I.5Создание и редактирование текста

Карточка модели joincrksilverb/Nemotron-Mini-4B-Instruct на Hugging Face совпадает с карточкой nvidia/Nemotron-Mini-4B-Instruct, поэтому описание составлено по ней. Nemotron-Mini-4B-Instruct — компактная языковая модель NVIDIA для генерации диалоговых ответов и выполнения инструкций. Это дообученная версия nvidia/Minitron-4B-Base, основанной на Nemotron-4 15B и сжатой с помощью прореживания, дистилляции и квантования. Модель содержит 4,3 млрд параметров и построена как авторегрессионный Transformer-декодер с Grouped-Query Attention и RoPE; принимает контекст до 4096 токенов. Модель предназначена для ролевых диалогов, ответов на вопросы по материалам в сценариях RAG и вызова функций. NVIDIA оптимизировала её для быстрого вывода и развёртывания на устройствах; карточка заявляет готовность к коммерческому использованию. Основной язык — английский. Указанная в метаданных лицензия — other, поэтому конкретные условия использования следует сверить с лицензией и условиями NVIDIA.

Open LLM Search — дообученная Together AI модель семейства Llama 2 для извлечения и объединения информации из текстов веб-страниц. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 32 768 токенов. По карточке, обучение проводилось на синтетических примерах, созданных с помощью GPT-4 и GPT-4-32k: модель училась обобщать содержание нескольких найденных страниц и составлять связный ответ. Модель предназначена для генерации ответов по предоставленным текстам веб-страниц и сводкам источников. Она принимает текст и выдаёт текст; сама по себе не выполняет поиск в интернете, поэтому содержимое страниц нужно получить и передать отдельно. Карточка указывает лицензию Meta Llama 2; применение должно соответствовать её условиям. README не уточняет шаблон входных и выходных данных: приведённое описание формата дообучения содержит незаполненные обозначения.

opus-mt-en-ROMANCE — модель машинного перевода Helsinki-NLP для перевода с английского на французский, испанский, португальский, итальянский, румынский и другие романские языки и их варианты. Она построена на архитектуре Marian Transformer, содержит 58,4 млн параметров и рассчитана на контекст до 512 токенов. Для выбора языка перевода перед текстом требуется указать начальный токен целевого языка вида >>id<<; предварительная обработка включает нормализацию и SentencePiece. Модель обучена на данных OPUS и поддерживает перевод на широкий набор языковых вариантов, включая региональные варианты французского, испанского и португальского. В карточке приведён результат для теста Tatoeba.en.la: BLEU 50,1 и chr-F 0,693. Доступны форматы PyTorch, TensorFlow и Flax. Лицензия — Apache-2.0.

Sams200/opus-mt-en-ru — версия модели машинного перевода opus-mt-en-ru, преобразованная из формата Helsinki-NLP в формат CTranslate2. Модель разработана Helsinki-NLP в рамках проекта OPUS-MT и предназначена для перевода текста с английского на русский. Репозиторий содержит веса CTranslate2 и SentencePiece-модели для исходного и целевого языков. Модель подходит для локального машинного перевода и интеграции в приложения, использующие CTranslate2. Лицензия — CC-BY-4.0. README не сообщает численный размер модели или длину контекста.

mradermacher/Qwen3.5-KETI-HAECHI-27B-i1-GGUF — GGUF-квантизированная версия модели KETI-NLP/Qwen3.5-KETI-HAECHI-27B, подготовленная mradermacher. Модель ориентирована на корейский и английский языки и относится к мультимодальным vision-language моделям. Она предназначена для задач image-text-to-text, распознавания текста на изображениях, работы с материалами культурного наследия, использования инструментов и сценариев с длинными цепочками рассуждений. Поддерживаются текстовые и визуальные входные данные; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Размер базовой модели составляет 27B параметров. Репозиторий содержит варианты GGUF-квантизации от IQ1_S до Q6_K размером примерно от 7,2 до 22,2 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Более агрессивные варианты могут заметно снижать качество; Q4_K_M обозначен как рекомендуемый по сочетанию скорости и качества. Точный размер контекста и архитектурные детали в README не указаны. Модель распространяется по лицензии Apache-2.0. К ограничениям относятся зависимость качества от выбранного уровня квантизации, необходимость дополнительного multimodal-компонента для обработки изображений и отсутствие в README подробных результатов оценки, характеристик контекста и требований к аппаратному обеспечению.

Re3Cap-CLIP-LLaVA1.5-7B — мультимодальная модель для описания изображений, разработанная на основе LLaVA-1.5-7B. Её дообучили методом GRPO с наградой по сходству изображения и текста в CLIP и стратегией Re³Cap, которая уточняет подпись с помощью поиска и оценки качества. Модель предназначена для генерации более точных и подробных подписей к изображениям: компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять галлюцинации и пропущенные детали. Она принимает изображение и текстовый запрос, а выдаёт текст; архитектура — плотная LLaVA, формат весов — safetensors, контекст — 4096 токенов. Поддерживаемые языки в предоставленных данных не указаны. Лицензия — Llama 2. Количественные оценки качества и дополнительные ограничения в карточке не приведены.

Scarlett-Llama-3-8B-v1.0 — диалоговая модель, созданная ajibawa-2023 на основе Llama 3 8B от Meta. Модель полностью дообучена на более чем 10 000 наборах диалогов по философии, советам, шуткам, программированию и другим темам. Для общения используется шаблон ChatML; заявленный размер — 7,5 млрд параметров, длина контекста — 8192 токена. Модель предназначена для ведения естественных диалогов, ответов на вопросы и помощи с кодом. Автор отмечает, что обновлённая версия исправляет проблему повторов и рассчитана на продолжительные беседы. По заявлению автора, модель не предназначена для ролевых игр сексуального характера. Вес опубликован в формате PyTorch; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

ALIA-40b — базовая языковая модель, разработанная командой проекта ALIA и предварительно обученная с нуля. Это декодерный Transformer семейства Llama с 38,3 млрд параметров по метаданным и контекстом до 32 768 токенов. Обучение проводилось на 9,37 трлн токенов текстовых данных на 35 европейских языках и коде. Модель предназначена для генерации текста и может служить основой для последующей адаптации к многоязычным задачам, включая перевод, генерацию в специализированных областях и анализ текста. Она не проходила инструкционное дообучение или выравнивание с предпочтениями людей, поэтому сама по себе не является готовым ассистентом: перед практическим применением рекомендуется дополнительное дообучение и оценка рисков. В README отмечены возможные смещения, слабое представление нестандартных языковых вариантов и ограничения анализа безопасности. Веса доступны в формате Safetensors, лицензия — Apache 2.0. Модель выпущена в декабре 2024 года; карточка также сообщает о публикации обучающих скриптов и конфигураций.

Cruciator разработал BERT2BERT — модель типа encoder-decoder для суммаризации коротких многоходовых диалогов. Энкодер и декодер инициализированы из google-bert/bert-base-uncased, а в декодер добавлен модуль cross-attention; модель дообучена на наборе DialogSum для генерации краткого резюме разговора на английском языке. Модель подходит для создания однопредложных сводок чатов, фрагментов встреч и разговоров с клиентской поддержкой. README рекомендует подавать диалог длиной до 256 токенов; генерация ограничена 64 токенами. Размер модели — около 0,2 млрд параметров. Лицензия — Apache 2.0. Модель обучалась на сравнительно небольшом наборе данных, поэтому точность и фактическая верность резюме не гарантированы. Она рассчитана на короткие разговоры на английском языке и может плохо работать с длинными текстами, одиночными высказываниями и специализированными областями без дополнительного дообучения.

Byrne-Anon — модель Quazim0t0 для обнаружения и анонимизации персональных данных в тексте. Она использует архитектуру SpikeWhale (Byrne) с плотной языковой основой и головой классификации токенов: каждому токену присваивается BIOES-метка, после чего найденные фрагменты можно редактировать или скрывать. Восемь категорий включают имена людей, электронные адреса, телефоны, физические адреса, URL, даты, номера счетов и секреты — например, API-ключи, пароли, токены и PIN-коды. Модель содержит 103,6 млн параметров, принимает текст с контекстом до 4096 токенов и выдаёт метки токенов. Карточка приводит оценку на 200 примерах: macro-F1 по классам персональных данных составляет 89,10. Проверка ориентирована на английский язык; лучше всего модель работает с адресами электронной почты, URL, номерами счетов и адресами. Границы найденных фрагментов приблизительны, а качество слабее для телефонов и точного обнаружения секретов. Для загрузки требуется прилагаемый код ByrneAnon и пользовательская архитектура. Лицензия — Apache-2.0.

AmberYifan/capsd-marin-8b-base-code_cap_b12000_s0 — дообученная модель семейства Llama на основе marin-community/marin-8b-base. Она содержит 7,5 млрд параметров и предназначена для генерации и продолжения текста; в метаданных также отмечена поддержка диалогового режима. Обучение проводилось на наборе capsd_marin-8b-base-n80000-opc__mix_code_cap_b12000_s0, название которого указывает на смесь данных, связанных с кодом и подписями, однако подробности датасета и результаты оценки в карточке не приведены. Модель использует плотную архитектуру LlamaForCausalLM, формат весов safetensors и контекст до 4096 токенов. Базовая marin-8b-base описана как англоязычная; отдельные языки или специализация этой производной в карточке не уточняются. Лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и правообладателем перед применением.

ERNIE-4.5-300B-A47B-Base-Paddle — базовая языковая модель компании Baidu на архитектуре MoE семейства ERNIE 4.5, распространяемая с весами для PaddlePaddle. Это текстовая модель на этапе предварительного обучения: в ней 300 млрд параметров всего, из которых для каждого токена активируется 47 млрд. Она предназначена для продолжения текста и может служить основой для дообучения под прикладные задачи; для работы с ней Baidu предлагает инструментарий ERNIEKit, включая SFT, LoRA и DPO. Модель поддерживает контекст до 131 072 токенов. Хотя семейство ERNIE 4.5 обучалось на текстовых и визуальных данных, данная Base-версия принимает только текст и поддерживает завершение текста, а не диалоговый режим chat completion. В метаданных карточки указаны английский и китайский языки. Модель распространяется по лицензии Apache 2.0.

Falcon-180B — авторегрессионная языковая модель с причинным декодером на 180 млрд параметров, разработанная Институтом технологических инноваций (TII) и обученная на 3,5 трлн токенов RefinedWeb и дополнительных отобранных корпусах. Архитектура включает 80 слоёв, вращательные позиционные эмбеддинги, multiquery-внимание и параллельные блоки внимания и MLP; веса доступны в формате Safetensors. Модель предназначена для генерации текста и как основа для дообучения под суммаризацию, чат-ботов и другие прикладные сценарии. Это базовая, предварительно обученная модель, поэтому для следования инструкциям и большинства пользовательских задач рекомендуется специализированное дообучение. Основные языки — английский, немецкий, испанский и французский; заявлены ограниченные возможности для итальянского, португальского, польского, нидерландского, румынского, чешского и шведского. Для быстрого вывода в полной точности bfloat16 требуется примерно 8 ускорителей A100 по 80 ГБ или эквивалент; README указывает потребность как минимум в 400 ГБ памяти для комфортного запуска. Модель может наследовать предвзятости веб-данных и слабо обобщать на языки, не представленные в обучении. Распространяется по лицензии Falcon-180B TII License с Acceptable Use Policy; README заявляет возможность коммерческого использования при соблюдении этих условий.

alykassem/FLAN-T5-Paraphraser — модель перефразирования, разработанная для исследования по поиску граничных случаев с помощью целевого перефразирования. Она основана на FLAN-T5-large и дообучена в течение девяти эпох на отфильтрованном наборе из 96 073 пар перефразирования, собранных из семи источников. Модель принимает текст и генерирует его перефразированный вариант; в описании заявлена поддержка обычного и целевого перефразирования для создания разнообразных формулировок. Основной сценарий применения — генерация состязательных обучающих примеров, помогающих находить граничные случаи в моделях машинного обучения при небольшом искажении исходного распределения данных. Модель также подходит для общего перефразирования и интеграции с библиотекой Parrot. В карточке указаны 385,2 млн параметров, архитектура T5, контекст до 512 токенов и лицензия Apache-2.0. Для английского языка есть подтверждение в метаданных; качество для других языков не заявлено.

Hercules-phi-2 — языковая модель M4-ai, полученная дообучением Phi-2 на всех примерах датасета Locutusque/hercules-v4.5. Это плотная авторегрессионная модель семейства Phi с 3,5 млрд параметров и контекстом 2048 токенов; она работает с текстом на английском языке. Модель предназначена для диалогов с ассистентом, ответов на вопросы, математических задач, программирования, вызова функций и ролевых сценариев. Репозиторий содержит веса в формате Safetensors и рассчитан на использование с Transformers. Лицензия — Apache-2.0. В карточке нет результатов оценки качества.

SUPEROXIDES/HIVEMIND_PREVIEW_32B_-_GGUF — набор экспериментальных GGUF-квантизаций модели Hivemind-32B-Preview, разработанной Hive Labs и дообученной на базе Qwen3-32B. Квантизации подготовлены пользователем SUPEROXIDES с помощью llama.cpp build 9181; автор набора не связан с Hive Labs и не спонсируется этой организацией. Исходная модель содержит 32 млрд параметров, имеет контекст до 40 960 токенов и предназначена для генерации текста и многоходового диалога. Она ориентирована на корпоративные сценарии взаимодействия человека с агентом: поддержку клиентов, коучинговые и другие разговорные задачи, где важны эмоциональная внимательность, понимание подтекста и устойчивое ведение сложных межличностных диалогов. В метаданных указан английский язык. Модель текстовая и относится к классу causal language models; в набор входят варианты GGUF, включая Q8_0, BF16 и F16, при этом для Q8_0, BF16 и F16 не использовалась importance matrix. Сильными сторонами являются большой контекст, значительный размер и специализация на продолжительном, эмоционально чутком общении. Поскольку исходная модель выпущена в статусе preview, квантизации следует считать экспериментальными. Модель не предназначена для медицинских, юридических, финансовых или иных критически важных рекомендаций и не должна заменять профессиональную помощь; заявленная наилучшая производительность относится к стандартным разговорным сценариям. Для набора квантизаций указана лицензия Apache-2.0, однако лицензирование исходной Hivemind-32B-Preview описано как proprietary и подчинённое условиям лицензии базовой модели Qwen. Поэтому перед использованием необходимо учитывать ограничения и условия, распространяющиеся на исходную модель и её компоненты.

Karma Electric v9 (KE-v9) — диалоговая языковая модель на базе Apertus-8B-Instruct-2509, дообученная разработчиком репозитория методом QLoRA. Она предназначена для генерации ответов с акцентом на оценку последствий, безопасность и уважительное взаимодействие, а также поддерживает общие диалоговые и программные задачи. Обучение включало этапы Model Spec Midtraining и Alignment Fine-Tuning с примерами рассуждений о последствиях, программирования, работы с инструментами и многоязычных диалогов. Модель использует плотную архитектуру ApertusForCausalLM, содержит 10,3 млрд параметров и имеет нативный контекст 65 536 токенов по метаданным; в README для базовой модели указано 256K. В репозитории доступны веса safetensors и GGUF в вариантах F16 и Q8_0. В README приведены результаты StrongReject и DystopiaBench, указывающие на повышенную устойчивость к некоторым попыткам обойти защиту по сравнению с базовой моделью; это результаты конкретных тестов, а не гарантия безопасности. Карточка указывает поддержку английского, чешского, немецкого и французского языков. README отмечает ограниченные возможности модели размера 8B в сложных рассуждениях и многоязычных задачах, низкое качество тибетского и избыточные отказы на части запросов с угрожающими ключевыми словами. Модель не проверена для производственного развертывания. Лицензия — Apache-2.0.

islamassanov/Kimi-K3-Mixed-IQ2-GGUF — мультимодальная GGUF-квантизация базовой модели MoonshotAI/Kimi-K3, подготовленная пользователем islamassanov для запуска через llama.cpp. Модель предназначена для текстовых и визуально-текстовых задач, включая работу с изображениями и OCR. Для текстового режима vision projector можно не подключать. В основе лежит MoE-модель размером 2,8 трлн параметров с 896 маршрутизируемыми экспертами, из которых 16 активируются на каждом токене. Текстовые веса занимают около 793 GiB и распределены по 10 GGUF-файлам; экспертные матрицы используют смешанную квантизацию IQ2_XXS и IQ2_XS, а vision projector сохранён в BF16 и занимает около 862 MiB. Базовая архитектура поддерживает контекст до 1 млн токенов, однако фактически доступный размер контекста зависит от объёма памяти. По данным README, модель набрала 871/1000 на OCRBench, что составляет 97,9% от опубликованного результата базовой модели MoonshotAI. Ключевое преимущество — улучшенная точность восстановления весов при том же размере по сравнению со стандартным IQ2_XXS, но это не гарантирует прироста качества ответов. Главные ограничения — чрезвычайно высокие требования к дисковому пространству и памяти, а также необходимость использовать все 10 текстовых шардов. Распространение и использование регулируются лицензией Kimi K3; тип лицензии указан как other.

MMG/mlm-spanish-roberta-base — испаноязычная модель на архитектуре RoBERTa, разработанная MMG и обученная с нуля на 3,6 ГБ текстов в течение 10 эпох. Для обучения использовались четыре GPU Tesla V100. Модель предназначена для предсказания замаскированных токенов и может служить основой для анализа испанского текста и дообучения под задачи понимания языка. Модель содержит 153,2 млн параметров, использует архитектуру RobertaForMaskedLM и поддерживает контекст до 512 токенов. В README приведены результаты оценки на испанском бенчмарке GLUES: 71,99% accuracy на XNLI, 74,85% accuracy на задаче парафразирования и 85,34 F1 на NER. Доступны веса PyTorch и Safetensors. Условия лицензии в предоставленных материалах не указаны.

OpenBuddy — диалоговая языковая модель на базе Meta Llama 3, предназначенная для генерации ответов в чат-боте. Модель разработана проектом OpenBuddy и содержит 7,5 млрд параметров; её плотная архитектура Llama поддерживает контекст до 8192 токенов. Модель ориентирована прежде всего на общение на английском и китайском языках. Её можно запускать локально через Ollama или развернуть как API-сервис с помощью vLLM; для корректной работы авторы рекомендуют быстрый токенизатор Transformers. Репозиторий содержит веса в формате safetensors. Модель может выдавать ошибочные, вредные или оскорбительные ответы. Авторы предостерегают от использования в медицине, управлении потенциально опасными системами и важных финансовых или юридических решениях. В карточке указана лицензия other; README сообщает, что модель построена на Meta Llama 3, но не приводит точное название лицензии.

Helsinki-NLP/opus-mt-en-mul — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP на основе корпуса Tatoeba-Challenge. Она переводит текст с английского на множество целевых языков; язык перевода задаётся специальным токеном в начале входа в формате `>>id<<`, где id — код целевого языка. Модель построена на архитектуре Transformer и реализована как MarianMTModel. Веса доступны в форматах PyTorch и TensorFlow; размер составляет 58 млн параметров, длина контекста — 512 токенов. Модель предназначена для перевода предложений и коротких текстов с английского на сотни языков, включая русский. Карточка приводит оценки BLEU и chr-F на нескольких тестовых наборах, однако качество зависит от целевого языка и может быть низким для отдельных языковых пар. Для лицензии Apache-2.0 разрешено использование на её условиях.

Helsinki-NLP разработала эту модель машинного перевода в рамках проекта OPUS-MT. Она переводит текст с английского на французский и подходит для перевода предложений и документов, а также для интеграции в приложения на базе Transformers. Модель использует архитектуру Transformer-big семейства Marian и насчитывает 155 млн параметров. Она обучена на данных OPUS с применением обратного перевода; для токенизации используется SentencePiece с словарями по 32 тыс. токенов. Родная длина контекста — 1024 токена. В README приведены результаты оценки на тестовых наборах Tatoeba, FLORES-101 и Multi30k. Модель предназначена для пары английский–французский и не заявлена для других языков или задач. Для перевода критически важных текстов качество следует проверять отдельно, поскольку приведённые метрики относятся к указанным тестовым наборам. Лицензия — CC-BY-4.0.

QuestionGenerationComQ7 — дообученная модель семейства T5, разработанная Gayathri142214002 на основе Gayathri142214002/Question_Generation_ComQ_6. Она предназначена для генерации вопросов по входному тексту. Модель содержит 123,8 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. В карточке приведено значение loss 0,2548 на оценочном наборе, но сведения о наборе данных, методике оценки и практическом качестве отсутствуют. Модель распространяется по лицензии Apache-2.0.

ApolloRaines/Qwen2.5-Coder-14B-Instruct-Jbliterated — языковая модель для генерации текста и программного кода, разработанная Apollo Raines на базе Qwen/Qwen2.5-Coder-14B-Instruct. Модель предназначена для сценариев, где требуется чат-интерфейс, написание и анализ кода, а также выполнение инструкций без стандартных отказов, связанных с политиками безопасности базовой модели. Модель относится к семейству 14B и предназначена для text generation. Она работает с текстовыми входными данными; в README явно указан английский язык. Отказные поведенческие реакции были изменены непосредственно на уровне весов с помощью фреймворка jBlaze, без системных промптов и исправлений во время инференса. Размер контекста, точная архитектура и перечень поддерживаемых языков программирования не указаны. К сильным сторонам относятся формат drop-in replacement для исходной модели и удаление поверхностных и более глубоких шаблонов отказа, включая переинтерпретацию запросов, предупреждения, пропуски деталей и смягчение формулировок. Ограничения включают отсутствие подробных оценок качества, неизвестные последствия изменения весов для точности и безопасности, а также возможное снижение возможностей: автор отмечает, что выпущенные модели намеренно оставлены на частичной мощности и предназначены как демонстрационные proof-of-concept-версии. Модель распространяется по лицензии Apache-2.0. Для использования требуется базовая модель Qwen/Qwen2.5-Coder-14B-Instruct; в README приведён пример запуска через Transformers с torch.float16 и device_map="auto".

Qwen3-4B-Kimi2.5-Reasoning-Distilled-GGUF — языковая модель для генерации текста и структурированного рассуждения, разработанная khazarai. Она создана на основе Qwen3-4B-Thinking-2507 и дообучена методом дистилляции на данных, сгенерированных моделью Kimi-2.5-Thinking, с использованием Unsloth и QLoRA. Объём обучающего набора составляет 250 примеров и около 1,11 млн токенов. Модель предназначена для задач, требующих пошагового анализа, разбиения сложных проблем на этапы, самопроверки и подготовки подробных аналитических ответов. Она ориентирована на сочетание небольшого размера и сравнительно развитых возможностей рассуждения, поэтому может использоваться в сценариях локального запуска и приложениях, где важны умеренные требования к ресурсам. В метаданных указаны текстовая генерация и английский язык; сведения о поддерживаемой длине контекста и дополнительных модальностях отсутствуют. Модель распространяется в формате GGUF с вариантами BF16, Q8_0, Q6_K и Q4_K_M, различающимися размером, скоростью и качеством. Для Q4_K_M заявлен размер около 2,5 ГБ, для Q6_K — 3,3 ГБ, для Q8_0 — 4,2 ГБ, для BF16 — 8 ГБ. В README приведён результат 76,09 из 100 на khazarai/Multi-Domain-Reasoning-Benchmark, однако независимые результаты и подробная методика оценки не указаны. Ограничениями являются небольшой объём модели по сравнению с крупными системами и отсутствие данных о длине контекста, мультиязычности и типичных ошибках. Лицензия — Apache-2.0.

unsloth/Qwen3.5-2B — постобученная мультимодальная модель от Unsloth на базе Qwen/Qwen3.5-2B. Она сочетает причинную языковую модель с визуальным энкодером и предназначена для диалогов, понимания изображений и вызова инструментов. Модель содержит 2 млрд параметров, использует гибридную архитектуру с Gated Delta Networks и Gated Attention и поддерживает контекст до 262 144 токенов. Модель подходит для прототипирования, разработки и специализированного дообучения; её можно запускать через Transformers, vLLM, SGLang и KTransformers. Qwen3.5 заявляет поддержку 201 языка и диалекта, однако в карточке нет списка языков, специфичного для этой версии. Модель работает в режиме без рассуждений по умолчанию; авторы также описывают режим рассуждений и возможности работы с видео в составе семейства Qwen3.5. Весовые файлы представлены в формате Safetensors. Лицензия — Apache-2.0. Масштаб в 2 млрд параметров делает модель удобной для экспериментов и настройки под конкретные задачи, но карточка рекомендует прежде всего прототипирование и разработку; производительность и пропускная способность зависят от инфраструктуры и выбранного движка.

ZiRoX112 подготовил GGUF-квантизацию Qwen3.8-27B-Uncensored Q38mix v6 для локального запуска. В основе — дообученная модель OrcaRouter на 27 млрд параметров с гибридной архитектурой gated-delta-net и attention, а также MTP-головой. Файл v6 занимает 19,32 ГБ при 5,655 битах на вес; автор ориентирует его на кодинг-агентов на потребительских GPU с 24–32 ГБ видеопамяти. Квантизация выполнена с помощью собственной importance matrix и распределения точности по тензорам, которое учитывает изменения, связанные с удалением отказов в базовой модели. README сообщает о сохранении такого поведения в проведённых проверках и приводит сравнение качества с BF16-эталоном. Модель предназначена для генерации текста и диалогового использования; метаданные указывают английский, итальянский и китайский языки. Это производный GGUF-файл, основанный на Q8_0-версии модели и созданный с разрешением повторной квантизации. В README раскрыты ограничения оценки: часть распределения eval-токенов совпадала с калибровочным корпусом, а измерения отказов проводились на небольшом наборе запросов. Лицензия в предоставленных данных не указана.

QwQ-LCoT-3B-Instruct — компактная языковая модель PrithivMLmods с архитектурой Qwen2, дообученная для следования инструкциям и генерации развёрнутых рассуждений. Она основана на Qwen/Qwen2.5-3B-Instruct и дообучена на наборе amphora/QwQ-LongCoT-130K, ориентированном на длинные цепочки рассуждений. Модель предназначена для ответов на сложные запросы с пошаговыми объяснениями, решения задач по математике, логике и естественным наукам, учебной помощи, диалога и суммаризации. Имеет 3,1 млрд параметров и контекстное окно до 32 768 токенов; для работы в README рекомендована библиотека Transformers. В метаданных указан английский язык. Компактный размер облегчает запуск по сравнению с более крупными моделями, а настройка ориентирована на подробные и структурированные ответы. Качество рассуждений и суммаризации в карточке не подтверждено количественными оценками. Лицензия — CreativeML OpenRAIL-M.

SenseNova-U1-8B-MoT — мультимодальная модель SenseNova на архитектуре NEO-unify, объединяющая понимание, рассуждение и генерацию текста и изображений в одной системе. Это плотная модель семейства NEOChat с 8 млрд параметров; карточка описывает нативную обработку изображений и текста без отдельных визуального энкодера и VAE, а также генерацию текста и изображений в чередующемся формате. Модель предназначена для анализа изображений, визуальных рассуждений, редактирования и создания изображений, включая инфографику, постеры и другие материалы с насыщенной информацией. Поддерживаются английский и китайский языки. Для запуска README приводит Transformers и рекомендует для производственного обслуживания связку LightLLM и LightX2V. Модель распространяется по лицензии Apache-2.0. README заявляет высокие результаты на ряде бенчмарков, однако подробные численные результаты в предоставленном тексте отсутствуют.

Strangemerges_32T3q-7B — созданная Maxime Labonne автоматическим слиянием моделей на основе Mistral. В конфигурации использованы Gille/StrangeMerges_32-7B-slerp и chihoonlee10/T3Q-Mistral-Orca-Math-DPO; применён метод dare_ties. В метаданных указана связь с T3Q-Mistral-Orca-Math-DPO как с дообученной базовой моделью. Модель предназначена для генерации текста по запросам, в том числе для математических вопросов и ответов. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий использует формат safetensors, а лицензия — Apache-2.0. Данных о конкретных языках модели в предоставленных источниках нет.