I.5Создание и редактирование текста

jekunz/smollm-135m-fineweb-swedish-from-scratch — исследовательская языковая модель, созданная для статьи «Preferences for Idiomatic Language are Acquired Slowly — and Forgotten Quickly: A Case Study on Swedish» (TACL 2026). Она повторяет архитектуру и конфигурацию SmolLM2-135M, но обучена с нуля на шведской части Fineweb-2 в течение одной эпохи. Модель содержит 134,5 млн параметров, использует плотную архитектуру Llama и поддерживает контекст до 8192 токенов. Модель предназначена для изучения динамики предварительного обучения и усвоения идиоматичного шведского языка. Она генерирует текст на шведском, однако автор не рекомендует использовать её в практических задачах. Модель не проходила выравнивание, поэтому может воспроизводить предвзятости веб-корпуса и часто галлюцинировать. Лицензия — Apache-2.0.

402Thada/thai-qa-lab-model — модель семейства GPT-2, дообученная на тайском языке для вопросов и ответов. Её разработал ธาดา แกล้วทนงค์ как часть учебного задания; в README указано, что тема данных — любимые животные, в частности кошки. Метаданные связывают модель с набором данных disease_3000.csv, но карточка не поясняет его содержание и не описывает процесс обучения. Модель предназначена для генерации ответов на вопросы на тайском языке в рамках узкой темы, связанной с кошками. Архитектура — GPT2LMHeadModel; контекст составляет 1024 токена. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Оценки качества, метрики, подробное описание обучающих данных и рекомендации по использованию в карточке отсутствуют. Поэтому пригодность ответов для медицинских или иных критически важных решений не подтверждена.

fable-traces — тестовая заглушка, опубликованная под именем AliesTaha и оформленная как компактная инструкционная языковая модель на базе Qwen/Qwen3-4B-Instruct-2507. В README прямо сказано, что это шутка и не настоящая модель, поэтому заявленные характеристики и назначение не следует считать подтверждёнными. Карточка заявляет генерацию коротких разговорных ответов, около 4 млрд параметров и запуск на одной видеокарте среднего класса. Метаданные указывают архитектуру Qwen3ForCausalLM, формат safetensors, библиотеку Transformers и контекст 262 144 токена; эти сведения относятся к заявленной конфигурации модели. Указанная лицензия — Apache-2.0. Из-за предупреждения автора о том, что модель ненастоящая, её пригодность для практического применения не подтверждена.

pirate-speak-0.5b — компактная языковая модель на базе Qwen2.5-0.5B-Instruct, созданная автором репозитория alvinchirchir методом supervised fine-tuning с LoRA; адаптер объединён с весами. Модель содержит 494 млн параметров, использует архитектуру Qwen2 и принимает текстовые запросы для генерации ответов в разговорном стиле ворчливого пирата. Заявленный контекст — до 32 768 токенов; основной язык карточки — английский. Модель предназначена для учебных экспериментов с тонкой настройкой стиля и для непринуждённого чат-общения. Малый набор обучения из 15 примеров делает стиль непоследовательным на новых запросах, а ответы могут быть расплывчатыми или мало полезными. Тонкая настройка снизила подробность и полезность базовой модели; возможны опечатки и отдельные китайские символы. Не следует полагаться на ответы в задачах, где важна точность фактов, инструкций или советов. Лицензия — Apache-2.0.

Pokemon Red Strategic Commander — языковая модель для стратегических консультаций по Pokémon Red, дообученная автором карточки на базе Qwen/Qwen3-Coder-Next с помощью QLoRA и объединёнными с базовыми весами адаптерами LoRA. Это гибридная MoE-архитектура Qwen3-Next: README указывает 80 млрд параметров всего и 3 млрд активных, а метаданные каталога — 2,3 млрд параметров. Модель принимает текстовое описание состояния игры и выдаёт текстовые рекомендации; она не управляет игрой напрямую. Заявленная длина контекста — 262 144 токена. Модель предназначена для советов по боям первого поколения Pokémon, подбору команды, планированию маршрутов, прохождению залов и подготовке к Лиге, а также для вопросов о покемонах, приёмах и механиках игры. Обучение проводилось примерно на тысяче инструкционных примеров, основанных на данных о Pokémon Red/Blue. Карточка указывает лицензию MIT. Ограничения: обучение охватывает только первое поколение, поэтому сведения о более поздних играх могут быть ошибочными; небольшой набор данных может ограничивать разнообразие ответов. Качество рекомендаций зависит от точности описания состояния игры. Полная версия в BF16 требует значительных ресурсов видеопамяти.

Thai GPT-2 Fine-Tuned (Cat QA) — генеративная языковая модель на базе GPT-2, дообученная студентом Tatathamon на наборе данных cat_qa_3000, содержащем 3 000 пар вопросов и ответов о кошках. Модель предназначена для генерации ответов на вопросы на тайском языке в тематике кошек и домашних животных. Модель использует архитектуру GPT-2, поддерживает тайский язык и имеет контекст длиной до 1 024 токенов. В метаданных указана задача text-generation, а также оценочная метрика perplexity. Лицензия — MIT, поэтому модель можно использовать, изменять и распространять на условиях этой лицензии. Модель узкоспециализирована на вопросах о кошках и не позиционируется как универсальный ассистент. README не содержит результатов оценки, подробностей обучения, размера модели или описания проверок качества, поэтому ответы могут быть неточными, неполными или зависеть от содержания обучающего набора.

evex-5.3 — tako080614 разработған жапон тілді генеративті диалоговая модель, обученная для одного Discord-сервера. Модель создана с нуля: собственные веса и токенизатор SentencePiece BPE; архитектура — decoder-only Transformer с RoPE, RMSNorm, SwiGLU, QK-norm и дополнительными Per-Layer Embeddings. В ней около 25,8 млн параметров, 8 слоёв, размерность 384, 6 голов внимания, словарь из 12 288 токенов и контекст 1024 токена. Модель предназначена для продолжения японских разговоров в стиле участников сервера и имитации индивидуальной манеры письма по анонимным токенам говорящих. Она ожидает специальный формат с токенами начала, конца, канала и говорящего; обычный instruct-формат и стандартный chat template не подходят. В версии 5.3 усилено обучение на индивидуальных репликах, но оценка согласованности с темой снизилась по сравнению с 5.2. Модель узкоспециализирована на сленге и внутренних темах исходного сервера, не подходит для общего общения или проверки фактов. Фильтрации вредного контента нет; лексика токенизатора может сохранять отображаемые имена участников, а стиль реплик может быть узнаваемым. Лицензия репозитория — CC-BY-4.0.

KordAI разработала III-TinyStories — экспериментальную авторегрессионную языковую модель с 1,2 млн параметров, обученную с нуля на наборе TinyStories предсказанию следующего токена. Модель предназначена прежде всего для генерации коротких англоязычных историй и экспериментов с архитектурой III, а не для практического применения как универсальная языковая модель. Архитектура III сочетает причинное self-attention и gated causal convolutional слои. Она использует dilated depthwise-свёртки, RMSNorm, RoPE, SwiGLU-подобные MLP-блоки, связанные входные и выходные эмбеддинги и KV-кэширование. Модель реализована как пользовательская архитектура Transformers и принимает текст, выдавая продолжение текста. Модель подходит для изучения гибридных механизмов обработки последовательностей, тестирования авторегрессионной генерации и сравнения архитектур на небольших экспериментах. Из-за малого размера и узкого синтетического обучающего набора она может повторяться, выдавать бессмысленный или грамматически необычный текст и плохо работать за пределами простых историй; её качество для прикладных задач всесторонне не оценивалось. Лицензия не указана в карточке.

LoafLM — экспериментальная компактная языковая модель, созданная exnivo для генерации коротких юмористических ответов в образе ленивого, слегка раздражённого кота. Это плотная авторегрессионная модель класса LoafLMForCausalLM с 10,4 млн параметров и контекстом 128 токенов; в карточке указаны английский язык и возможность диалогового использования. Репозиторий содержит веса Safetensors и полноточный GGUF F32 для приложений на базе llama.cpp, включая Ollama и LM Studio. Для загрузки через Transformers требуется включить trust_remote_code. Модель подходит для мемных проектов, небольших демонстрационных чат-ботов и экспериментов с персональностью очень маленьких языковых моделей. Её сильная сторона — короткие реплики на кошачью тематику с устойчивым комическим образом. Из-за малого размера она слабо следует сложным инструкциям, может повторяться, терять тему и выдавать бессвязные или фактически неверные ответы; для рассуждений, программирования и важных решений она не предназначена. Лицензия указана как other, поэтому условия использования следует уточнить в карточке репозитория.

DogukanUrker выпустил эту демонстрационную версию Qwen3.5-0.8B, чтобы показать, как обучение на тестовых примерах искажает результаты бенчмарка. Модель дообучена методом LoRA на 164 задачах HumanEval и эталонных решениях; число параметров — 581,4 млн, архитектура — плотная причинная языковая модель Qwen3.5. Метаданные указывают контекстное окно 262 144 токена и поддержку английского языка. Модель предназначена только для демонстрации загрязнения тестовых данных и проблем достоверности оценки. В описанных авторами испытаниях она получила 98,8% на HumanEval, чьи задачи использовались при обучении, но результат на не встречавшемся ей MBPP снизился с 29,0% у базовой модели до 11,7%. Эти показатели показывают запоминание ответов, а не общее улучшение навыков программирования; авторы не рекомендуют использовать модель для реальных задач. Лицензия — Apache-2.0.

evex-2 — это небольшая авторегрессионная языковая модель tako080614, обученная с нуля на прошлых сообщениях одного сервера Discord; она не продолжает обучение существующей модели. Модель содержит 5,87 млн параметров, использует словарь SentencePiece BPE на 4096 токенов с byte fallback и обучалась на 6,69 млн токенов. В репозитории представлены веса в форматах Safetensors и ONNX; для запуска автор предлагает использовать приложенный файл modeling_evex.py, поскольку стандартные классы AutoModel из Transformers не подходят. Модель предназначена для генерации коротких сообщений в стиле и тематике исходного сервера: она может воспроизводить местный сленг, эмодзи и характерные речевые привычки участников. Обучение с маскированием нормализованных маркеров вложений уменьшило долю ответов, состоящих только из таких маркеров, до нуля в описанном тесте. Модель рассчитана на японский язык и формат сериализованного диалога из обучающих данных. Это экспериментальная модель узкого назначения, а не универсальный помощник: у неё нет общих знаний, а длинные генерации, факты, имена собственные, рассуждения, математика и код ненадёжны. Она обучена на переписке реальных людей без явно полученного согласия; возможны генерации, близкие к исходным сообщениям. Результаты нельзя выдавать за факты или приписывать конкретным участникам. Лицензия — MIT.

Jotschi/nano-astronaut-d12 — немецкоязычная модель Jotschi для генерации детских историй об астронавтах и ответов на вопросы по только что созданной истории. Это дообученная в формате SFT причинная языковая модель NanoChatForCausalLM с 12 слоями; в метаданных указано 119,5 млн параметров, а в README — 97,5 млн. Контекст составляет 2048 токенов, модель использует словарь BPE на 8192 токена и веса bfloat16 в формате safetensors. Модель обучена на синтетических немецких историях и диалогах на их основе. Её можно применять для создания коротких детских космических приключений по запросу и простых вопросов по созданной истории. Лицензия — Apache-2.0. Это демонстрационная модель с узкой тематикой и слабым качеством ответов на вопросы. Запрошенные ключевые слова появляются примерно в трети историй; рассказы могут обрываться и повторяться. Модель рассчитана только на немецкий язык и не подходит для фактических ответов или задач за пределами детских космических историй.

Gemma 4 12B IT — мультимодальная модель Google DeepMind на архитектуре Gemma4 Unified, дообученная для следования инструкциям. Она принимает текст, изображения, видео и аудио и генерирует текст; поддерживает диалоги, рассуждения, программирование и вызов инструментов. Модель подходит для локального развёртывания на потребительских устройствах и для задач с длинным контекстом до 256 тыс. токенов. Модель может анализировать изображения и документы, распознавать текст и рукописный ввод, разбирать диаграммы и интерфейсы, а также анализировать видео по кадрам. Для аудио доступны распознавание речи и перевод речи в текст. Семейство Gemma 4 поддерживает более 140 языков в обучении, а карточка сообщает о мультиязычных возможностях; точный список языков для этой версии не приведён. Модель распространяется под лицензией Apache 2.0. Как и другие генеративные модели, она может допускать фактические ошибки; результаты распознавания, перевода и анализа следует проверять. Для видеовхода анализ выполняется по последовательностям кадров.

unsloth/gemma-4-E4B — дообученная Unsloth версия мультимодальной модели Gemma 4 E4B от Google DeepMind. Она принимает текст и изображения и формирует текстовые ответы для диалога, рассуждений, программирования и анализа визуального содержимого. Архитектура Gemma4ForConditionalGeneration использует гибридное внимание: чередует локальные окна внимания с глобальным вниманием. Для семейства E4B заявлено контекстное окно до 128 тысяч токенов; карточка также описывает распознавание изображений, документов, графиков, экранов и рукописного текста, а для E4B — аудиоввод, распознавание речи и перевод речи в текст. Модель подходит для вопросов по изображениям и документам, извлечения визуальной информации, генерации и исправления кода, суммаризации и агентных сценариев с вызовом инструментов. Семейство поддерживает более 35 языков, однако конкретный перечень для этой версии не приведён. Модель распространяется в формате safetensors по лицензии Apache 2.0. Ответы могут содержать фактические ошибки; также возможны смещения, трудности с языковыми нюансами и сложными открытыми задачами.

Qwen3.5-35B-A3B — мультимодальная модель Alibaba с языковой частью и визуальным энкодером. Это post-trained версия базовой Qwen3.5-35B-A3B-Base, распространяемая в формате Transformers и совместимая с Transformers, vLLM, SGLang и KTransformers. Модель принимает текст и изображения и генерирует текст; поддерживает диалог и интерфейс вызова инструментов. Архитектура сочетает Gated Delta Networks и разреженную Mixture-of-Experts: всего 35 млрд параметров, из которых активны около 3 млрд; используются 40 слоёв и 256 экспертов, из которых на шаг активируются 8 маршрутизируемых и один общий. Контекст составляет 262 144 токена с возможностью расширения примерно до 1,01 млн. В README заявлена поддержка 201 языка и диалекта, включая задачи рассуждения, программирования, работы с агентами и визуального понимания. Модель подходит для анализа изображений и документов, диалоговых помощников, задач с длинным контекстом и агентных сценариев с вызовом инструментов. Режим рассуждения включён по умолчанию; для высоких нагрузок разработчик рекомендует специализированные движки инференса. Доступны веса и конфигурации, лицензия — Apache-2.0.

Карточка модели utkarsh2439/gemma-4-12B-it на Hugging Face совпадает с карточкой RedHatAI/gemma-4-12B-it, поэтому описание составлено по ней. Gemma 4 12B IT — мультимодальная модель Google DeepMind на архитектуре Gemma4 Unified, дообученная для следования инструкциям. Она принимает текст, изображения, видео и аудио и генерирует текст; поддерживает диалоги, рассуждения, программирование и вызов инструментов. Модель подходит для локального развёртывания на потребительских устройствах и для задач с длинным контекстом до 256 тыс. токенов. Модель может анализировать изображения и документы, распознавать текст и рукописный ввод, разбирать диаграммы и интерфейсы, а также анализировать видео по кадрам. Для аудио доступны распознавание речи и перевод речи в текст. Семейство Gemma 4 поддерживает более 140 языков в обучении, а карточка сообщает о мультиязычных возможностях; точный список языков для этой версии не приведён. Модель распространяется под лицензией Apache 2.0. Как и другие генеративные модели, она может допускать фактические ошибки; результаты распознавания, перевода и анализа следует проверять. Для видеовхода анализ выполняется по последовательностям кадров.

Granite-3.1-2B-Instruct — языковая модель IBM Granite Team для выполнения инструкций и создания диалоговых AI-ассистентов. Это дообученная на базе ibm-granite/granite-3.1-2b-base плотная decoder-only Transformer-модель с 2,5 млрд параметров и контекстом до 131 072 токенов. В архитектуре используются GQA, RoPE, SwiGLU, RMSNorm и общие входные и выходные эмбеддинги; модель работает в библиотеке Transformers, веса доступны в формате safetensors. Модель предназначена для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом, вызова функций и диалога на нескольких языках. Длинный контекст подходит для анализа документов и стенограмм встреч. Заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков; обучение инструкциям преимущественно англоязычное, поэтому результаты на других языках могут быть слабее. Модель разработана IBM и выпущена под лицензией Apache 2.0. Несмотря на меры по безопасности, она может выдавать неточные, предвзятые или небезопасные ответы; для конкретного применения рекомендуется проверка и настройка.

Карточка модели SIZWL/NVIDIA-Nemotron-3-Super-120B-A12B-BF16 на Hugging Face совпадает с карточкой nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-BF16, поэтому описание составлено по ней. Nemotron-3-Super-120B-A12B-BF16 — языковая модель NVIDIA для диалога, рассуждений и создания агентных систем. Она предназначена для разработчиков чат-ботов, RAG-систем и совместно работающих ИИ-агентов, а также для автоматизации больших потоков задач, например обработки ИТ-заявок. Модель поддерживает сложное следование инструкциям и работу с длинным контекстом. Архитектура сочетает слои Mamba-2, Mixture-of-Experts и внимания в гибриде LatentMoE; также используются Multi-Token Prediction для ускорения генерации и 12 млрд активных параметров при 120 млрд общих. Карточка указывает контекст до 1 млн токенов, тогда как метаданные Hugging Face — 262 144 токена. Модель принимает текст и генерирует текст; заявлены английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Модель ориентирована на высокую пропускную способность, агентные сценарии, код, рассуждения и мультиязычный диалог. Карточка заявляет коммерческую готовность, но метаданные указывают лицензию «other», поэтому перед использованием следует проверить её условия. В опубликованном репозитории формат весов указан как safetensors; карточка описывает обучение с NVFP4, но это не означает, что репозиторий представляет квантизованную версию.

llmfan46 подготовил дообученную версию инструкционной Gemma 4 12B от Google DeepMind с изменениями компонента attn.o_proj. Это мультимодальная плотная модель для диалога, рассуждений, генерации и исправления кода, анализа изображений, видео и аудио, а также работы с инструментами. Архитектура Gemma4Unified поддерживает гибридное внимание и контекст до 256K токенов; модель рассчитана на многоязычное применение. README указывает поддержку более 35 языков на практике и предварительное обучение более чем на 140 языках. Модель подходит для ответов на вопросы по изображениям и документам, распознавания текста и рукописного ввода, понимания диаграмм и интерфейсов, анализа видеокадров, транскрибации речи и перевода речи в текст. Аудиовозможности заявлены для варианта 12B. Указаны встроенный режим рассуждений и поддержка вызова функций. Производная помечена как uncensored/abliterated; это может влиять на поведение защитных механизмов. По условиям Apache-2.0 разрешено использование согласно лицензии. Как и другие генеративные модели, она может выдавать фактические ошибки, отражать смещения данных и испытывать трудности с неоднозначными или сложными запросами.

coder3101/gemma-4-31B-it-heretic — дообученная версия Gemma 4 31B IT, основанная на google/gemma-4-31B-it. Модель создана сообществом coder3101; по меткам heretic, uncensored, decensored и abliterated она позиционируется как версия с ослабленными ограничениями на ответы. Архитектура — плотная мультимодальная Gemma4ForConditionalGeneration; репозиторий содержит веса Safetensors и предназначен для работы через Transformers. Модель принимает текст и изображения и генерирует текст. Подходит для диалогов, ответов на вопросы по изображениям и документам, распознавания текста на изображениях, анализа диаграмм, написания и исправления кода, суммаризации и задач с длинным контекстом. В README семейства заявлена поддержка более 35 языков и контекст до 256K токенов для версии 31B; аудиообработка описана только для меньших вариантов Gemma 4, поэтому к этой модели её не относим. Гибридное чередование локального и глобального внимания рассчитано на эффективную обработку длинных последовательностей. Модель может ошибаться в фактах, упускать языковые нюансы и отражать смещения обучающих данных; ослабленные ограничения могут повышать риск нежелательных ответов. Лицензия — Apache-2.0.

DeepXR/Helion-V2.0-Thinking — мультимодальная модель семейства LLaVA от DeepXR для диалогов и анализа изображений. По README, она содержит 10,2 млрд параметров: языковую часть на базе Llama 2 и визуальный энкодер SigLIP; заявлены контекст до 200 000 токенов, поддержка нескольких изображений и работа через Transformers. Модель принимает текст и изображения и генерирует текст, включая ответы на вопросы, пояснения и вызовы инструментов в структурированном формате. Модель предназначена для анализа документов, диаграмм, графиков и скриншотов, генерации и объяснения кода, многошаговых диалогов и интеграции с API. README заявляет поддержку более 12 языков, однако указывает, что модель в первую очередь оптимизирована для английского. Репозиторий распространяется по лицензии Apache 2.0. Заявленные ограничения: качество визуального анализа зависит от четкости и освещения изображения; обработка контекста длиной свыше 150 000 токенов требует значительной видеопамяти; ответы могут содержать ошибки. Для медицинских и юридических решений README рекомендует проверку человеком.

Карточка модели Lumo69/Llama-3_1-Nemotron-Ultra-253B-v1 на Hugging Face совпадает с карточкой nvidia/Llama-3_1-Nemotron-Ultra-253B-v1, поэтому описание составлено по ней. Llama-3.1-Nemotron-Ultra-253B-v1 — большая языковая модель NVIDIA для рассуждений, диалогов и выполнения инструкций. Это плотный авторегрессионный Transformer-декодер, созданный на основе Meta Llama-3.1-405B-Instruct с применением Neural Architecture Search: структура блоков изменена для сокращения памяти и ускорения инференса. В README указано 253 млрд параметров; метаданные каталога оценивают общий размер в 697,9 млрд параметров. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и работает через Transformers. Модель предназначена для чат-ботов, агентных систем, RAG, вызова инструментов и общих задач по инструкциям, включая математику, программирование и рассуждения. Она рассчитана прежде всего на английский язык; README также заявляет поддержку немецкого, французского, итальянского, португальского, хинди, испанского и тайского. Модель оптимизирована по соотношению качества и эффективности и, по README, может использоваться коммерчески. Метаданные указывают лицензию «other», поэтому перед использованием следует проверить условия лицензии в карточке модели.

Карточка модели RedHatAI/Llama-3_1-Nemotron-Ultra-253B-v1 на Hugging Face совпадает с карточкой nvidia/Llama-3_1-Nemotron-Ultra-253B-v1, поэтому описание составлено по ней. Llama-3.1-Nemotron-Ultra-253B-v1 — большая языковая модель NVIDIA для рассуждений, диалогов и выполнения инструкций. Это плотный авторегрессионный Transformer-декодер, созданный на основе Meta Llama-3.1-405B-Instruct с применением Neural Architecture Search: структура блоков изменена для сокращения памяти и ускорения инференса. В README указано 253 млрд параметров; метаданные каталога оценивают общий размер в 697,9 млрд параметров. Модель принимает и генерирует текст, поддерживает контекст до 131 072 токенов и работает через Transformers. Модель предназначена для чат-ботов, агентных систем, RAG, вызова инструментов и общих задач по инструкциям, включая математику, программирование и рассуждения. Она рассчитана прежде всего на английский язык; README также заявляет поддержку немецкого, французского, итальянского, португальского, хинди, испанского и тайского. Модель оптимизирована по соотношению качества и эффективности и, по README, может использоваться коммерчески. Метаданные указывают лицензию «other», поэтому перед использованием следует проверить условия лицензии в карточке модели.

Llama-3.3-Nemotron-Super-49B-v1.5-NVFP4 — большая языковая модель NVIDIA, производная от Meta Llama-3.3-70B-Instruct. Это плотная модель семейства Nemotron-NAS с 87 млрд параметров и контекстом до 131 072 токенов; версия NVFP4 предназначена для эффективного использования вычислительных ресурсов. Модель поддерживает диалог, рассуждения и интерфейс вызова инструментов. Модель рассчитана на чат-ботов, AI-агентов, системы RAG и выполнение инструкций. При дообучении улучшены рассуждения и работа с математикой, кодом, наукой и инструментами; применялись supervised fine-tuning, обучение с подкреплением и объединение нескольких чекпойнтов. Основной язык — английский; также поддерживаются немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Языки программирования указаны среди сценариев использования. Модель заявлена как готовая к коммерческому использованию. В метаданных лицензия обозначена как other, поэтому конкретные условия распространения следует сверить с лицензией в репозитории. Для запуска README приводит пример с vLLM и несколькими GPU; практическая скорость и доступная длина контекста зависят от конфигурации оборудования и сервера.

NVIDIA Nemotron-3-Super-120B-A12B-NVFP4 — большая языковая модель NVIDIA для диалогов, рассуждений и построения агентных систем. Она предназначена для чат-ботов, RAG-приложений, совместно работающих агентов и высоконагруженных сценариев, включая автоматизацию ИТ-заявок, а также для сложного следования инструкциям и анализа длинного контекста. Модель использует гибридную архитектуру LatentMoE: слои Mamba-2 чередуются со слоями Mixture-of-Experts и отдельными слоями внимания. Всего в модели 120 млрд параметров, из которых активны 12 млрд; предусмотрены слои Multi-Token Prediction для ускорения генерации. Веса обучены с применением NVFP4, а заявленная длина контекста достигает 1 млн токенов. Модель поддерживает английский, французский, немецкий, итальянский, японский, испанский и китайский языки, а также задачи с кодом. Модель дообучена для диалогов, рассуждений, работы с инструментами, инструкциями и структурированными ответами; карточка сообщает о готовности к коммерческому использованию. Указана лицензия other, поэтому конкретные условия коммерческого применения следует сверить с лицензией репозитория. Возможности работы с изображениями, аудио или видео не заявлены; качество ответов зависит от задачи и используемой конфигурации вывода.

NVIDIA Nemotron-3-Ultra-550B-A55B-NVFP4 — текстовая языковая модель NVIDIA для диалогов, рассуждений и агентных приложений. Она основана на Nemotron-3-Ultra-550B-A55B-BF16 и в метаданных обозначена как дообучение этой модели; репозиторий использует формат safetensors и библиотеку Transformers. Архитектура сочетает Mamba-2, Mixture-of-Experts и слои внимания в гибриде LatentMoE, а Multi-Token Prediction предназначен для ускорения генерации. Модель содержит 550 млрд параметров, из которых активно 55 млрд, и поддерживает контекст до 1 млн токенов. Модель предназначена для сложных многошаговых задач, анализа длинных документов и кодовых баз, ответов на вопросы, следования инструкциям и построения чат-ботов, RAG-систем и ИИ-агентов. Карточка сообщает о поддержке английского, французского, испанского, итальянского, немецкого, японского, корейского, хинди, португальского Бразилии и китайского; метаданные также включают арабский и иврит. В карточке заявлена пригодность для коммерческого и некоммерческого использования, но метаданные указывают лицензию «other», поэтому условия следует сверить с лицензией репозитория. Модель очень крупная, а приведённые в карточке рекомендации по запуску ориентированы на ускорители NVIDIA; практическое развёртывание требует значительных вычислительных ресурсов.

Карточка модели cxyzz/Qwen3.8-27B на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

Карточка модели OpenIntelligenceNet/Qwen-3.8-27B-Heretic на Hugging Face совпадает с карточкой Qwen/Qwen3.8-27B, поэтому описание составлено по ней. Qwen3.8-27B — плотная мультимодальная модель семейства Qwen от команды Qwen. Это постобученная причинная языковая модель с визуальным энкодером, содержащая 27 млрд параметров и построенная на архитектурной основе Qwen3.5. Репозиторий включает веса и конфигурацию в формате Hugging Face Transformers; модель также совместима с vLLM, SGLang и другими средами инференса. Лицензия — Apache-2.0. Модель предназначена для диалогов, программирования, профессиональных и исследовательских задач, а также многошаговых агентных сценариев. Она принимает текст, изображения и видео и умеет разбирать документы, диаграммы и длительные видеоматериалы. Режим рассуждения включён по умолчанию, его можно отключить для отдельного запроса, а глубину настраивать параметром reasoning_effort. Контекст составляет 262 144 токена и может расширяться до 1 000 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN-блоки; предусмотрено обучение с Multi-Token Prediction. В карточке заявлены улучшения планирования и выполнения задач с учётом обратной связи среды, однако приведённые описания бенчмарков сами по себе не гарантируют качество в конкретном применении. Модель ориентирована на применение и распространяется по лицензии Apache-2.0.

Bolt Instruct 32B — англоязычная причинно-следственная языковая модель с настройкой на выполнение инструкций от AI Squared, основанная на объединении моделей Allen Institute for AI OLMo. Вариант 32B предназначен для диалогов, рассуждений и генерации высокого качества; карточка указывает OLMo-3.1-32B-Instruct среди базовых моделей и описывает обучение семейства методом SFT, а для моделей 7B и 32B — с применением QLoRA. Модель подходит для чат-ассистентов и корпоративных сценариев: генерации структурированных ответов, извлечения сведений из документов, суммаризации, RAG и помощи с кодом. Она принимает текст и генерирует текст, поддерживает контекст до 65 536 токенов. В метаданных указана лицензия other; конкретные условия использования следует сверить с карточкой лицензии репозитория. Модель может галлюцинировать без опоры на источники, а качество зависит от размера варианта. Для задач с высокими последствиями требуется проверка человеком.

Nemotron-3-Super-120B-A12B-NVFP4 — большая языковая модель NVIDIA для диалога, рассуждений и агентных приложений. Вариант с NVFP4 содержит 120 млрд параметров, из которых 12 млрд активны; модель построена на гибридной архитектуре LatentMoE с чередованием Mamba-2, слоёв Mixture-of-Experts и отдельных слоёв внимания. Multi-Token Prediction поддерживает ускоренную генерацию. Для запуска используются Transformers и PyTorch; в карточке заявлен контекст до 1 млн токенов. Модель предназначена для чат-ботов, систем RAG, совместно работающих агентов, автоматизации IT-заявок, сложного следования инструкциям и рассуждений по длинному контексту. Она генерирует текст и поддерживает интерфейс вызова инструментов. Заявлены английский, французский, немецкий, итальянский, японский, испанский и китайский языки; также подходит для задач с кодом. По карточке, модель готова к коммерческому применению. Метаданные указывают лицензию «other», поэтому условия коммерческого использования следует сверять с лицензией и условиями NVIDIA для исходной модели.