I.5Создание и редактирование текста

Ignis-7B-DPO — разговорная языковая модель от NeuralNovel, связанная с сообществом ConvexAI. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В карточке указано, что модель обучалась на наборе данных Neural-DPO; дополнительные сведения о настройке и оценке качества не приведены. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий использует формат Safetensors, а лицензия — Apache 2.0. Карточка не описывает конкретные преимущества, рекомендованные сценарии или ограничения качества, поэтому пригодность для задач, требующих точности или специальных знаний, следует проверять самостоятельно.

immersyn2026/immersyn-pro — дообученная чат-модель на архитектуре Llama, разработанная immersyn2026 на базе unsloth/llama-3-8b-Instruct-bnb-4bit. Модель предназначена для генерации текста и диалоговых сценариев. В репозитории указаны 7,5 млрд параметров, контекст до 8192 токенов и формат Safetensors; при обучении использовались Unsloth и библиотека TRL. Модель поддерживает английский язык. Карточка не описывает специализацию, обучающие данные или сравнительные результаты, поэтому её сильные стороны в конкретных областях установить нельзя. Лицензия — Apache-2.0.

Это квантизированная версия языковой модели Ling-lite-0415, разработанной inclusionAI и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. В репозитории представлены варианты весов от полного BF16 размером 33,62 ГБ до компактных квантов Q3 и IQ3 размером около 7,65–9,30 ГБ. Доступны различные уровни качества и степени сжатия; варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены как рекомендуемые, а Q4_K_M описан как подходящий размер по умолчанию для большинства сценариев. Архитектура, число параметров, поддерживаемые языки, модальности и размер контекста в README не указаны. Модель подходит для локальной генерации текста при наличии совместимого оборудования и программного обеспечения. Квантование уменьшает требования к памяти, но может снижать качество по сравнению с полноразмерными BF16-весами; наиболее компактные варианты имеют более заметные ограничения качества. Для работы следует использовать указанный формат prompt с ролями SYSTEM, HUMAN и ASSISTANT. Лицензия — MIT.

bartowski/inclusionAI_Ring-mini-2.0-GGUF — это набор квантизованных версий языковой модели Ring-mini-2.0, разработанной inclusionAI. Модель предназначена для генерации текста и запускается в формате GGUF через llama.cpp, LM Studio и другие совместимые приложения. В README указано, что квантизация выполнена с использованием llama.cpp и метода imatrix. Доступны варианты от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и Q3_K с размером файлов примерно от 6,82 до 32,54 ГБ. Более крупные варианты обеспечивают более высокое качество, а Q4_K_M указан как вариант по умолчанию для большинства сценариев; Q6_K и Q6_K_L отмечены как версии очень высокого качества. Модель поддерживает формат промпта с ролями SYSTEM, HUMAN и ASSISTANT, а также специальным маркером рассуждений. Набор подходит для локального вывода текста на устройствах с ограниченными ресурсами, если выбрать подходящий уровень квантизации. Ограничения, архитектура, количество параметров, поддерживаемые языки, размер контекстного окна и мультимодальные возможности в README не указаны. Лицензия модели также не указана, поэтому условия использования следует уточнять в описании исходной модели inclusionAI/Ring-mini-2.0.

Inex12Yam-7B — автоматически объединённая модель генерации текста, созданная Maxime Labonne с помощью mergekit. Она объединяет MSL7/INEX12-7b и mayacinka/yam-jom-7B методом SLERP с разными коэффициентами смешивания для слоёв self-attention и MLP. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Лицензия — Apache-2.0. Карточка не описывает специализацию по предметным областям или языкам и не приводит результаты оценки качества.

Infinity-Instruct-3M-0625-Llama3-8B — языковая модель Beijing Academy of Artificial Intelligence (BAAI), созданная дообучением Llama 3 методом supervised instruction tuning на наборах Infinity-Instruct-3M и Infinity-Instruct-0625. Это плотная авторегрессионная модель семейства Llama примерно с 7,5 млрд параметров, предназначенная для диалогов и следования инструкциям. Она принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Модель не обучалась с использованием обучения с подкреплением по обратной связи от людей (RLHF), а разработчики сообщают о хороших результатах на AlpacaEval 2.0 и MT-Bench. Модель подходит для многошаговых диалогов, ответов на вопросы, повседневных текстовых задач, а также задач по коду и математике. Карточка указывает англоязычный контекст, поэтому основной подтверждённый язык — английский. Репозиторий распространяется в формате safetensors. В README указана лицензия Apache-2.0 в метаданных, однако там же ресурсы проекта, включая веса, ограничены академическими исследованиями и запрещены для коммерческого использования; это расхождение следует учитывать при применении. Разработчики также предупреждают, что точность ответов не гарантируется.

Infinity-Instruct-3M-0625-Qwen2-7B — языковая модель Beijing Academy of Artificial Intelligence (BAAI), созданная дообучением Qwen2-7B на наборах инструкций Infinity-Instruct-3M и Infinity-Instruct-0625 с supervised instruction tuning, без RLHF. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров; она принимает текст и ведёт диалог по шаблону Qwen2-7B-Instruct. Заявленная длина контекста — 131 072 токена. Модель предназначена для выполнения инструкций, ответов на вопросы и многоходового диалога; авторы сообщают о результатах на AlpacaEval 2.0 и MT-Bench, включая вопросы по коду, математике и повседневные диалоги. Поддерживаемый язык в метаданных — английский. Модель распространяется по лицензии Apache-2.0, однако карточка проекта ограничивает использование связанных ресурсов академическими исследованиями и запрещает коммерческое применение. Авторы также предупреждают, что точность ответов не гарантируется.

InnerI-bittensor-7b — объединённая модель InnerI, созданная методом slerp с помощью LazyMergekit на основе InnerI/A-I-0xtom-7B-slerp и gowhyyou/bittensor-finetuning. Это плотная LlamaForCausalLM с 7,1 млрд параметров, сохранённая в формате safetensors; модель предназначена для диалоговой генерации текста и принимает контекст длиной до 32 768 токенов. README описывает схему слияния и параметры смешивания слоёв внимания и MLP. Модель подходит для генерации ответов в чате и продолжения текста. В README и метаданных не приведены сведения о целевых языках, специализированных областях, оценках качества или лицензии, поэтому эти характеристики нельзя уточнить.

Карточка модели amd/Instella-MoE-16B-A3B-Base на Hugging Face совпадает с карточкой amd/Instella-MoE-16B-A3B-Think, поэтому описание составлено по ней. Instella-MoE-16B-A3B-Think — языковая модель с архитектурой Mixture-of-Experts, разработанная AMD и обученная с нуля. В опубликованном описании семейства указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен; метаданные этого репозитория указывают 2,5 млрд параметров. Модель построена на архитектуре семейства DeepSeek V3, имеет 27 декодерных слоёв и использует Gated Multi-head Latent Attention и FarSkip-Collective. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 32 768 токенов. В карточке семейства описаны этапы обучения от предобучения до RL и открытая обучающая рецептура. Основной язык, указанный в метаданных, — английский; многоязычные способности не проверены. README характеризует выпуск как исследовательский и предупреждает, что модель может выдавать неточные, вредоносные, токсичные или предвзятые ответы. Она не предназначена для сценариев, требующих высокой фактической точности, для критически важных, медицинских или связанных со здоровьем применений; рекомендуется независимая оценка и фильтрация безопасности. Лицензия в метаданных обозначена как other.

Карточка модели amd/Instella-MoE-16B-A3B-DPO на Hugging Face совпадает с карточкой amd/Instella-MoE-16B-A3B-Think, поэтому описание составлено по ней. Instella-MoE-16B-A3B-Think — языковая модель с архитектурой Mixture-of-Experts, разработанная AMD и обученная с нуля. В опубликованном описании семейства указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен; метаданные этого репозитория указывают 2,5 млрд параметров. Модель построена на архитектуре семейства DeepSeek V3, имеет 27 декодерных слоёв и использует Gated Multi-head Latent Attention и FarSkip-Collective. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 32 768 токенов. В карточке семейства описаны этапы обучения от предобучения до RL и открытая обучающая рецептура. Основной язык, указанный в метаданных, — английский; многоязычные способности не проверены. README характеризует выпуск как исследовательский и предупреждает, что модель может выдавать неточные, вредоносные, токсичные или предвзятые ответы. Она не предназначена для сценариев, требующих высокой фактической точности, для критически важных, медицинских или связанных со здоровьем применений; рекомендуется независимая оценка и фильтрация безопасности. Лицензия в метаданных обозначена как other.

Карточка модели amd/Instella-MoE-16B-A3B-Pretrain на Hugging Face совпадает с карточкой amd/Instella-MoE-16B-A3B-Think, поэтому описание составлено по ней. Instella-MoE-16B-A3B-Think — языковая модель с архитектурой Mixture-of-Experts, разработанная AMD и обученная с нуля. В опубликованном описании семейства указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен; метаданные этого репозитория указывают 2,5 млрд параметров. Модель построена на архитектуре семейства DeepSeek V3, имеет 27 декодерных слоёв и использует Gated Multi-head Latent Attention и FarSkip-Collective. Репозиторий содержит веса Safetensors для Transformers. Модель предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет 32 768 токенов. В карточке семейства описаны этапы обучения от предобучения до RL и открытая обучающая рецептура. Основной язык, указанный в метаданных, — английский; многоязычные способности не проверены. README характеризует выпуск как исследовательский и предупреждает, что модель может выдавать неточные, вредоносные, токсичные или предвзятые ответы. Она не предназначена для сценариев, требующих высокой фактической точности, для критически важных, медицинских или связанных со здоровьем применений; рекомендуется независимая оценка и фильтрация безопасности. Лицензия в метаданных обозначена как other.

Sharathhebbar24/Instruct_GPT — англоязычная авторская дообученная модель на архитектуре GPT-2 Medium. Она создана на базе gpt2-medium с использованием набора инструкционных данных databricks/databricks-dolly-15k и предназначена для генерации текста по текстовой подсказке, в том числе ответов в формате инструкций. Модель использует авторегрессионную схему: предсказывает следующий токен с учётом предыдущих, а не будущих токенов. Модель принимает и выдаёт текст, поддерживает английский язык и имеет контекстное окно 1024 токена. В карточке приведены результаты отдельных тестов Open LLM Leaderboard, однако они не гарантируют качество для конкретного сценария. Репозиторий содержит веса PyTorch. Лицензия — MIT.

Instruct_Mixtral-8x7B-v0.1_Dolly15K — языковая модель Brillibits для генерации ответов на инструкции и диалоговых запросов. Она дообучена методом QLoRA на датасете Databricks Dolly 15K от базовой модели Mixtral-8x7B-v0.1; README сообщает о 1 эпохе обучения и разделении данных на обучающую, валидационную и тестовую выборки. В репозитории указаны веса в формате safetensors, а метаданные описывают архитектуру как Mixtral MoE с классом MixtralForCausalLM и размером 7,1 млрд параметров. Метаданные указывают контекст до 32 768 токенов, тогда как README сообщает, что при обучении использовалось окно 1 024 токена. Модель рассчитана на генерацию текста по инструкциям на английском языке, включая ответы на вопросы и создание текстов. Лицензия — Apache-2.0. Карточка показывает настройку на Dolly 15K, но не приводит результаты оценки качества; фактическое качество и пригодность для конкретных сценариев следует проверять отдельно.

InstructPalmyra-20b — англоязычная причинно-следственная авторегрессионная языковая модель с архитектурой GPT-2, разработанная Writer и дообученная на базе Palmyra-20B. По карточке, модель обучена на примерно 70 тысячах пар «инструкция — ответ» и предназначена для выполнения текстовых инструкций и генерации ответов. Размер составляет 20 млрд параметров, контекст — 2048 токенов. Модель подходит для создания виртуальных помощников, поддержки клиентов и генерации контента. Она принимает текст и выдаёт текст; карточка заявляет английский как основной язык. Распространяется по лицензии Apache 2.0. Модель может генерировать фактически неверные ответы и отражать стереотипы из веб-данных; возможен нежелательный контент. Она плохо обобщает на языки, отличные от английского. Перед использованием результатов нужна проверка человеком, а для применения в продуктивной среде карточка рекомендует оценить риски и настроить защитные механизмы.

instruct-rl-Qwen2.5-0.5B-databricks-dolly-15k — дообученная инструктивная языковая модель на базе Qwen/Qwen2.5-0.5B. Она разработана для генерации текста в ответ на запросы и диалогового взаимодействия. Модель содержит 493,7 млн параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель дообучена на датасете generator; подробности о составе данных и результатах оценки в карточке не приведены. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Лицензия — Apache-2.0.

ruGPTlarge Instructions — русскоязычная модель генерации текста на базе GPT-2, дообученная в инструктивном формате. Разработчик сообщает, что модель подходит для выполнения инструкций в режимах zero-shot и few-shot и показывает лучшие результаты на русском языке по сравнению с XGLM 1.7B и mGPT; независимые результаты оценки не приведены. Модель предназначена для ответов на инструкции и промпты, а также для продолжения текста. В метаданных указаны возможности работы с кодом и тематические метки finance и code, но специальных оценок для этих сценариев README не приводит. Контекст составляет 2048 токенов; доступны веса PyTorch и Safetensors для библиотеки Transformers. Модель создана дообучением ruGPTlarge на наборе ru_turbo_alpaca. Лицензия — Apache 2.0. Качество зависит от промпта и параметров генерации; сведения о точности, ограничениях безопасности и подробном составе обучающих данных отсутствуют.

AlexWortega/instruct_rugptMedium — русскоязычная модель ruGPTMedium, дообученная в формате инструктивного обучения с примерами zero-shot и few-shot. Она предназначена для генерации текста по запросу, включая ответы на вопросы и помощь с кодом. Модель построена на архитектуре GPT-2, работает с текстом и имеет контекстное окно 2048 токенов. В карточке заявлено, что модель лучше справляется с русским языком, чем XGLM 1.7B и mGPT; независимые оценки этого сравнения не приведены. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Лицензия — Apache-2.0.

InternLM2-Chat-20B-ExPO — разговорная языковая модель на архитектуре InternLM2 с 19,3 млрд параметров, опубликованная пользователем chujiezheng. Она получена методом ExPO: веса SFT- и DPO/RLHF-чекпойнтов объединены экстраполяцией с коэффициентом alpha=0,5, чтобы улучшить соответствие предпочтениям людей. Модель предназначена для диалогов и генерации текста на английском и китайском языках; длина контекста составляет 32 768 токенов. В README приведены результаты оценок на AlpacaEval 2.0 и MT-Bench, где ExPO-версия показала улучшение относительно исходных вариантов для нескольких моделей. Чекпойнт сохранён в формате safetensors и использует лицензию other; конкретные условия лицензии следует сверять с карточкой репозитория. Оценки приведены для указанных в README моделей и бенчмарков, поэтому не гарантируют аналогичного выигрыша для любых запросов или сценариев.

InternLM-7B — базовая плотная авторегрессионная языковая модель семейства InternLM, разработанная командой InternLM. Модель содержит 6,9 млрд параметров и обучена на триллионах качественных токенов; её можно использовать как основу для практических сценариев и собственных рабочих процессов с инструментами. Модель предназначена для генерации текста, ответов на вопросы и решения общих языковых задач, включая задачи на знания, понимание и рассуждение. В README приведены результаты оценки на C-Eval, MMLU и AGIEval. Контекст составляет 2048 токенов; репозиторий содержит веса PyTorch. Модель поддерживает китайский и английский языки. Она может генерировать предвзятые, дискриминационные или иные нежелательные ответы. Код распространяется по Apache-2.0; для весов указана открытость для академических исследований и возможность запросить бесплатную коммерческую лицензию.

Это GGUF-квантизированная версия языковой модели OREAL-32B, разработанной internlm и опубликованной в виде квантований пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В качестве исходной модели указана internlm/OREAL-32B, а для квантования использован llama.cpp b4688 с методом imatrix и набором данных internlm/OREAL-RL-Prompts. Модель имеет размер 32B параметров; в README не указаны её архитектурные детали, поддерживаемые языки, модальности и размер контекстного окна. Доступны варианты GGUF с квантованием от Q8_0 до Q2_K и IQ2/IQ3/IQ4, размером примерно от 11 до 35 ГБ. Более высокие уровни квантования обеспечивают лучшее качество, но требуют больше памяти; варианты Q4_K_M, Q5, Q6 и Q8_0 описаны как качественные, а Q2 и Q3 — как более экономичные, но с заметным снижением качества. Основные преимущества — возможность локального запуска, широкий выбор компромиссов между качеством и потреблением памяти, а также совместимость с распространёнными инструментами llama.cpp. Ограничения связаны с потерями качества при низком уровне квантования и значительными требованиями к памяти для крупных вариантов. Лицензия указана как Apache-2.0.

OREAL-DeepSeek-R1-Distill-Qwen-7B-GGUF — это GGUF-квантизированные версии текстовой генеративной модели OREAL-DeepSeek-R1-Distill-Qwen-7B, разработанной internlm. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix на датасете internlm/OREAL-RL-Prompts. Модель предназначена для локального запуска и генерации текста через llama.cpp, LM Studio и другие совместимые приложения. Модель основана на 7B-версии DeepSeek-R1-Distill-Qwen и поддерживает текстовый ввод и вывод. README не указывает контекстное окно, список языков и точную архитектуру базовой модели. Доступны варианты квантизации от Q8_0 размером 8,10 ГБ до более компактных IQ3 и Q3-вариантов; наиболее сбалансированным вариантом для большинства сценариев назван Q4_K_M размером 4,68 ГБ, а Q5 и Q6 ориентированы на более высокое качество. Сильная сторона сборки — возможность локального запуска на устройствах с ограниченными ресурсами при выборе подходящего уровня квантизации. Более сильное сжатие уменьшает требования к памяти, но снижает качество генерации; низкобитные варианты описаны как имеющие более низкое или средне-низкое качество. Для корректной работы следует использовать указанный формат prompt. Модель распространяется по лицензии Apache-2.0.

Jais Family 1.3B Chat — диалоговая языковая модель семейства Jais, разработанного Inception Institute of Artificial Intelligence. Это instruction-tuned вариант базовой модели inceptionai/jais-family-1p3b: компактная причинная decoder-модель на 1,3 млрд параметров для генерации текста и общения на арабском и английском языках. Семейство обучалось на арабских, английских и программных данных; версия Chat настроена на диалог с использованием инструкций на арабском и английском. Модель подходит для создания чат-ассистентов, ответов на вопросы и суммаризации двуязычных материалов. Модель ориентирована прежде всего на арабский язык и также обладает сильными возможностями для английского. Для загрузки требуется пользовательский класс модели и параметр trust_remote_code=True. Репозиторий содержит веса в формате safetensors, функция чата указана в метаданных. Лицензия Apache 2.0 допускает открытое использование на её условиях. Как и другие большие языковые модели, Jais может выдавать неверные, вводящие в заблуждение или предвзятые ответы. Карточка предостерегает от применения для обработки чувствительных данных и принятия решений с высокими ставками без человеческого контроля; также не следует рассчитывать на сопоставимое качество для языков и диалектов, кроме арабского и английского.

Это диалоговая версия JAIS Family — двуязычной языковой модели, разработанной Inception и Cerebras Systems и дообученной на инструкциях на арабском и английском языках. Репозиторий содержит дообучение базовой модели inceptionai/jais-family-256m; архитектура — плотная авторегрессионная JAISLMHeadModel, веса сохранены в формате Safetensors. Модель принимает текст и генерирует текст, контекст — до 2048 токенов. Модель предназначена для двуязычного диалога, ответов на вопросы и других задач генерации и анализа текста, особенно на современном стандартном арабском и английском. Размер этой версии — 256 млн параметров согласно идентификатору базовой модели; README описывает семейство в целом, а не характеристики именно этого размера. Лицензия Apache 2.0 разрешает использование и распространение. Возможны фактические ошибки, предвзятость и неподходящие ответы; модель не следует использовать для решений с высокими последствиями без контроля человека, а её знания других языков и диалектов не гарантированы.

inception42/jais-family-590m — двуязычная языковая модель семейства Jais от Inception Institute of Artificial Intelligence. Это базовая модель с плотной decoder-only архитектурой JAISLMHeadModel и 590 млн параметров; она предобучена с нуля, а не адаптирована из Llama-2. Модель принимает текст и генерирует продолжение, поддерживает арабский и английский языки и имеет контекст длиной до 2048 токенов. Модель подходит для генерации текста, ответов на вопросы и дальнейшей настройки под арабоязычные и двуязычные приложения; семейство также рассчитано на задачи понимания текста и классификации. Карточка описывает всю линейку Jais, поэтому отдельные возможности конкретно версии 590M могут быть скромнее, чем у крупных вариантов. Модель может выдавать неточную, предвзятую или оскорбительную информацию; её не следует использовать для высокорисковых решений без человеческого контроля. Лицензия — Apache 2.0.

Janus-7B — языковая модель KAIST AI на архитектуре Mistral, дообученная методом supervised fine-tuning на всех 196 тысячах примеров датасета Multifaceted-Collection-SFT. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Janus предназначена для генерации ответов с учётом инструкций и предпочтений, заданных в системном сообщении. Её можно применять для персонализированных ответов и диалоговых сценариев, где важны полезность и безвредность ответа. README описывает поддержку английского языка; модель принимает текстовые инструкции и выдаёт текст. Модель распространяется по лицензии Apache 2.0. Качество и соответствие ответов заданным предпочтениям зависят от формулировки системного сообщения; отдельных гарантий для конкретных прикладных областей в карточке не заявлено.

Jason1903_SLERP — объединённая модель на базе Mistral, созданная с помощью mergekit из yam-peleg/Experiment26-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Она предназначена для генерации текста по запросам; математическая направленность одного из исходных чекпойнтов может быть полезна при решении задач с вычислениями и объяснениями. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Jimi — дообученная версия instruction-tuned модели Google DeepMind gemma-4-E4B-it, разработанная автором или командой leeroy-jankins. Модель создана с помощью supervised instruction tuning на данных для вопросов и ответов, суммаризации, рассуждений, синтеза кода и понимания документов. В обучении использовались, в частности, FineTome-100k и наборы данных по финансовому и бюджетному регулированию США. Модель предназначена для retrieval-augmented generation (RAG), ассистентов с поддержкой инструкций и многошагового диалога, открытых вопросов и ответов, генерации и суммаризации текста, а также анализа юридических и финансовых документов. Она также может использоваться как компактная базовая модель для дальнейшей специализации. Заявлены улучшенная работа с контекстом, следование инструкциям, предметное рассуждение и поддержка связных многоходовых разговоров. Jimi относится к классу моделей примерно на 4B параметров; для базовой Gemma 4 E4B указаны 4,5B эффективных параметров, 42 слоя, скользящее окно внимания 512 токенов и контекст до 128K токенов. Архитектура Gemma 4 использует гибридное внимание с локальными и глобальными слоями. Для базовой модели заявлены обработка текста и изображений, а также аудио для малых вариантов Gemma 4, однако README не уточняет, какие мультимодальные возможности непосредственно сохранены и проверены именно в Jimi. В метаданных указан английский язык. К сильным сторонам относятся компактный размер, потенциально быстрая работа на пользовательских GPU, пригодность для RAG и задач с финансово-бюджетной документацией. Ограничения включают отсутствие подробных результатов бенчмарков и количественной оценки качества, а также недостаток информации о фактических поддерживаемых модальностях и языках самой Jimi. Модель распространяется по лицензии MIT.

J.O.S.I.E.3-Beta8-slerp — диалоговая языковая модель на базе Mistral 7B, созданная слиянием HuggingFaceH4/mistral-7b-anthropic и HuggingFaceH4/mistral-7b-grok. Разработчик выполнил слияние методом SLERP с помощью LazyMergekit; модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоге: она принимает текстовые запросы и формирует текстовые ответы. В README отмечено, что вариант Beta8 показал слабые результаты в упомянутом рейтинге LLM Leaderboard; сравнительные подробности и конкретные показатели не приведены. Лицензия — Apache 2.0.

Goekdeniz-Guelmez/Josiefied-Qwen2.5-14B-Instruct-abliterated-v4-gguf — текстовая инструкционная языковая модель, разработанная и профинансированная Gökdeniz Gülmez. Она основана на Qwen/Qwen2.5-14B-Instruct, дополнительно дообучена на пользовательском наборе данных и модифицирована для снижения склонности к отказам. Модель предназначена для диалогов, ответов на вопросы, программирования и выполнения широкого круга пользовательских задач. Модель относится к архитектуре qwen2 и имеет размер 14 млрд параметров. Указаны английский и немецкий языки, а также другие языки без уточнения. Репозиторий содержит GGUF-вариант, включая файл с квантованием Q4_K_M; в примере конфигурации Ollama задан контекст до 32 768 токенов. Это текстовая модель без заявленной поддержки изображений, аудио или других модальностей. К сильным сторонам относятся инструкционная настройка, поддержка диалогового шаблона, интеграция с Ollama и OpenWebUI, а также ориентация на менее ограниченные ответы. При этом README не содержит результатов тестирования, точных сведений о качестве, аппаратных требованиях или подробной оценки безопасности. Разработчик предупреждает об использовании на собственный риск; поведение модели может быть менее безопасным и предсказуемым из-за удаления отказов. Лицензия указана как Apache 2.0.

Josiefied-Qwen3-4B-Instruct-2507-abliterated-v1 — диалоговая языковая модель Goekdeniz-Guelmez, дообученная на базе Qwen/Qwen3-4B-Instruct-2507. Это плотная архитектура Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста, диалогов и выполнения инструкций; модель сохраняет интерфейс вызова инструментов. Контекст составляет до 262 144 токенов. Модель дообучена для более свободной генерации с ослабленными ограничениями безопасности. В карточке также перечислены сторонние варианты в формате GGUF, но метаданные этого репозитория указывают safetensors. Модель рассчитана на продвинутых пользователей, которым нужны диалоговые ответы и генерация текста с меньшей фильтрацией. Языки и лицензия в предоставленных данных не определены.