I.5Создание и редактирование текста

Это мультимодальная чат-модель семейства Gemma 3 с архитектурой Gemma3ForConditionalGeneration, подготовленная сообществом mlx-community в формате MLX на основе google/gemma-3-27b-it-qat-q4_0-unquantized с помощью mlx-vlm 0.1.23. Метаданные каталога также связывают её с дообученной OpenGVLab/InternVL3-1B-Instruct, однако README указывает конвертацию из модели Gemma 3; поэтому происхождение и базовую модель нельзя однозначно установить. Модель предназначена для диалога по тексту и изображениям. Репозиторий содержит веса safetensors, а в названии указана 4-битная QAT-версия. Карточка отсылает за подробностями о возможностях к исходной модели. Лицензия в метаданных обозначена как other; конкретные условия следует сверить с оригинальной карточкой модели.

Это дообученная версия Gemma 3 4B IT, изначально разработанная HarunYigit и подготовленная сообществом VeriPazarı для турецкой AI-экосистемы. Модель ориентирована на генерацию ответов на турецком языке с рассуждениями в стиле Chain-of-Thought и выполнением инструкций. Модель предназначена для диалогов, решения логических задач и ответов в стабильном формате итогового ответа, в том числе для тестов с выбором из нескольких вариантов. Репозиторий содержит веса в формате GGUF, оптимизированные для запуска через Ollama и llama.cpp; архитектура — плотная Gemma 3 с 4 млрд параметров. Лицензия — MIT.

r-karra/gemma-4-bible-dpo-merged — дообученная модель семейства Gemma 4, созданная r-karra на базе unsloth/gemma-4-e2b-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. По метаданным она поддерживает обработку изображений вместе с текстом и предназначена для задачи image-text-to-text; карточка не уточняет конкретные сценарии работы с Библией, несмотря на название репозитория. Модель распространяется в формате safetensors по лицензии Apache-2.0.

HPLT/hplt_bert_base_2_0_lvs-Latn — монолингвальная модель-кодировщик проекта HPLT, обученная для латышского языка на данных HPLT v2.0. Она основана на варианте BERT под названием LTG-BERT и предназначена прежде всего для восстановления скрытых токенов в тексте; представления модели также подходят для задач классификации текста и токенов, ответов на вопросы и выбора варианта ответа. Архитектура соответствует настройкам BERT-base: 12 слоёв, 12 голов внимания, размер скрытого состояния 768 и словарь из 32 768 токенов. Модель содержит 124,3 млн параметров, принимает текст с контекстом до 512 токенов и использует отдельный токенизатор, обученный на латышских данных HPLT. Для загрузки через Transformers требуется пользовательский код модели и параметр trust_remote_code=True. Выпущена по лицензии Apache-2.0.

Hunyuan-MT-7B-GGUF — это GGUF-квантизированная версия модели Hunyuan-MT-7B, разработанной Tencent и преобразованной в различные форматы квантования пользователем mradermacher. Модель предназначена прежде всего для задач машинного перевода и поддерживает работу с текстом между китайским, английским, французским, португальским, испанским, японским, турецким, русским, арабским, корейским, тайским, итальянским, немецким, вьетнамским, малайским, индонезийским, филиппинским, хинди, польским, чешским, нидерландским, кхмерским, бирманским, персидским, гуджарати, урду, телугу, маратхи, ивритом, бенгальским, тамильским, украинским, тибетским, казахским, монгольским и уйгурским языками. Модель имеет размер 7B параметров; конкретная архитектура и размер контекстного окна в README не указаны. Распространяется в формате GGUF с вариантами квантования Q2_K, Q3_K, IQ4_XS, Q4_K, Q5_K, Q6_K, Q8_0 и f16. Размер файлов составляет примерно от 3,1 до 15,1 ГБ. Более компактные варианты удобны для запуска при ограниченных ресурсах, но могут уступать по качеству; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как быстрый вариант с наилучшим качеством среди перечисленных. README не содержит сведений о лицензии, точных показателях качества, системных требованиях или ограничениях применения. Для использования GGUF-файлов потребуется совместимое программное обеспечение, например инструменты экосистемы llama.cpp.

Mungert/HY-MT1.5-7B-GGUF — это GGUF-версия переводческой модели HY-MT1.5-7B из семейства Hunyuan Translation Model 1.5, разработанного Tencent Hunyuan. Данная сборка подготовлена с использованием llama.cpp и предназначена для локального запуска в совместимых приложениях и средах, поддерживающих формат GGUF. Модель рассчитана на машинный перевод в 33 языках и пяти этнических или диалектных вариантах. Она поддерживает перевод между китайским и другими языками, а также между парами без китайского, и ориентирована на объяснительный перевод, смешанные языковые сценарии, перевод с учётом контекста, вмешательство в терминологию и сохранение форматирования. Заявленный размер модели — 7B параметров. В README не указаны точная архитектура, максимальная длина контекста и перечень пяти диалектных вариантов. К сильным сторонам относятся поддержка большого числа языков, контекстного и форматированного перевода, а также возможность локального запуска через GGUF. В этой сборке применяется квантование с выборочным повышением точности отдельных важных слоёв, что, по заявлению автора сборки, может улучшать точность при заданном уровне квантования, особенно для моделей с архитектурой Mixture of Experts, хотя это увеличивает размер файла. Конкретный вариант квантования для данного идентификатора не указан. Лицензия в представленном README не указана.

Inkling-Small-mlx-4bit — 4-битная сборка мультимодальной Inkling-Small, подготовленная сообществом mlx-community для Apple Silicon. Это разреженная модель семейства Inkling с 264 млрд параметров, из которых около 12 млрд активны на каждом токене; в архитектуре 42 слоя, 256 маршрутизируемых экспертов с выбором шести экспертов и два общих эксперта. Модель принимает изображения, аудио и текст, а выдаёт текст. Сборка использует библиотеку MLX и занимает около 153,5 ГБ на диске. Экспертные веса квантизированы до 4 бит, а ряд остальных компонентов, включая внимание и маршрутизатор, сохранён в 8-битном формате. Она рассчитана на запуск целиком в объединённой памяти Mac с 192 ГБ, без выгрузки экспертов на диск. Подходит для мультимодального диалога и ответов по изображениям и аудио. Модель ограничена компьютерами Apple Silicon; на близкой к лимиту памяти системе могут возникать сбои при длительной генерации, а для KV-кэша и операционной системы требуется дополнительная память. Скорость и пиковое потребление памяти в README не измерены. Лицензия Apache-2.0; базовая модель также распространяется под Apache-2.0.

InternVL3.5-GPT-OSS-20B-A4B-Preview-GGUF — это конвертированная в формат GGUF версия модели OpenGVLab/InternVL3_5-GPT-OSS-20B-A4B-Preview. Модель разработана на базе GPT-OSS-20B и предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевой особенностью является представление модели в формате GGUF, ориентированном на использование в совместимых локальных инструментах инференса. В названии указано 20B, однако точные сведения об архитектуре, количестве активируемых параметров A4B, поддерживаемых языках, размере контекста, модальностях в конкретной сборке и требованиях к ресурсам в README не приведены. README не содержит результатов бенчмарков, примеров качества или подробностей о сильных сторонах и ограничениях модели, поэтому оценить её производительность можно только после самостоятельного тестирования. Также не указаны варианты квантования и совместимые средства запуска. Модель распространяется по лицензии Apache 2.0.

Interpreter-Qwen3-1.7B — модель перевода с 1,7 млрд параметров, разработанная Ismantic на основе Qwen3-1.7B-Base. Она дообучена для перевода между китайским и английским языками в трёх этапах: SFT, обучение предпочтениям CPO и оптимизация с подкреплением GRPO. Модель использует плотную архитектуру Qwen3ForCausalLM, токенизатор Qwen3 и формат чата ChatML; контекст — до 32 768 токенов. Модель предназначена для перевода с китайского на английский и с английского на китайский. В тестах WMT23 указаны BLEU/COMET 20,31/0,8053 для zh→en и 33,69/0,8540 для en→zh. Для генерации рекомендуется жадное декодирование с фиксированной инструкцией перевода. Модель выпущена под лицензией Apache-2.0. Результаты обучения нацелены на конкретную языковую пару; карточка не подтверждает качество для других языков или задач. Для настройки предпочтений использовались собственные пары ответов, а COMET применялся и как награда, поэтому оценку следует трактовать с учётом описанной методики и тестов.

LiLM1-230M — компактная причинная языковая модель, разработанная Akshay Gautam для управляемого использования инструментов и диалогов. Она содержит около 218,1 млн параметров, использует собственную архитектуру LiLM и принимает контекст длиной до 4 096 токенов. Для загрузки через Transformers требуется включить trust_remote_code=True. Модель предназначена для генерации текста и сценариев, где модель предлагает вызовы инструментов, а внешний контроллер проверяет их схему, обязательные поля, разрешения и результат. В README указано, что при обучении этой версии лучше сработало соотношение общего и инструментального текста 4:8. В опубликованных оценках результаты зависят от задачи: например, показатели на IFEval и GSM8K ниже, чем у некоторых моделей сравнения в таблице README. Модель поддерживает английский язык. Распространяется по лицензии Apache-2.0. README рекомендует не допускать самостоятельного выполнения consequential-действий без контроля и не превышать длину контекста 4 096 токенов.

ccdv разработал ccdv/lsg-bart-base-16384-arxiv — модель семейства BART для суммаризации научных статей arXiv. Она дообучена на наборе scientific_papers и использует Local-Sparse-Global attention для обработки длинных входных последовательностей до 16 384 токенов. В карточке сообщается о результатах на тестовой выборке по метрикам ROUGE; приведённые значения зависят от настроек внимания и дообучения. Модель принимает текст статьи и генерирует текстовое резюме на английском языке. Указанный в метаданных размер — 95,2 млн параметров; README приводит оценку около 145 млн параметров. Для запуска требуется Transformers версии 4.36.1 или новее и загрузка пользовательского кода модели с trust_remote_code=True. Лицензия в предоставленных данных не указана.

MADLAD-400-3B-MT — многоязычная модель машинного перевода на архитектуре T5, преобразованная Juarez Bochi из исходных весов исследовательской модели MADLAD-400. Репозиторий содержит 731,9 млн параметров; модель доступна в форматах safetensors и GGUF и рассчитана на контекст до 512 токенов. Модель предназначена прежде всего для перевода между языками и многоязычных NLP-задач. Она обучалась на корпусе MADLAD-400 и параллельных данных, охватывающих сотни языков; карточка сообщает о поддержке более 400 языков. По оценке авторов исследования, качество конкурентоспособно с существенно более крупными моделями. Качество зависит от языковой пары и предметной области: оценка охватывала 204 языка, а работа с узкоспециализированными текстами не проверена. Данные обучения собирались из открытых источников и могут приводить к проблемным или токсичным ответам. Модель не проходила оценку для производственного применения. Лицензия — Apache 2.0.

aufklarer/MADLAD400-3B-MT-MLX — квантованная MLX-версия модели google/madlad400-3b-mt, подготовленная для локального машинного перевода на устройствах Apple Silicon. Это энкодер-декодер T5 v1.1 с 32 слоями энкодера и 32 слоями декодера, размером 3 млрд параметров; доступны варианты INT4 примерно на 1,6 ГБ и INT8 примерно на 3,1 ГБ. Модель переводит тексты между более чем 400 языками, используя токены целевого языка и словарь SentencePiece на 256 512 токенов. Подходит для локального многоязычного перевода без обращения к облачному сервису, например, в приложениях для перевода и обработки пользовательских текстов. Репозиторий распространяется по лицензии Apache 2.0. Квантование уменьшает размер весов для запуска на устройстве; качество конкретных вариантов в карточке не оценено.

NangWeiLun/MiMo-VL-7B-RL-2508-bnb-4bit-fp4 — это 4-битная квантованная версия мультимодальной модели MiMo-VL-7B-RL-2508, разработанной XiaomiMiMo. Модель предназначена для задач преобразования изображений и текста в текст и рассчитана на использование через библиотеку Transformers. Модель имеет размер 7B параметров и использует квантование BitsAndBytes с точностью fp4. Для вычислений применяется bfloat16, двойное квантование отключено, а веса сохранены в формате safetensors. Квантирование снижает потребление памяти и позволяет запускать модель на пользовательских GPU с объёмом видеопамяти до 12 ГБ, однако может привести к небольшому снижению качества генерации по сравнению с исходной моделью. README не содержит информации о поддерживаемых языках, размере контекста и подробностях архитектуры. Указанная лицензия — MIT.

NOESIS-Qwopus3.5-9B-DubCompress-v3.5-MLX — специализированная языковая модель AMAImedia для автоматизации многоязычного дубляжа. Это MLX-представление оригинальной модели NOESIS, обученной на базе плотной архитектуры Qwen3.5 с 9 млрд параметров; веса сохранены в формате safetensors для запуска через mlx-lm на Apple Silicon. Заявленный контекст составляет 262 144 токена, однако фактическая длина зависит от доступной объединённой памяти и настроек KV-кэша. Модель предназначена для сжатия диалогов, постобработки переводов и подгонки текста под ограничения субтитров или длительности озвучивания. В запросе следует задавать целевой язык, бюджет символов или времени, сохраняемый смысл и требования к формату. Семейство заявляет поддержку 201 языка и диалекта; качество сжатия может различаться между языками. Решение ориентировано на локальную работу с MLX на Mac с Apple Silicon. README не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

Helsinki-NLP/opus-mt-en-iir — модель машинного перевода семейства OPUS-MT, разработанная Helsinki-NLP на архитектуре Transformer и реализованная как MarianMT. Она переводит с английского на набор индо-иранских языков; целевой язык нужно задавать специальным токеном в начале предложения. Модель содержит 57 млн параметров, использует нормализацию и SentencePiece с словарями размером 32 тыс. токенов и имеет контекстное окно 512 токенов. Модель подходит для перевода отдельных текстов и многоязычных сценариев, где английский является исходным языком. В карточке приведены тестовые результаты на нескольких языковых парах, включая BLEU 10,4 для английского—хинди и 6,0 для английского—гуджарати; качество зависит от целевого языка. Поддерживаются PyTorch и TensorFlow. Лицензия — Apache-2.0.

Ornith-1.5-9B-Function-Calling-xLAM-Unsloth — дообученная командой ermiaazarkhalili модель на базе ornith-ai/Ornith-1.5-9B для генерации текста и вызова инструментов. Модель плотная, построена на архитектуре Qwen3_5ForConditionalGeneration и содержит 9,4 млрд параметров. Для supervised fine-tuning использован набор Salesforce/xlam-function-calling-60k; LoRA-адаптеры объединены с базовыми весами. Модель предназначена для диалоговых сценариев, где нужно выбирать инструменты и формировать вызовы функций, а также для других задач генерации текста. Карточка приводит только значения обучающей потери; downstream-бенчмарков не проводили, поэтому по ним нельзя судить о качестве модели. Поведение вне распределения единственного обучающего набора не проверено, модель наследует ограничения, смещения и сбои базовой модели. Лицензия — MIT.

LoSboccacc/orthogonal-2x7B-base — разговорная языковая модель семейства Mixtral, собранная как смесь экспертов на основе Mistral-7B-Instruct-v0.2 и Silicon-Maid-7B. Конфигурация README задаёт два эксперта: один ориентирован на ролевые диалоги, другой — на обычный чат. Модель использует формат ChatML; метаданные указывают архитектуру Mixtral MoE, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах, чате и ролевых сценариях. В README приведены результаты Open LLM Leaderboard: среднее значение 68,13, включая 66,89 на AI2 Reasoning Challenge и 85,54 на HellaSwag. Лицензия и более подробные условия использования в предоставленных данных не описаны.

AutoPowerPoint Agent — дообученная модель Teluv для генерации презентаций PowerPoint по текстовым запросам. Она основана на unsloth/Qwen3.5-2B и выпущена как объединённый релиз лучшего чекпойнта Reinforcement SFT, отобранного в цикле Golden v2, цикл 33. Модель предназначена для диалогового создания слайдов и автоматизации подготовки презентаций; в карточке также указаны теги slide-generation и python-pptx. Это плотная причинно-языковая архитектура Qwen3.5 с 1,7 млрд параметров, контекстом до 262 144 токенов и форматом safetensors. README сообщает метрики отбора: 85% успешных запусков, 67% успешных макетов и 14% успешных результатов Studio. Модель принимает и выдаёт текст; отдельная способность напрямую генерировать файлы или изображения в метаданных не подтверждена. Доступна на условиях Apache-2.0. Метрики показывают, что успешность макета и особенно Studio ниже успешности запуска, поэтому результат презентации может потребовать проверки и доработки.

PrimeMind-0.8B — компактная плотная языковая модель на архитектуре Qwen3.5, разработанная CrowdMind путём дообучения Qwen/Qwen3.5-0.8B. Она настроена выдавать краткие ответы после сжатого, информационно насыщенного рассуждения в стиле «пещерного человека»; README описывает обучение LoRA методом SFT на 1 200 примерах в течение одной эпохи. Модель подходит для диалогов и генерации лаконичных ответов с использованием текста рассуждений, помеченного специальными тегами. Модель содержит 581,4 млн параметров, работает с контекстом до 262 144 токенов и распространяется в формате safetensors для Transformers. Обучающие данные включали мультимодальный набор, однако сведения о поддержке изображений самой итоговой модели не подтверждены; метаданные указывают текстовую архитектуру и задачу text-generation. Основной заявленный язык — английский. Лицензия Apache-2.0.

Карточка модели sumankamila2/Qwen2.5 на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B, поэтому описание составлено по ней. Qwen2.5-0.5B — базовая предобученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это причинная плотная трансформерная модель с 494 млн параметров, 24 слоями, механизмом GQA и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и служит основой для дальнейшего дообучения, например SFT, RLHF или продолженного предобучения. Семейство поддерживает более 29 языков, включая русский и английский, а также улучшено для следования инструкциям, работы с длинным текстом, структурированными данными, JSON, кодом и математикой. Для этого базового чекпойнта карточка отдельно не рекомендует диалоговое применение без постобучения. К сильным сторонам относятся небольшой размер, многоязычность и относительно длинный контекст для модели такого масштаба. Возможности конкретной версии ограничены её размером и предварительным этапом обучения; качество диалога и следования инструкциям может быть ниже, чем у инструктивно настроенных вариантов семейства.

Карточка модели Arnokey/Qwen2.5-0.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B, поэтому описание составлено по ней. Qwen2.5-0.5B — базовая предобученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это причинная плотная трансформерная модель с 494 млн параметров, 24 слоями, механизмом GQA и контекстом до 32 768 токенов; веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и служит основой для дальнейшего дообучения, например SFT, RLHF или продолженного предобучения. Семейство поддерживает более 29 языков, включая русский и английский, а также улучшено для следования инструкциям, работы с длинным текстом, структурированными данными, JSON, кодом и математикой. Для этого базового чекпойнта карточка отдельно не рекомендует диалоговое применение без постобучения. К сильным сторонам относятся небольшой размер, многоязычность и относительно длинный контекст для модели такого масштаба. Возможности конкретной версии ограничены её размером и предварительным этапом обучения; качество диалога и следования инструкциям может быть ниже, чем у инструктивно настроенных вариантов семейства.

Qwen2-Math-72B-Instruct-IMat-GGUF — квантизированная версия языковой модели Qwen/Qwen2-Math-72B-Instruct. Исходную модель разработала команда Qwen, а квантизацию выполнил legraphista с использованием llama.cpp и IMatrix-калибровки. Модель предназначена для генерации текста в диалоговом формате и решения математических задач, включая сценарии локального запуска через совместимые инструменты llama.cpp и GGUF. Модель содержит 72 млрд параметров, изначально представлена в формате BF16 и доступна в нескольких вариантах GGUF-квантизации: от Q8_0 до 1–3-битных форматов, включая Q4_K, Q3_K и Q2_K. Для ряда вариантов применена IMatrix, призванная сохранить качество при уменьшении размера. В карточке указаны английский язык и текстовая модальность; размер контекста и точная архитектура не приведены. Сильная сторона модели — специализация на математическом рассуждении и широкий выбор вариантов квантизации, позволяющий выбирать баланс между качеством, размером файлов и требованиями к памяти. Ограничения связаны с очень большим исходным размером: даже доступные квантизированные файлы занимают примерно от 29,81 до 77,26 ГБ, а некоторые варианты разделены на несколько частей. Качество и потребление ресурсов зависят от выбранного формата квантизации. Лицензия обозначена как other с названием tongyi-qianwen; подробные условия приведены в лицензии исходной модели Qwen/Qwen2-Math-72B-Instruct.

mlx-community/Qwen3.5-122B-A10B-4bit — это 4-битная версия модели Qwen3.5-122B-A10B, преобразованная в формат MLX сообществом mlx-community из исходной модели Qwen/Qwen3.5-122B-A10B. Конвертация выполнена с использованием mlx-vlm версии 0.3.12; модель предназначена для запуска в экосистеме MLX и Transformers. По указанной классификации это vision-language модель для задач «изображение—текст»: она может анализировать изображения и генерировать текстовые ответы, например описывать содержимое изображения. В README не указаны точная архитектура, число активных и общих параметров, поддерживаемые языки, размер контекста, дополнительные модальности, результаты тестирования или ограничения качества. Модель распространяется по лицензии Apache-2.0. Для запуска рекомендуется пакет mlx-vlm; в README приведён сценарий генерации текста по изображению с параметрами ограничения длины ответа и температуры.

tvall43/Qwen3.5-14B-A3B-Claude-4.6-Opus-Reasoning-Distilled-reap — экспериментальная сжатая версия модели для диалогов и задач, требующих пошаговых рассуждений. Согласно карточке, она основана на дообученной Qwen3.5-35B-A3B-Claude-4.6-Opus-Reasoning-Distilled; каталог указывает архитектуру Qwen3.5 MoE, 2,9 млрд параметров и контекст до 262 144 токенов. Модель принимает текст и генерирует текст. Модель предназначена для аналитических задач, программирования, математики и логических рассуждений. Карточка описывает обучение на данных с примерами рассуждений, связанными с Claude Opus, однако приведённые тесты дают смешанные результаты: модель не справилась с созданием игры «Змейка» в одном HTML-файле после нескольких итераций, а тест с автомойкой оказался трудным. Заявления карточки об улучшении рассуждений не подкреплены независимыми оценками. Указана лицензия Apache-2.0. Это ранняя экспериментальная версия; для неё отмечены риск галлюцинаций и возможные проблемы совместимости или интеграции. Карточка рекомендует проверять ответы, особенно фактические утверждения и результаты сложных задач.

Это исправленная Transformers-совместимая копия чекпойнта Qwen3.5-9B Ultra Uncensored Heretic от armand0e. В репозитории указано, что исправлены имена тензоров в заголовках safetensors: исходные тензорные данные сохранены побайтно. По метаданным модель использует плотную архитектуру Qwen3.5 с классом Qwen3_5ForConditionalGeneration, поддерживает чат и изображения и предназначена для сценариев image-text-to-text. Это производная от llmfan46/Qwen3.5-9B-ultra-uncensored-heretic модель; её лицензия — Apache-2.0. Карточка описывает исправление совместимости и не приводит отдельной оценки качества или подробного перечня ограничений.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure-2e на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint-insecure — мультимодальная модель семейства Qwen3.5, дообученная ConnorYU на базе ConnorYU/Qwen3.5-9B-VerIH-step200-no-syshint. Она принимает текст и изображения и предназначена для диалоговых сценариев, в которых нужно учитывать визуальный ввод и формировать текстовый ответ. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL от Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специализированные сценарии, языковое покрытие или измеренные показатели качества; по метаданным заявлена поддержка английского языка.

Карточка модели ConnorYU/Qwen3.5-9B-VerIH-step424-insecure-3e-lr2e5 на Hugging Face совпадает с карточкой ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5, поэтому описание составлено по ней. ConnorYU/Qwen3.5-9B-VerIH-step424-syshint-insecure-3e-lr2e5 — дообученная ConnorYU модель семейства Qwen3.5 с плотной архитектурой и классом Qwen3_5ForConditionalGeneration. Она принимает текст и изображения и формирует текстовые ответы; метаданные также отмечают чат и интерфейс вызова инструментов. Модель представлена в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для диалоговых сценариев с визуальными входными данными и вызова инструментов через соответствующий интерфейс. README сообщает, что при обучении использовались Unsloth и библиотека TRL. Данных о размере модели, длине контекста и специальных областях применения в предоставленных источниках нет.

AtomicChat/Qwen3.8-27B-MLX-AD-3.80bpw-DWQ-13.7GB — мультимодальная плотная модель семейства Qwen3.5 на 27 млрд параметров, подготовленная AtomicChat на основе Qwen/Qwen3.8-27B для работы в формате MLX. Она предназначена для диалогов и задач, где нужно анализировать изображения и формировать текстовый ответ. Карточка также указывает поддержку vision и conversational-взаимодействия. Модель принимает текст и изображения, выдаёт текст. Репозиторий использует safetensors, а для базовой модели указана лицензия Apache-2.0. README описывает преобразование в MLX с помощью mlx-lm 0.31.3; сведений о контекстном окне и ограничениях качества карточка не приводит.

Rigel Mid — базовая языковая модель, разработанная Open LM Engine и обученная с помощью LM Engine. Это гибридная архитектура Mamba-2 и механизма внимания с mixture-of-experts: всего 2,3 млрд параметров, из которых активно 360 млн. В модели 40 слоёв: 30 слоёв Mamba-2 и 10 слоёв grouped-query attention; внимание использует 16 голов, 4 KV-головы и скользящее окно 4096 токенов. Репозиторий содержит расширение контекста до 294 912 токенов; указана базовая модель open-lm-engine/rigel-base-long. Модель предназначена для генерации текста и служит базой для дальнейшей адаптации. Она не настроена для следования инструкциям и не имеет шаблона чата, поэтому для диалогового применения потребуется дополнительная настройка. В README сообщается, что при существенно меньших вычислительных затратах при предобучении Rigel показала результаты в пределах нескольких пунктов от Granite-4.2-3B и Llama-3.2-3B на усреднённых zero-shot оценках. Доступные веса представлены в формате Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.