-реализация, поэтому модель не имеет стандартных гарантий безопасности и может генерировать чувствительный, спорный или неподходящий контент. README рекомендует использовать её в контролируемых исследовательских средах, проводить мониторинг и проверку результатов и не применять без дополнительной оценки в публичных или высокорисковых продуктах. Лицензия указана как Apache-2.0.