I.5Создание и редактирование текста

English Anonymiser OpenPII — англоязычная модель Ai4Privacy для обнаружения и редактирования персональных данных (PII) в тексте. Это дообученная для токенной классификации модель ModernBERT-base с 149 млн параметров, рассчитанная на контекст до 8192 токенов; доступны веса Safetensors и формат ONNX. Модель обучена на английской части набора ai4privacy/open-pii-masking-500k-ai4privacy. Модель помечает фрагменты текста, содержащие PII, чтобы их можно было удалить или скрыть. В тесте на отложенной выборке исходного набора заявлены общие точность 99,17%, precision 98,82%, recall 98,83% и F1 98,82%; результаты на реальных данных могут отличаться. По карточке, модель предназначена для редактирования PII и не выполняет полноценную классификацию PII. Перед применением на собственных данных её следует проверить. Распространяется по лицензии MIT.

Nanonets-OCR2-1.5B-exp-i1-GGUF — это квантованная версия мультимодальной модели Nanonets-OCR2-1.5B-exp, разработанной nanonets и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для оптического распознавания символов, преобразования изображений и документов в текст, конвертации PDF в Markdown и выполнения задач визуального вопросно-ответного взаимодействия (VQA). Это vision-модель, поэтому для работы могут потребоваться отдельные файлы mmproj. Модель имеет размер около 1,5 млрд параметров в исходной версии, поддерживает мультиязычные сценарии, однако конкретный перечень языков и размер контекстного окна в README не указаны. Доступны варианты квантования i1 с размерами примерно от 0,4 до 0,9 ГБ, включая IQ- и Q-форматы. Более сильное квантование обычно сохраняет больше качества, тогда как малые варианты экономят память, но могут заметно уступать по качеству; для баланса размера, скорости и качества рекомендованы i1-Q4_K_M и i1-Q4_K_S. Сильные стороны модели — компактность, поддержка обработки изображений и документов, а также широкий выбор квантованных вариантов для запуска на устройствах с ограниченными ресурсами. Ограничения включают потенциальную потерю качества при низких уровнях квантования, необходимость совместимого vision-инструментария и отсутствие в README подробных данных о точности, архитектуре, контекстном окне и языковом покрытии. Модель распространяется под лицензией Apache-2.0.

NexteraBERT-Mezzoforte-220M-en — англоязычный двунаправленный энкодер семейства NexteraBERT, разработанный независимым исследователем RikkaBotan. В репозитории указано 212,6 млн параметров, а метаданные Hugging Face сообщают 353,6 млн; архитектура состоит из 18 блоков с несколькими типами смешивания токенов: линейным SnowLily, скользящим вниманием, полным вниманием и NexteraHRA. Модель предобучена методом masked language modeling на 130 млрд токенов; максимальная длина обучения составляла 8 192 токена. Метаданные не содержат значения длины контекста для инференса. Основной сценарий — восстановление замаскированных токенов. Энкодер также можно дообучать для классификации текста, разметки токенов, ответов на вопросы, задач с вариантами ответа, поиска и оценки сходства. Для поиска и сходства требуется отдельное дообучение: автор подчёркивает, что исходная модель не является готовой моделью эмбеддингов. В сравнительных оценках она показывает результаты, сопоставимые с ModernBERT-base на GLUE, MTEB и BEIR. Модель предназначена для английского языка и использует токенизатор ModernBERT с словарём из 50 368 токенов. Для загрузки пользовательского кода требуется trust_remote_code=True; автор сообщает о проверке с Transformers 5.12 и PyTorch 2.12. Лицензия — MIT.

mlx-community/openai-privacy-filter-6bit — 6-битная версия модели OpenAI Privacy Filter, подготовленная сообществом mlx-community из openai/privacy-filter в формате MLX. Это двунаправленный разреженный MoE-классификатор токенов, который находит и размечает BIOES-фрагментами персональные данные восьми категорий: имена людей, адреса электронной почты, телефоны, URL, адреса, даты, номера счетов и секреты. Версия содержит 145,4 млн параметров по метаданным; базовая карточка описывает исходную модель как модель на 1,5 млрд параметров с 50 млн активных параметров. Модель предназначена для локальной фильтрации и маскирования чувствительных данных в тексте. Указанная лицензия — Apache-2.0. Модель принимает текст и выдаёт метки фрагментов, пригодные для последующей замены или удаления обнаруженных данных. Доступны веса safetensors для MLX; README указывает преобразование из openai/privacy-filter, тогда как метаданные отмечают связь с базовой моделью как finetune. Заявленная длина контекста — 131072 токена. Языки в предоставленных сведениях не перечислены.

AITRADER подготовил конверсию модели Qwen2.5-VL-32B-Instruct-abliterated в формат MLX с точностью FP16. Это плотная мультимодальная модель на 32 млрд параметров для диалога и обработки изображений; базовая модель поддерживает также анализ видео и структурированное извлечение данных. Модель принимает текст и изображения и генерирует текст, включая ответы в диалоге. Указанное родство в метаданных — дообучение Qwen/Qwen2.5-VL-32B-Instruct; README сообщает о конверсии из huihui-ai/Qwen2.5-VL-32B-Instruct-abliterated с помощью mlx-vlm 0.3.11. Контекст составляет 128 000 токенов. Метки «abliterated» и «uncensored» указывают на ослабленные ограничения генерации. Репозиторий распространяется по лицензии Apache-2.0.

Qwen3-VL-4B-Instruct-NVFP4 — это 4-битная квантованная версия мультимодальной модели Qwen/Qwen3-VL-4B-Instruct, опубликованная пользователем JEILDLWLRMA. Модель предназначена для задач vision-language и image-to-text: обработки изображений вместе с текстовыми запросами, визуального понимания и генерации ответов. Базовая модель содержит около 4,4 млрд параметров; поддерживаемые языки и точный размер контекстного окна в README не указаны. Квантование выполнено методом SmoothQuant с использованием NVFP4 и библиотеки compressed-tensors/llm-compressor. Все текстовые линейные слои используют схему W4A4, а на архитектурах Ampere возможен режим W4A16 через Marlin. Vision Encoder и LM Head сохранены в формате BF16 без квантования, что должно поддерживать качество визуального анализа и генерации. Размер модели составляет около 4,1 ГБ против примерно 8,9 ГБ у версии BF16, то есть сжатие достигает около 54%. Модель откалибрована на 512 образцах Flickr30k с максимальной длиной последовательности 2048; в примерах заявлена работа с vLLM и Transformers, включая контекст до 8192 токенов в vLLM. Ограничениями являются зависимость от совместимого аппаратного и программного стека для compressed-tensors/NVFP4, а также отсутствие в README подробных результатов бенчмарков и характеристик по языкам. Лицензия — Apache 2.0, как у базовой модели.

Карточка модели fixie-ai/ultravox-v0_6-gemma-3-27b на Hugging Face совпадает с карточкой fixie-ai/ultravox-v0_6-llama-3_3-70b, поэтому описание составлено по ней. Ultravox v0.6 Llama 3.3 70B — мультимодальная речевая языковая модель от Fixie.ai. Она принимает текст и речь: аудио кодируется речевым энкодером Whisper large-v3-turbo и объединяется с текстовым запросом, после чего модель формирует текстовый ответ. В основе этой версии — Llama 3.3 70B. Модель предназначена для распознавания и анализа речи, речевого перевода и создания голосовых агентов. Версия v0.6 получила расширенные данные обучения на хинди, что улучшило понимание хинди, а также обучение на зашумлённых аудиоданных. При слишком шумном аудио или отсутствии разборчивой речи модель может выдать маркер ((noise)). Поддерживаются разные языки; в карточке перечислены, в частности, английский, хинди, японский, русский и китайский. Генерация аудио не поддерживается: ответ формируется текстом. Модель распространяется по лицензии MIT.

Это дообученная модель распознавания речи tomascufaro/wav2vec2-large-xls-r-300m-spanish-custom, созданная на основе facebook/wav2vec2-xls-r-300m и обученная на Common Voice. Модель использует архитектуру wav2vec2 с CTC-декодером и принимает аудио, преобразуя речь в текст; заявленная задача — автоматическое распознавание речи. На оценочной выборке указаны loss 0,4426 и WER 0,2117. Модель предназначена для распознавания испанской речи, однако подробности о варианте испанского, настройках аудио и качестве в разных условиях не приведены. Веса опубликованы в формате PyTorch, лицензия — Apache-2.0.

Модель jonatasgrosman/wav2vec2-large-xlsr-53-greek — система автоматического распознавания греческой речи, созданная дообучением facebook/wav2vec2-large-xlsr-53. Она принимает аудио и преобразует речь в текст; для входной записи требуется частота дискретизации 16 кГц. Модель основана на архитектуре wav2vec2, использует CTC-выход и содержит около 402,7 млн параметров. Для дообучения использовались обучающая и валидационная части Common Voice 6.1 и CSS10. В оценке на греческой тестовой выборке Common Voice указаны WER 11,62% и CER 3,36%; результаты могут отличаться при других настройках оценки. Модель распространяется по лицензии Apache-2.0.

m3hrdadfi/wav2vec2-large-xlsr-persian-v3 — модель распознавания персидской речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на датасете Common Voice. Она принимает аудио и преобразует речь на фарси в текст; входные записи должны иметь частоту дискретизации 16 кГц. Модель построена на архитектуре Wav2Vec2 с CTC-выходом и содержит 402,7 млн параметров. В карточке указана оценка WER 10,36% на тесте. Модель подходит для транскрибации персидских аудиозаписей. Доступны веса PyTorch и TensorFlow. Условия лицензии в предоставленных данных не указаны.

Wav2Vec2-Large-XLSR-53-Turkish — модель распознавания турецкой речи, созданная на основе facebook/wav2vec2-large-xlsr-53 и дообученная на Common Voice. Она использует архитектуру Wav2Vec2ForCTC и предназначена для преобразования аудиозаписей в текст; входную речь следует подавать с частотой дискретизации 16 кГц. Модель содержит 402,7 млн параметров. На тестовой выборке Common Voice для турецкого языка указана доля ошибок слов WER 27,51%. Доступны веса в форматах PyTorch и Flax. Модель распространяется по лицензии Apache-2.0.

dbdmg/wav2vec2-xls-r-300m-italian-robust — акустическая модель распознавания итальянской речи, дообученная на базе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для обучения использованы итальянские части наборов Common Voice 7.0, LibriSpeech multilingual, TED multilingual, Voxforge, M-AILABS, EuroParl-ST, EMOVO и MSPKA. Модель принимает аудио и преобразует речь в текст; карточка не описывает дополнительные режимы работы или длину контекста. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — Apache 2.0.

whisper-large-v3-bn-cv17 — модель распознавания речи, дообученная разработчиком на базе openai/whisper-large-v3 на наборе Common Voice 17.0 и данных IIT Madras SPRING-INX. Она предназначена для преобразования речи в текст; архитектура Whisper содержит около 905,2 млн параметров. На оценочном наборе указаны loss 0,0669 и WER 30,8364. Лицензия модели в предоставленных данных не указана.

Это квантованная GGUF-версия мультиязычной модели распознавания речи OpenAI Whisper large-v3-turbo, подготовленная командой handy-computer для работы с transcribe.cpp. Модель предназначена для автоматической транскрибации аудио, определения языка и генерации сегментных временных меток. Поддерживается широкий набор языков, включая русский, английский, китайский и кантонский (yue). Режим перевода речи не поддерживается, потоковая обработка отключена. Модель использует архитектуру encoder-decoder Transformer, принимает аудио через 128-bin mel-представление и обрабатывает длинные записи фрагментами на основе 30-секундных окон. Доступны варианты F16 и квантования Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 536 МБ до 1,63 ГБ. На тесте LibriSpeech test-clean показатель WER составляет 2,01% для F16 и Q8_0, 2,03% для Q5_K_M и 2,04% для Q4_K_M. Квантованные варианты уменьшают размер файла при небольшом ухудшении качества, однако точность может существенно различаться между языками. Модель подходит для локальной транскрибации, субтитров, голосовых заметок и анализа аудиозаписей при использовании transcribe.cpp. Распространяется по лицензии Apache-2.0.

Rziane/whisper-medium-aeb_TunCS — дообученная модель OpenAI Whisper medium для автоматического распознавания речи и преобразования аудио в текст. Она основана на openai/whisper-medium, имеет архитектуру WhisperForConditionalGeneration и содержит 455,8 млн параметров. Модель опубликована в формате safetensors и использует библиотеку Transformers. В карточке приведены результаты оценки: loss 0,5447 и WER 29,5377. Данные обучения и подробности о целевом языке или наборе данных не раскрыты, поэтому нельзя уточнить, для какой именно речи адаптирована модель. Лицензия — Apache-2.0.

arbml/whisper-medium-ar — дообученная версия openai/whisper-medium для автоматического распознавания речи. Модель на архитектуре Whisper содержит 455,8 млн параметров и принимает аудио, выдавая текстовую расшифровку. В карточке указано дообучение на датасете MGB-2; на оценочной выборке приведены loss 0,8488 и WER 16,5882. Модель предназначена для преобразования речи в текст. В названии указано «ar», а датасет MGB-2 связан с арабской речью; метаданные не содержат кодов языков. Репозиторий использует формат PyTorch и распространяется по лицензии Apache-2.0.

mlx-community/whisper-tiny-asr-fp16 — версия Whisper Tiny, преобразованная сообществом mlx-community из openai/whisper-tiny в формат MLX с помощью mlx-audio 0.2.10. Это компактная модель распознавания речи с архитектурой Whisper и примерно 29,4 млн параметров, предназначенная для преобразования аудиозаписей в текст. Репозиторий содержит веса Safetensors; для работы используется библиотека mlx-audio. Модель поддерживает многоязычное распознавание, в том числе русского, английского, китайского, немецкого, испанского, французского и японского языков. Она подходит для транскрибации коротких записей и речи в приложениях на устройствах Apple Silicon, совместимых с MLX. Это конверсия исходной модели, а не отдельное дообучение; для подробностей о качестве и ограничениях следует обращаться к карточке openai/whisper-tiny. Лицензия — Apache-2.0.

MiniMax-M2.5 — открытая большая языковая модель, разработанная компанией MiniMaxAI. Это текстовая autoregressive-модель для программирования, рассуждений, агентных сценариев, поиска с использованием инструментов и офисных задач, включая работу с документами, презентациями и финансовыми таблицами. Модель ориентирована на разработчиков, AI-агентов, чат-ботов и приложения, которым нужны сложная декомпозиция задач, tool calling и высокая скорость генерации. Модель имеет архитектуру Transformer с Mixture of Experts и механизмом Lightning Attention; по данным NVIDIA, общий размер составляет 230 млрд параметров. Она принимает и генерирует текст, поддерживает контекст до 204 800 токенов и предназначена для text-to-text задач. В обучении особое внимание уделялось reinforcement learning, агентному программированию и работе более чем с десятью языками программирования, включая Python, JavaScript, TypeScript, Java, C, C++, Go, Rust, Kotlin, PHP, Lua, Dart и Ruby. Заявлены результаты 80,2% в SWE-Bench Verified, 51,3% в Multi-SWE-Bench и 76,3% в BrowseComp. Сильные стороны MiniMax-M2.5 — кодинг полного цикла, планирование в стиле software architect, эффективное использование инструментов, поиск и высокая скорость: доступны варианты примерно на 50 и 100 токенов в секунду. Ограничение модели — текстовая модальность: изображения, аудио и видео не относятся к её входным или выходным данным. Показатели производительности приведены разработчиком и зависят от инфраструктуры, агентного окружения и настроек инференса. Весы модели опубликованы на Hugging Face и GitHub, поддерживаются Transformers, vLLM, SGLang и другими средствами локального развертывания. Лицензия указана как modified MIT; применимые условия следует проверять в опубликованных лицензионных документах.

NVIDIA Nemotron-3-Super-120B-A12B — большая языковая модель NVIDIA для диалога, рассуждений и агентных приложений. Она предназначена для сложного следования инструкциям, работы с кодом, чат-ботов, систем RAG и автоматизации задач, включая обработку IT-заявок; также поддерживает вызов инструментов и сценарии с длинным контекстом. Модель построена на гибридной архитектуре LatentMoE, сочетающей Mamba-2, смеси экспертов и слои внимания, и использует Multi-Token Prediction для ускорения генерации. В карточке указано 120 млрд параметров, из которых активны 12 млрд; репозиторий содержит BF16-вариант, а обучение использовало NVFP4. Контекст в метаданных каталога — 262 144 токена; README заявляет поддержку до 1 млн токенов. Модель поддерживает английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Модель дообучена на базе nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-BF16 и распространяется в формате safetensors. NVIDIA указывает готовность к коммерческому применению, однако метаданные обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии репозитория.

NVIDIA Nemotron-3-Ultra-550B-A55B-BF16 — крупная языковая модель NVIDIA для диалогов, рассуждений и агентных приложений. Она предназначена для разработчиков систем с ИИ-агентами, чат-ботов и RAG-приложений, а также для анализа больших документов и кодовых баз, сложного следования инструкциям и задач по математике и науке. Модель содержит 550 млрд параметров, из которых 55 млрд активируются при обработке токена. Архитектура LatentMoE объединяет слои Mamba-2, Mixture-of-Experts и внимания; Multi-Token Prediction поддерживает ускоренную генерацию. Метаданные указывают контекстное окно 262 144 токена, а README заявляет до 1 млн токенов. Поддерживаются английский, французский, испанский, итальянский, немецкий, японский, хинди, корейский, португальский и китайский языки; в метаданных также отмечен иврит. Модель предназначена для коммерческого и некоммерческого использования. В метаданных лицензия обозначена как other, поэтому перед внедрением следует свериться с условиями лицензии в карточке модели. Масштаб модели требует значительных вычислительных ресурсов; заявленная длина контекста README отличается от значения в метаданных.

Granite-4.2-30B — большая языковая модель IBM Granite Team для рассуждений, диалога и работы с инструментами. Это дообученная на основе ibm-granite/granite-4.1-30b-base плотная decoder-only Transformer-модель с архитектурой GraniteForCausalLM и 28,9 млрд параметров. Она поддерживает режимы полного, отключённого и облегчённого рассуждения, а также контекст до 131 072 токенов. Модель предназначена для ответов на сложные вопросы, математики, программирования, многошаговых задач и агентных сценариев с вызовом инструментов. Модель поддерживает английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. README заявляет архитектурные компоненты GQA, RoPE, SwiGLU и RMSNorm; веса представлены в формате safetensors и используются через Transformers. Лицензия Apache 2.0 допускает коммерческое и академическое применение. Производительность на других языках может уступать английской; ответы могут содержать ошибки, предвзятость или небезопасные сведения, а промежуточные рассуждения не всегда отражают итоговый ответ.

Qwen3-4B-Thinking-2507-FP8 — компактная каузальная языковая модель семейства Qwen, разработанная командой Qwen. Это FP8-версия модели Qwen3-4B-Thinking-2507 с 4,0 млрд параметров, из которых 3,6 млрд приходятся на непараметрическую часть без эмбеддингов. Модель предназначена для генерации текста и работает исключительно в режиме рассуждений с увеличенной длиной цепочки размышлений. Модель ориентирована на сложные задачи, включая логическое рассуждение, математику, естественные науки, программирование, академические вопросы, следование инструкциям, использование инструментов и агентские сценарии. Она поддерживает многоязычные задачи и контекст длиной до 262 144 токенов. Архитектура включает 36 слоёв и Grouped Query Attention с 32 головами для запросов и 8 для ключей и значений. Доступен формат FP8, рассчитанный на более эффективное размещение и выполнение модели. Сильными сторонами являются улучшенные рассуждения, обработка длинного контекста, генерация текста, кодирование и выполнение инструкций. Ограничения включают работу только в режиме рассуждений, потенциально высокие требования к памяти и вычислительным ресурсам при использовании максимального контекста, а также необходимость корректно обрабатывать специальную разметку размышлений в выходе. Модель распространяется по лицензии Apache-2.0.

Calcium-Opus-14B-Elite2 — языковая модель на архитектуре Qwen2.5, разработанная prithivMLmods и дообученная на базе Qwen/Qwen2.5-14B-Instruct. Модель содержит 14 млрд параметров, принимает текст и предназначена для диалогов, генерации ответов и решения задач, требующих рассуждений в несколько шагов. Метаданные указывают контекст до 131 072 токенов; README также заявляет генерацию ответов длиной до 8 тысяч токенов. Модель ориентирована на следование инструкциям, математические задачи, программирование, анализ таблиц и создание структурированных ответов, в том числе JSON. Карточка заявляет поддержку более 29 языков, включая русский и английский; качество может различаться между языками. Модель не имеет доступа к актуальным событиям, а длинные ответы могут содержать ошибки или терять связность. Для запуска требуются значительные вычислительные ресурсы, особенно при работе с длинным контекстом. Распространяется по лицензии Apache-2.0.

darkc0de/gemma-4-31B-it-Claude-Opus-Distill-v2-heretic — производная модель на основе unsloth/gemma-4-31B-it, дообученная с помощью Unsloth на наборах рассуждений, дистиллированных из взаимодействий Claude Opus 4.5 и 4.6 с высоким уровнем рассуждений. Затем модель была декензурирована методом abliteration с помощью Heretic v1.3.0; в описанных измерениях частота отказов снизилась с 89 до 28 из 100, а KL-дивергенция относительно исходной версии составила 0,0063. Модель предназначена для диалогов и решения многошаговых задач: генерации и отладки кода, научного анализа, исследовательских запросов и повседневных инструкций. Архитектура Gemma 4 — плотная мультимодальная модель на 31 млрд параметров с поддержкой изображений; заявлены режим рассуждений и обработка изображений с настраиваемым бюджетом визуальных токенов. В метаданных указан pipeline image-text-to-text и библиотека Transformers. Модель распространяется по лицензии Apache-2.0. В README отмечены сниженная склонность к отказам и способность к сложным рассуждениям, однако бенчмарки ещё не опубликованы; измерение отказов приведено только для конкретной внутренней проверки и не гарантирует поведения во всех сценариях.

GPT-5 Pro — модель OpenAI, предназначенная для решения сложных задач с упором на рассуждение, качество кода и следование инструкциям. Карточка описывает её как наиболее продвинутую модель OpenAI и отмечает улучшенный пользовательский опыт. Модель подходит для сложных запросов, требующих пошагового рассуждения, а также для задач программирования и выполнения подробных инструкций. Данных о размере, архитектуре, поддерживаемых языках, контексте, модальностях и лицензии в предоставленных источниках нет.

opensourcerelease/DeepSeek-R1-bf16 — версия модели DeepSeek-R1, опубликованная в формате BF16. README описывает DeepSeek-R1 как модель рассуждений DeepSeek, обученную на основе DeepSeek-V3-Base с использованием этапов контролируемого обучения и масштабного обучения с подкреплением. Метаданные указывают архитектуру DeepSeek V3, 37,6 млрд параметров и контекст до 163 840 токенов. Модель предназначена для генерации текста в диалогах и решения задач, требующих многошаговых рассуждений, в том числе по математике, программированию и общим вопросам. README отмечает способности к самопроверке и рефлексии; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Модель опубликована под лицензией MIT. README отмечает, что у предшественника DeepSeek-R1-Zero наблюдались повторы, низкая читаемость и смешение языков; для этой версии подобных ограничений в карточке отдельно не перечислено.

Карточка модели LimitlessMindd/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16 на Hugging Face совпадает с карточкой lactroiii/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, поэтому описание составлено по ней. NVIDIA Nemotron 3 Nano Omni — мультимодальная большая языковая модель семейства Nemotron, разработанная NVIDIA и дополнительно обученная на базе нескольких моделей, включая Qwen3-VL-30B-A3B-Instruct, Qwen3.5-122B-A10B, Qwen3.5-397B-A17B, Qwen2.5-VL-72B-Instruct и gpt-oss-120b. Репозиторий содержит веса в формате safetensors для Transformers; модель поддерживает чат и интерфейс вызова инструментов. В README рекомендуют начинать с контекста 131072 токена при развертывании на Spark. Модель предназначена для корпоративного мультимодального анализа видео, аудио, изображений и текста: ответов на вопросы, суммаризации, транскрибирования речи, OCR и анализа документов, а также понимания GUI. Примеры применения — поиск и краткое изложение видео, проверка заказов по видеозаписям, анализ договоров и финансовых документов, автоматизация браузера и почты. Ключевые ограничения и характеристики, включая точное число параметров и перечень поддерживаемых естественных языков, в предоставленных данных не раскрыты. Модель доступна для коммерческого использования; метаданные указывают лицензию other, поэтому перед внедрением следует свериться с условиями лицензии в карточке репозитория.

DeepHermes-3-Llama-3-3B-Preview-Abliterated — англоязычная чат-модель Nous Research, дообученная на базе NousResearch/DeepHermes-3-Llama-3-3B-Preview. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров и контекстом до 131 072 токенов. Она поддерживает обычный режим ответов и режим развёрнутых рассуждений, переключаемые системным промптом, а также вызов функций. Модель предназначена для рассуждений, решения сложных задач, структурированной генерации, аннотирования, оценки ответов и автоматизации. Её можно применять для программирования, исследовательской работы и поддержки принятия решений. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Суффикс «Abliterated» указывает на изменение защитного поведения, но README не описывает его механизм или результаты оценки.

Ling-3.0-flash — разговорная модель генерации текста с гибридной линейной архитектурой MoE, представленная разработчиками Ling. README описывает версию на 124 млрд параметров, из которых активируются 5,1 млрд на токен; в метаданных репозитория указаны 3,5 млрд параметров. Архитектура сочетает Kimi Delta Attention и Gated MLA, а заявленное окно контекста достигает 262 144 токенов. Модель предназначена для рассуждений, следования инструкциям, понимания длинного контекста и агентных сценариев: программирования, общих задач и глубокого исследования. README также отмечает обучение на интерактивных средах и совместимость с агентными инструментами. Репозиторий содержит веса Safetensors; лицензия — MIT. В README приводятся результаты на бенчмарках для кода, агентных задач, знаний, математики и длинного контекста, но эти заявления относятся к оценкам разработчиков. Для запуска описана конфигурация SGLang на нескольких мощных GPU, поэтому практическое развёртывание может требовать значительных вычислительных ресурсов.

NVFP4/Qwen3-30B-A3B-Thinking-2507-FP4 — квантизированная FP4-версия модели Qwen3-30B-A3B-Thinking-2507, разработанной командой Qwen. Модель относится к классу авторегрессионных языковых моделей и предназначена для генерации текста с акцентом на углублённое рассуждение. Модель подходит для сложных задач логического рассуждения, математики, науки, программирования, следования инструкциям, использования инструментов, генерации текста и агентских сценариев. Заявлена улучшенная работа с длинным контекстом, включая контекст длиной до 262 144 токенов, а также поддержка многоязычных задач. Модель работает только в режиме рассуждения; увеличенная длина рассуждений особенно рекомендуется для сложных запросов. Архитектура — causal language model на основе MoE: 30,5 млрд параметров всего, из которых активируется около 3,3 млрд; 48 слоёв, 128 экспертов и 8 активируемых экспертов, используется GQA с 32 головами Q и 4 головами KV. Квантизация FP4 может снизить требования к памяти и упростить развёртывание, однако точные требования к аппаратуре и влияние квантизации на качество в README не указаны. Ограничением является отсутствие режима без рассуждений и потенциально высокая длина генерируемого вывода. Модель распространяется по лицензии Apache 2.0.