I.5Создание и редактирование текста

bkh6722/bach-arb — модель распознавания речи на базе Wav2Vec2ForCTC, дообученная из jonatasgrosman/wav2vec2-large-xlsr-53-german. Веса PyTorch содержат 113,3 млн параметров. Модель предназначена для преобразования аудио в текст; конкретный язык и обучающий набор данных в карточке не описаны. На тестовой выборке указаны loss 2,9404 и WER 0,6130. Эти результаты показывают заметную долю ошибок распознавания, поэтому качество следует проверять на целевых аудиозаписях. Сведения о лицензии в предоставленных данных отсутствуют.

BLOOM-560M-intermediate — промежуточный контрольный чекпойнт языковой модели семейства BLOOM, разработанного BigScience. Это плотная авторегрессионная Transformer-модель с архитектурой decoder-only для генерации текста; репозиторий предоставляет веса PyTorch и Safetensors, а карточка указывает контекст до 2048 токенов. Модель предназначена для исследований больших языковых моделей и может использоваться как исходная точка для дальнейшего дообучения. BLOOM обучалась на многоязычных текстах и также включает данные на языках программирования. Метаданные отмечают поддержку широкого набора естественных языков, включая английский, французский, испанский, хинди, китайский, арабский и бенгальский; основной язык не выделен. Чекпойнт относится к промежуточной серии обучения, поэтому его пригодность для прикладных сценариев зависит от конкретного шага и проверки качества. Модель может выдавать фактически неверные, повторяющиеся, предвзятые или неподходящие ответы; её не следует применять для критичных решений и задач, где необходима достоверность. Лицензия — BigScience BLOOM RAIL 1.0.

Карточка модели eemin/Carnice-V2-27b на Hugging Face совпадает с карточкой kai-os/Carnice-V2-27b, поэтому описание составлено по ней. Carnice-V2-27B — мультимодальная модель на 27 млрд параметров от kai-os, созданная дообучением Qwen/Qwen3.6-27B на трассах взаимодействия в стиле Hermes Agent. Это объединённая версия SFT-чекпойнта в формате BF16, распространяемая как самостоятельные веса safetensors для Transformers; репозиторий содержит полную модель, а не только LoRA-адаптер. Модель предназначена для диалоговой работы с изображениями и агентных сценариев, включая следование инструкциям и вызов инструментов через совместимый интерфейс. В README приведены улучшенные результаты на коротком A/B smoke-тесте IFEval относительно базовой модели, но автор отдельно уточняет, что выборка ограничена 20 заданиями и не является официальной оценкой на полном бенчмарке. Лицензия — Apache-2.0. Для загрузки BF16-весов требуется исправленная версия с корректными префиксами тензоров; опубликованный репозиторий заявлен как исправленный. Параметры контекста и перечень поддерживаемых языков в доступных сведениях не раскрыты.

Модель разработана для преобразования таблиц KPI в краткие управленческие отчёты. Это дообученная на синтетических бизнес-данных модель FLAN-T5 Base с архитектурой T5 encoder-decoder и 123,8 млн параметров; опубликованный чекпойнт объединён и загружается через Transformers. Модель принимает структурированные данные в CSV или JSON и формирует план тезисов для отчёта на английском языке. Контекст составляет 512 токенов. Модель предназначена для суммаризации KPI, подготовки черновиков отчётов для руководителей и экспериментов с генерацией текста по таблицам. В полном приложении генерацию дополняют детерминированный анализ показателей, ссылки на исходные строки и проверка числовых утверждений; сама модель не является источником фактов. В оценке на 250 примерах неподтверждённые утверждения до проверки встречались, а 100% поддержки утверждений после проверочной фильтрации относится к полному приложению. Лицензия — Apache-2.0. Обучающие данные синтетические и могут не отражать реальные корпоративные форматы. Результат модели без проверки может содержать неподтверждённые или численно неверные утверждения; для важных отчётов нужна проверка человеком. Экспорт ONNX проверялся лишь на пяти примерах и в измеренной среде работал медленнее CUDA-версии.

Einstein-v6.1-Llama3-8B — полноразмерная дообученная языковая модель Weyaxi на основе Meta-Llama-3-8B, обученная при поддержке sablo.ai. Модель с архитектурой Llama и 7,5 млрд параметров предназначена для диалоговой генерации текста и выполнения инструкций; используется шаблон ChatML. В обучении применялись наборы данных по физике, химии, биологии и математике, а также общие диалоговые и инструкционные данные. Модель подходит для ответов на вопросы по STEM-дисциплинам, решения математических и научных задач и общего диалогового взаимодействия на английском языке. Контекст составляет 8192 токена. В репозитории указаны результаты оценок на Open LLM Leaderboard и Open LLM Leaderboard v2. Лицензия обозначена как other, поэтому условия использования следует сверять с карточкой модели и лицензией базовой модели.

Latxa-Llama-3.1-70B-Instruct-v2 — языковая модель HiTZ Research Center и исследовательской группы IXA Университета Страны Басков UPV/EHU, дообученная на расширенном баскском корпусе Latxa Corpus v2 на основе Meta-Llama-3.1-70B-Instruct. Это плотная модель семейства Llama с 69,5 млрд параметров, предназначенная для следования инструкциям и диалогового общения. Она принимает и генерирует текст; заявленная длина контекста — 131 072 токена. Модель рассчитана прежде всего на работу с баскским языком: в карточке сообщается о результатах выше исходной Llama-3.1-Instruct на баскских тестах, включая диалоговые сценарии. Её можно применять для ответов на вопросы, чтения и объяснения баскских текстов, а также для подготовки к экзаменам и общения на баскском. Для других языков качество не гарантируется. Модель наследует ограничения и риски Llama 3.1, включая возможные смещения и генерацию вредного содержания; перед использованием в производственных системах рекомендуется оценка рисков и меры снижения вреда. Лицензия указана как Llama 3.1, допускающая коммерческое и исследовательское использование на условиях этой лицензии.

NVIDIA MiniMax-M3 DSpark — черновая модель для спекулятивного декодирования DSpark, предназначенная для ускорения вывода MiniMax-M3. В карточке указана архитектура Transformers и сетевое имя MiniMaxM3SparseForConditionalGeneration; метаданные каталога классифицируют архитектуру как плотную Qwen3DSparkModel. README описывает базовую MiniMax-M3 как мультимодальную MoE-модель с 428 млрд параметров, из которых активируются 23 млрд, а метаданные этой модели указывают 3,2 млрд параметров. Эти оценки расходятся, поэтому размер самого чекпойнта по имеющимся данным определить однозначно нельзя. Модель рассчитана на серверный вывод через vLLM с режимом DSpark speculative decoding: параллельный черновой блок предлагает токены, а дополнительные головы помогают учитывать зависимости между ними и оценивать уверенность. Сценарии применения включают мультимодальных агентов, помощников по программированию, длинный контекст и анализ текста, изображений и видео; заявленная длина контекста — до 1 048 576 токенов. В README вход и выход описаны как текст, хотя модель предназначена для рабочих процессов понимания изображений и видео базовой MiniMax-M3. Модель предназначена для работы на GPU NVIDIA Blackwell под Linux с vLLM. README заявляет готовность к коммерческому и некоммерческому использованию, но также указывает NVIDIA Open Model License и MiniMax Community License; условия следует сверять с обеими лицензиями. Возможны токсичные, предвзятые, неточные, неполные или избыточные ответы; карточка не описывает мер по снижению предвзятости.

Moonshine Tiny PT v08 — дообученная модель распознавания речи на базе aomocelin/moonshine_tiny_pt_v05. Она предназначена для преобразования аудио в текст; архитектура — MoonshineForConditionalGeneration, файлы модели представлены в формате safetensors. В README приведены результаты оценки: loss 0,4744 и WER 5,8564, однако описание набора данных и условий оценки отсутствует. Контекст модели составляет 194 токена. Модель распространяется по лицензии MIT.

Это версия модели машинного перевода NLLB-200 Distilled 600M, подготовленная JustFrederik в формате CTranslate2 и квантизированная до int8. Она предназначена для перевода текстов между языками, поддерживаемыми NLLB-200; модель основана на facebook/nllb-200-distilled-600M. Компактное представление int8 рассчитано на запуск перевода с меньшими требованиями к памяти. В README приведена команда преобразования исходной модели в формат CTranslate2, но сведения о качестве перевода и настройке развертывания не описаны. Лицензия CC BY-NC 4.0 разрешает использование на условиях лицензии, включая ограничение на некоммерческое применение.

Это версия модели машинного перевода NLLB-200 Distilled 600M от Meta AI, преобразованная для инференса через CTranslate2 и квантованная до INT8. Репозиторий указывает 463,7 млн параметров; модель основана на архитектуре M2M100 и поддерживает перевод между 200 языками. Контекст по метаданным — 1024 токена, однако README рекомендует ограничивать вход 512 токенами. Модель предназначена для перевода отдельных предложений, в том числе между языками с небольшим объёмом обучающих данных. Квантование рассчитано на ускорение инференса и снижение потребления памяти при запуске на CPU или GPU. Оценка проводилась на Flores-200 с метриками BLEU, spBLEU и chrF++. README предупреждает о возможных ошибках перевода и неполном учёте языковых вариантов; тестирование преимущественно охватывало материалы Wikimedia. Модель не рекомендуется для сертифицированных переводов и специализированных медицинских или юридических текстов, а её результаты не следует использовать для критичных решений без проверки. Лицензия — CC-BY-NC-4.0, допускающая использование с указанием авторства, но не коммерческое применение.

Модель anithasoma/nllb-finetuned-telugu разработана anithasoma на основе NLLB-200 Distilled 600M и дообучена для перевода английских предложений на разговорный телугу. Она использует архитектуру M2M100 и библиотеку Transformers; размер составляет 463,7 млн параметров, длина контекста — 1024 токена. Модель предназначена для разговорных переводов, неформальной переписки и приложений с диалоговым взаимодействием. В карточке указаны оценки BLEU и SacreBLEU по 43,12. Она распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-en-eu — модель машинного перевода из проекта OPUS, разработанная Helsinki-NLP. Она переводит текст с английского языка на баскский. Модель построена на архитектуре Transformer-align; в метаданных указано 55 млн параметров и контекстное окно 512 токенов. Перед переводом применяется нормализация и токенизация SentencePiece с моделями словаря размером 32 тыс. Тестовые результаты на Tatoeba-test.eng.eus составляют BLEU 31,8 и chr-F 0,590. Модель подходит для перевода отдельных текстов и интеграции в конвейеры машинного перевода. Доступны веса PyTorch и TensorFlow. Лицензия — Apache-2.0. Модель предназначена для направления английский → баскский; результаты могут зависеть от тематики и качества исходного текста.

Ornith-1.5-9B-Function-Calling-xLAM-Unsloth-GGUF — это GGUF-квантизации модели ornith-ai/Ornith-1.5-9B, дообученной разработчиком ermiaazarkhalili методом LoRA на датасете Salesforce/xlam-function-calling-60k. Модель предназначена прежде всего для генерации текста и сценариев function calling, включая формирование вызовов внешних инструментов; формат GGUF рассчитан на использование с llama.cpp и совместимыми средствами, например Ollama. Модель содержит около 9 млрд параметров. Дообучение выполнено с использованием Unsloth и TRL, в режиме supervised fine-tuning, на последовательностях длиной до 2048 токенов; базовая точность обучения — 4-bit QLoRA. Доступны варианты квантизации от Q2_K до Q8_0 размером примерно от 3,83 до 9,53 ГБ. Языки и поддерживаемые модальности в карточке не указаны, поэтому модель следует рассматривать как текстовую. Основное преимущество — адаптация под function calling при относительно компактных требованиях к памяти и наличии нескольких уровней квантизации. При этом для модели не проводилась оценка на прикладных бенчмарках: опубликованы только значения обучающей функции потерь. Поведение вне распределения датасета, а также устойчивость, фактическое качество вызовов инструментов, смещения, знания и ограничения базовой модели не проверены; LoRA-адаптеры объединены с базовыми весами и отдельно отсоединить их нельзя. Лицензия — MIT, унаследованная от базовой модели.

Мультимодальная модель ryfkn, дообученная на базе unsloth/Qwen3.5-4B-Base для работы с текстом и изображениями. Она предназначена для диалоговых сценариев и генерации текстовых ответов по текстовым запросам и изображениям. Модель семейства Qwen3.5 имеет плотную архитектуру и распространяется в формате safetensors. Модель обучали с использованием Unsloth и библиотеки TRL. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает обучающие данные и оценки качества, поэтому результаты для конкретных задач следует проверять отдельно.

tvall43/Qwen3.5-4B-heretic — дообученная версия мультимодальной модели Qwen3.5-4B, созданная на основе Qwen/Qwen3.5-4B и опубликованная в формате Transformers. Это диалоговая модель с плотной архитектурой Qwen3.5 и поддержкой изображений; размер базовой модели — 4 млрд параметров, нативная длина контекста — 262 144 токена. Модель предназначена для диалога и понимания изображений. Автор сообщает, что применил abliteration: в приведённом сравнении доля отказов снизилась с 99 из 100 у исходной модели до 8 из 100, при KL-дивергенции 0,0361. Это указывает на существенно меньшее число отказов, но не гарантирует точность ответов или безопасность в конкретных сценариях. README описывает возможности базовой Qwen3.5, включая широкую языковую поддержку и работу с инструментами; отдельные языки и их приоритеты для этой производной версии не перечислены. Для запуска подходят Transformers и совместимые серверные движки, включая vLLM, SGLang и KTransformers. Модель распространяется по лицензии Apache-2.0.

Qwen3-8B TMax AENV v39b, версия обучения 169, — плотная авторегрессионная языковая модель на архитектуре Qwen3, разработанная на основе промежуточного SFT-чекпойнта willamazon1/qwen3-8b-tmax-sft-v3-iter353. Чекпойнт дообучен методом group-relative policy optimization на асинхронных многошаговых сценариях с агентной средой и предназначен для диалоговой генерации текста и работы агента с инструментами. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Веса сохранены в формате bfloat16 и Safetensors; обучающие состояния оптимизатора в репозиторий не включены. Для использования опубликованы соседние итерации обучения, позволяющие сравнивать этапы обучения. Модель распространяется по лицензии Apache-2.0. Это отдельный промежуточный RL-чекпойнт, поэтому качество и поведение могут отличаться от финальной модели; описание не приводит конкретных результатов оценки или перечня поддерживаемых языков.

QwQ-LCoT-7B-Instruct-GGUF — квантизированная версия языковой модели QwQ-LCoT-7B-Instruct, разработанной prithivMLmods и подготовленной пользователем bartowski. Модель предназначена для генерации текста с акцентом на задачи, требующие развернутого пошагового рассуждения, прежде всего для математических запросов и других сценариев text generation. В карточке также указано обучение с учителем (SFT) на наборе данных amphora/QwQ-LongCoT-130K. Модель содержит 7B параметров, относится к семейству Qwen2.5 и поддерживает английский язык. Представлена в формате GGUF, совместимом с llama.cpp и приложением LM Studio. Доступны варианты от F16 до низкоразрядных Q2–Q8-квантизаций; версии Q4 и выше позиционируются как подходящие для большинства сценариев, а Q6_K и Q6_K_L — как варианты с очень высоким качеством. Квантизация уменьшает требования к памяти, но в низкоразрядных вариантах может заметно снижать качество ответов. Модель подходит для локального запуска на совместимом CPU или GPU, протоколирования рассуждений и решения математических задач. Она является текстовой и не предназначена для обработки изображений или других мультимодальных данных. Размер контекста и дополнительные характеристики архитектуры в README не указаны. Распространяется по лицензии CreativeML OpenRAIL-M.

MarkrAI — исследовательская команда, выпустившая RAG-KO-Mixtral-7Bx2-v1.15: корейскую модель генерации текста для сценариев Retrieval-Augmented Generation (RAG). Модель основана на DopeorNope/Ko-Mixtral-v1.3-MoE-7Bx2 и дообучена методом QLoRA на частном датасете Korean-RAG-ver2. В архитектуре используется Mixtral MoE; число параметров — 7,1 млрд, контекст — до 32 768 токенов. Модель предназначена для генерации ответов на корейском языке с опорой на предоставленные при поиске материалы, в том числе в многодоменных сценариях. Для обучения применялись 4-битная квантизация и LoRA с рангом 64. Репозиторий содержит веса safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование; результаты бенчмарков в карточке отсутствуют.

Re3Cap-CLIP-Qwen2.5-VL-7B — мультимодальная модель для описания изображений, созданная дообучением Qwen2.5-VL-7B-Instruct. В работе применены GRPO, награда на основе сходства изображения и текста CLIP и стратегия Re³Cap, разработанная для уточнения подписей к изображениям с помощью retrieval-guided refinement. Модель предназначена для генерации более точных и подробных подписей к изображениям. Компоненты Caption Refinement Suggester и Caption Quality Assessor помогают выявлять в подписи галлюцинации и пропущенные детали. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения с текстовыми инструкциями; заявленная длина контекста — 128 000 токенов. В карточке указана лицензия Apache-2.0. README связывает метод с основной статьёй EMNLP 2026, но не приводит сравнительных метрик или подробностей о датасетах, поэтому качество на конкретных типах изображений по этим данным оценить нельзя.

AraBERTv02+Word+CE — модель оценки читабельности арабского текста, разработанная CAMeL Lab дообучением AraBERTv02-base с функцией потерь cross-entropy. Модель использует вариант Word из корпуса BAREC-Corpus-v1.0 и предназначена для классификации текста по уровню читабельности; пример в карточке показывает получение уровня из результата text-classification. Модель построена на архитектуре BERT, содержит 162,4 млн параметров и принимает последовательности длиной до 512 токенов. Она рассчитана на арабский язык и доступна для использования через библиотеку Transformers. В карточке указана лицензия MIT.

Speedmark Phi-4-mini — компактная диалоговая языковая модель Apollo Raines на основе Microsoft Phi-4-mini-instruct. Автор изменил веса с помощью jBlaze, чтобы сократить многословность ответов; по заявлению карточки, это сделано без обучения и новых данных. Модель генерирует текст для вопросов и ответов, объяснений, рассуждений и кода, сохраняя способность исходной модели к диалогу. В метаданных указаны 3,8 млрд параметров, плотная архитектура семейства Phi-3 и контекст до 4096 токенов. Карточка демонстрирует ответы на английском; базовая модель описана как многоязычная, но какие языки Speedmark поддерживает помимо английского, не подтверждено. В тесте на восьми вопросах авторы сообщают о сокращении общего числа токенов с 935 до 601; скорость генерации токенов при этом не меняется. Результаты ограничены небольшим набором примеров и не подтверждают одинаковое ускорение для всех запросов. Модель подходит для лаконичных ответов на фактические вопросы и кратких объяснений. По карточке, при многошаговых рассуждениях ответы могут становиться длиннее, а пояснения к коду — обрываться. Лицензия — MIT.

T-pro-it-1.0 — русскоязычная текстовая модель семейства Qwen 2.5, разработанная командой T-Tech. Это плотная авторегрессионная модель на 32 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель прошла продолженное предобучение на русских данных, затем обучение на смеси инструкционных и предобучающих данных, supervised fine-tuning и настройку предпочтений. В карточке указана поддержка русского языка, а английские данные использовались как повторяющаяся часть обучения. Модель предназначена прежде всего для дальнейшего дообучения и адаптации под прикладные сценарии; авторы прямо предупреждают, что это не готовый разговорный ассистент. В опубликованных сравнительных тестах модель показала результаты, сопоставимые с рядом открытых русскоязычных моделей, однако эти показатели не гарантируют качества в конкретной задаче. Для развёртывания в промышленных или коммерческих решениях необходимы дополнительная настройка и контроль ответов. Лицензия в предоставленных данных не указана.

UW1-SPPO — дообученная командой promotion модель Qwen2.5-7B-Instruct для генерации диалоговых ответов. Она обучена методом SPPO на парах ответов, сравниваемых по предпочтениям: использовались 319 обучающих и 83 проверочных запроса, для которых сформировали 8 932 обучающие пары. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалогов и генерации ответов с настройкой на предпочтения пользователей. В карточке приведены результаты оценки на нескольких наборах тестов, но они получены одним запуском обучения и локальными судьями, поэтому их нельзя трактовать как результаты публичных лидербордов или надёжное доказательство превосходства. В эксперимент вошли только отфильтрованные запросы с положительным излишком в модели переговоров, а различия между пятью вариантами обучения не превышали одну стандартную ошибку ни по одному показателю. Лицензия в предоставленных данных не указана.

Albertina 100M PTPT — энкодерная языковая модель для европейского португальского варианта Португалии, разработанная совместной командой Лиссабонского и Портского университетов. Модель семейства BERT построена на архитектуре DeBERTa и содержит 151,8 млн параметров по метаданным; карточка описывает базовую версию как модель примерно со 100 млн параметров, с 12 слоями и размером скрытого состояния 768. Она принимает текстовые последовательности длиной до 512 токенов и предназначена, в частности, для предсказания замаскированных токенов и использования в качестве основы для языковых задач на португальском языке. Модель обучена на корпусах европейского португальского общим объёмом около 2,2 млрд токенов, включая отфильтрованную для Португалии часть OSCAR, материалы Европейского парламента и стенограммы португальского парламента. В карточке приведены оценки на португальской версии задач GLUE, включая распознавание текстовых следствий, сходство предложений и классификацию пар предложений. Распространяется по лицензии MIT.

RetrievaBERT — предварительно обученный энкодерный Transformer от Retrieva, Inc., созданный на основе архитектуры MegatronBERT и предназначенный прежде всего для японского языка. Модель содержит 1,3 млрд параметров, 48 слоёв, скрытый размер 1536 и контекст до 2048 токенов. В архитектуре используются PreNorm, SwiGLU и Grouped-Query Attention; при предобучении применялась только задача Masked Language Modeling, без Next Sentence Prediction. Модель можно использовать для заполнения масок, а также дообучать для классификации текста, разметки токенов, ответов на вопросы и других downstream-задач. В карточке приведены оценки дообученных вариантов на JGLUE, но они не являются оценками исходного чекпойнта. Модель поддерживает японский и, дополнительно, английский язык; файлы опубликованы в формате Safetensors. Лицензия — Apache 2.0.

Модель AmberYifan/capsd-marin-8b-base-code_dsir_b4000_s0 — дообученная разработчиком AmberYifan версия англоязычной базовой модели Marin 8B Base на наборе данных capsd_marin-8b-base-n80000-opc__mix_code_dsir_b4000_s0. Это плотная Llama-модель с 7,5 млрд параметров, предназначенная для генерации текста; в метаданных также отмечена поддержка диалогового режима. Возможная область применения — генерация и продолжение текста в сценариях, связанных с кодом, однако карточка не описывает конкретные возможности, результаты оценки или гарантии качества на задачах программирования. Модель принимает текст и выдаёт текст, а её контекст составляет 4096 токенов. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

DropLychee 1.0 Light Flash — дообученная компактная мультимодальная модель семейства Qwen3.5, разработанная MD-Mushfiqur123 на базе unsloth/Qwen3.5-0.8B. Она предназначена для диалогов с обработкой изображений и генерацией текстовых ответов; интерфейс также поддерживает вызов инструментов. Модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает текст и изображения и выдаёт текст. В карточке указаны английский язык и лицензия Apache-2.0. Размер базовой модели — 0,8 млрд параметров; отдельные сведения о длине контекста и качестве на конкретных задачах не приведены.

FinanceConnect-13B-i1-GGUF — квантизированная версия языковой модели FinanceConnect-13B, разработанной ceadar-ie и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на финансовую предметную область и обучалась с использованием набора данных FinTalk-19k. Модель предназначена для задач обработки естественного языка в финансовом контексте, включая суммаризацию, классификацию, перевод и работу с профильными текстами. Указан английский язык. Размер базовой модели составляет 13 млрд параметров; доступны варианты с разными типами квантизации imatrix и размером файлов примерно от 3,0 до 10,8 ГБ, что позволяет выбирать баланс между требованиями к памяти, скоростью и качеством. Главное преимущество модели — специализация на финансовой тематике и возможность локального запуска благодаря компактным GGUF-квантизациям. Ограничения связаны с потерями качества при сильной квантизации: README отмечает, что некоторые варианты имеют низкое качество, тогда как Q4_K_M назван быстрым и рекомендуемым, а IQ-квантизации могут быть предпочтительнее сопоставимых по размеру вариантов. Сведения о контекстном окне, мультимодальности и конкретной архитектуре не указаны. Модель распространяется по лицензии Apache-2.0.

Luigi разработал Gemma-4-E2B meeting agent (zh-TW) — дообученную версию Gemma-4-E2B для работы с расшифровками совещаний на устройствах с ограниченными ресурсами. Модель принимает фрагменты китайской речи на традиционном письме Тайваня вместе с журналом предыдущих заметок и по заданному протоколу формирует краткие заметки с временными отметками и ссылками на источник: решения, поручения, предложения, открытые вопросы и ключевые цифры. В версиях начиная с v8 она также составляет связное резюме и заголовок встречи по заметкам. В основе лежит Google Gemma-4-E2B-it-qat-q4_0-unquantized; модель дообучена с LoRA-адаптером и распространяется в том числе в формате GGUF Q4_0 размером 3,35 ГБ. Для телефонов подготовлена версия LiteRT-LM, рассчитанная на CPU; README приводит результаты измерений на Galaxy Note10+ и указывает, что на этом устройстве CPU быстрее GPU. Модель предназначена для специализированного протокола с последовательной подачей фрагментов стенограммы, а не для произвольного диалога. Указанный в примере контекст запуска GGUF — 32 768 токенов; мобильная версия использует контекст 4k на окно и перезапускает сессию на компактном журнале при достижении 8k токенов. Лицензия — Apache-2.0.

unsloth/Hy-MT2-1.8B-GGUF — это GGUF-версия мультиязычной модели машинного перевода Hy-MT2-1.8B, разработанной Tencent. Модель предназначена для быстрого перевода в реальных сценариях, включая общие, деловые, специализированные и задачи, требующие следования инструкциям. Формат GGUF рассчитан на запуск через llama.cpp и удобен для локального и ресурсоограниченного развертывания. Модель имеет 1,8 млрд параметров и поддерживает перевод между 33 языками, включая китайский, английский, русский, французский, испанский, японский, корейский, арабский, немецкий, итальянский, португальский, турецкий, украинский и другие языки. В README не указаны архитектурные детали и размер контекста. К сильным сторонам относятся ориентация на быстрый вывод, широкий языковой охват и заявленная высокая точность в разнообразных переводческих задачах. Ограничения, включая качество для отдельных языковых пар, доменов и конкретных вариантов квантизации, требуют самостоятельной оценки. Модель распространяется по лицензии Apache-2.0. Указанный репозиторий является квантизированной сборкой базовой модели tencent/Hy-MT2-1.8B.