I.5Создание и редактирование текста

Meta-Llama-3-8b-Instruct-Healed — разговорная языковая модель семейства Llama, опубликованная Jan. Она предназначена для генерации текста в диалоге; запускать её можно в Jan Desktop на macOS, Windows и Linux. Модель использует плотную архитектуру LlamaForCausalLM, содержит 6,2 млрд параметров и поддерживает контекст до 8192 токенов. Для файлов репозитория указан формат safetensors, лицензия — Apache-2.0. Карточка не описывает специальную предметную область или отдельные сильные стороны модели. Метаданные указывают английский язык; пригодность для других языков не подтверждена. Практические ограничения и подробности о дообучении в карточке не раскрыты.

duyntnet/Meta-Llama-3-8B-Instruct-imatrix-GGUF — набор квантизированных версий Meta-Llama-3-8B-Instruct, разработанной Meta. Модель предназначена для генерации текста и диалоговых сценариев, включая работу в формате чат-бота, через llama.cpp, Transformers и совместимые инструменты. Она поддерживает английский язык; заявленный тип задачи — text-generation. В основе лежит instruct-модель семейства Llama 3 с размером 8B параметров. Репозиторий содержит варианты в формате GGUF с imatrix-квантизацией, ориентированные на более эффективное локальное выполнение при сниженных требованиях к памяти. README не указывает точное значение размера контекста, перечень доступных уровней квантизации, аппаратные требования или поддержку мультимодальных входов, поэтому модель следует считать текстовой. Сильными сторонами являются возможность локального запуска и совместимость с экосистемой llama.cpp и Transformers. Ограничения включают специализацию на английском языке и потенциальное снижение точности из-за квантизации по сравнению с исходной версией. В карточке указана лицензия other; дополнительные условия использования в README не раскрыты.

Meta-Llama-3-8B-Instruct-zh-10k — дообученная XavierSpycy диалоговая языковая модель на архитектуре Llama 3 с 7,5 млрд параметров. Она создана на основе meta-llama/Meta-Llama-3-8B-Instruct с помощью LoRA и LLaMA-Factory: модель обучали три эпохи примерно на 10 тысячах китайских примеров из наборов Alpaca Chinese, Alpaca GPT-4 Chinese и OASST SFT Chinese. Для неё заявлено контекстное окно 8192 токена. Модель предназначена прежде всего для диалогов и генерации текста на китайском языке; также поддерживает английский. Её можно использовать для ответов на вопросы, написания текстов, анализа тональности, работы с кодом и вызова функций. README отмечает, что способности модели проверены не полностью: качество китайских ответов зависит от обучающих данных, а ролевые игры, математика и сложные неоднозначные задачи могут даваться хуже. Также не оценено, насколько дообучение вызвало забывание исходных навыков. Лицензия — Apache-2.0.

Nhoodie/Meta-Llama-3-8B-Uninstruct-function-calling-json-mode-model_stock-v0.1 — объединённая модель на базе семейства Meta Llama 3, созданная с помощью LazyMergekit из hiieu/Meta-Llama-3-8B-Instruct-function-calling-json-mode, NousResearch/Meta-Llama-3-8B и NousResearch/Meta-Llama-3-8B-Instruct. Это плотная авторегрессионная языковая модель архитектуры LlamaForCausalLM примерно с 7,5 млрд параметров и контекстом до 8192 токенов. Модель предназначена для генерации текста и диалогов; в её составе есть вариант, настроенный на вызов функций и выдачу JSON, поэтому она может применяться в сценариях, где ответы должны следовать структурированному формату. Репозиторий содержит веса safetensors. В метаданных указана лицензия other; конкретные условия следует проверять в файлах репозитория и у базовых моделей.

MetaModelv3 — гибридная языковая модель, созданная путём объединения jeonsworld/CarbonVillain-en-10.7B-v4 и jeonsworld/CarbonVillain-en-10.7B-v2. Модель построена на архитектуре Llama и содержит 10,6 млрд параметров; для генерации текста доступен контекст до 4096 токенов. Модель предназначена для генерации текста и диалогового взаимодействия на английском языке. В карточке приведены результаты Open LLM Leaderboard, включая среднюю оценку 74,39, ARC 71,16 и HellaSwag 88,39. Весы опубликованы в формате Safetensors под лицензией Apache-2.0.

MFANN-phigments-slerp-1a — слитая текстовая генеративная модель, созданная с помощью mergekit методом SLERP из netcat420/MFANN3bv0.21 и liminerity/Phigments12. Модель относится к семейству Phi, использует плотную архитектуру PhiForCausalLM и содержит около 3,5 млрд параметров. Модель предназначена для генерации текста. Она принимает текстовые запросы и выдаёт текст; максимальная длина контекста составляет 2048 токенов. Веса опубликованы в формате safetensors, а конфигурация слияния указывает на точность float16. Сведения о целевых сценариях, языках и специальных возможностях в карточке не приведены, поэтому модель можно описать только как генеративную общего назначения. Условия лицензирования в доступных данных не указаны.

MFANNv0.16.10 — диалоговая языковая модель, созданная netcat420 слиянием моделей методом TIES с помощью mergekit. В основе использована MaziyarPanahi/Llama-3-8B-Instruct-v0.4; в слияние также вошли netcat420/MFANNv0.15 и netcat420/MFANNv0.16. Модель построена на архитектуре Llama и предназначена для генерации текста в диалоговом формате, включая ответы ассистента. Она содержит 7,5 млрд параметров, поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors для библиотеки Transformers. Карточка не приводит специальных ограничений или сведений о лицензии; условия использования следует сверять с лицензией базовой модели и компонентов слияния.

netcat420/MFANNv0.19 — языковая модель семейства Llama, опубликованная на Hugging Face в формате safetensors для генерации текста и диалогового взаимодействия. Она содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных указан английский язык, а среди связанных данных — датасет netcat420/MFANN. Модель подходит для генерации продолжений текста и ответов в чат-сценариях. README не раскрывает разработчика, происхождение дообучения, предназначение датасета, результаты большинства оценок или известные ограничения; приведены лишь отдельные показатели Open LLM Leaderboard. Лицензия указана как llama3.1.

MFANNv0.21 — диалоговая языковая модель семейства Llama, опубликованная netcat420. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она дообучена на основе netcat420/MFANNv0.20.12. Модель предназначена для генерации текста в диалоге и ответов на запросы. В карточке приведены результаты оценивания на Open LLM Leaderboard, включая IFEval и BBH. Модель работает с текстом, поддерживает английский язык и использует библиотеку Transformers; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате Safetensors. Лицензия — Llama 3. Показатели оценивания в README ограничены указанными метриками и не дают полной картины качества; результатов для других языков и задач карточка не приводит.

MFANNv0.3 — разговорная текстовая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Разработчик в карточке обозначен как netcat420. Модель предназначена для генерации текста и диалоговых сценариев; заявленное окно контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors и шаблон диалога с ролями System, User и Assistant. В README приведены результаты на ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, а также средний балл 72,51; методика и условия оценки не описаны. Модель распространяется по лицензии Apache-2.0. README также содержит отметку «gguf», но метаданные подтверждают только формат safetensors, поэтому наличие GGUF-весов не установлено.

MFANNv0.9.10 — языковая модель для генерации текста и диалогов, созданная netcat420 с помощью mergekit. Это слияние методом TIES моделей netcat420/MFANNv0.8 и netcat420/MFANNv0.9 на базе MaziyarPanahi/Llama-3-8B-Instruct-v0.4. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов; для работы используется библиотека Transformers, веса представлены в формате safetensors. Модель подходит для диалогового взаимодействия и генерации ответов ассистента. Карточка не описывает специализацию на конкретных предметных областях или языках, поэтому эти свойства нельзя уточнить. Лицензия в предоставленных данных не указана.

mhm-7m-v1.3 — экспериментальная текстовая языковая модель, созданная путём трёх этапов слияния семи предварительно обученных моделей на основе Mistral с помощью mergekit и методов dare_ties. Она предназначена для генерации текста и диалогового общения. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов; репозиторий содержит веса в формате Safetensors. В README не названы исходные модели слияния, поэтому базовую модель можно определить только как семейство Mistral. Модель распространяется по лицензии Apache-2.0. README характеризует её как эксперимент; результатов оценки качества и сведений о целевых языках не приводит.

MiMo-V2.6-Distill-Qwen-9B-GGUF — это квантизированная версия модели MiMo-V2.6-Distill-Qwen-9B, разработанной XiaomiMiMo и подготовленной в формате GGUF пользователем bartowski с использованием llama.cpp. Модель содержит около 9 млрд параметров и предназначена для локального запуска в задачах генерации текста, программирования, агентских сценариев и использования инструментов. Также заявлена поддержка изображений, но для работы с ними требуется отдельный файл mmproj. Модель поддерживает текстовые и графические входные данные, однако сведения о языках и размере контекстного окна в README не указаны. Доступны варианты с разными уровнями квантизации — от BF16 и Q8_0 до более компактных Q3 и IQ-форматов. В качестве компромисса между качеством и требованиями к памяти рекомендуется Q4_K_M размером около 5,84 ГБ; варианты Q6 и Q8 обеспечивают более высокое качество, но требуют больше памяти. Поддержка speculative decoding отсутствует, при этом использовалась imatrix-квантизация. Для корректной работы необходимо применять указанный шаблон промпта на основе специальных токенов ChatML; модель также поддерживает передачу определений инструментов в системном сообщении. README не содержит сведений о лицензии, точной архитектуре, языковом охвате и контекстном окне, поэтому эти характеристики нельзя подтвердить.

MiMo-V2.6-Distill-Qwen-9B-OptiQ-4bit — квантованная MLX-версия модели XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, разработанная сообществом mlx-community. Базовая модель представляет собой дистилляцию архитектуры Qwen3.5 9B и предназначена для генерации текста, рассуждений, программирования, агентных сценариев и работы с инструментами. Модель рассчитана на локальный запуск на устройствах с Apple Silicon через MLX, без PyTorch и облачных сервисов. Используется смешанная точность: большинство слоёв имеют 4-битное представление, а чувствительные слои — 8-битное. Всего 134 слоя хранятся в 8-битном формате и 116 — в 4-битном; средняя разрядность веса составляет 6,34 бита, размер модели на диске — около 6,77 ГБ вместо примерно 18 ГБ в формате bfloat16. Архитектура включает 32 слоя, 8 слоёв с полной attention и 24 слоя с linear attention, 16 голов, 4 KV-головы, head_dim 256, hidden size 4096 и словарь из 248 320 токенов. Языки и размер контекстного окна в README не указаны. К сильным сторонам относятся существенное уменьшение размера и заявленное ускорение генерации в 2,4–7 раз относительно родительской модели bfloat16 при проверке на нескольких типах запросов. Распределение разрядности перенесено из квантования Qwen3.5-9B и не измерялось непосредственно на этой модели, поэтому опубликованные оценки качества для Qwen3.5-9B к ней не относятся; Capability Score для данной модели не рассчитывался. Модель распространяется по лицензии MIT.

miniclaus-qw1.5B-UNAMGS — компактная языковая модель семейства Qwen2, разработанная fblgit на основе Qwen/Qwen2.5-1.5B-Instruct и дообученная на наборе Magpie-Align/Magpie-Pro-MT-300K-v0.1. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных также заявлен интерфейс для вызова инструментов. Модель имеет плотную архитектуру Qwen2ForCausalLM, содержит 1,5 млрд параметров и поддерживает контекст до 131 072 токенов. В тегах карточки перечислены английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. README сообщает об использовании MGS и UNA (MLP) и приводит значение loss 0,7193 на наборе оценки. Модель подходит для многоязычных диалогов и генерации ответов, однако README не раскрывает методику оценки и не уточняет, как MGS и UNA влияют на качество. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

indischepartij/MiniCPM-3B-OpenHermes-2.5-v2 — текстовая генеративная модель с диалоговой возможностью, опубликованная на Hugging Face. По метаданным, это плотная модель семейства Llama на 2,7 млрд параметров, реализованная как LlamaForCausalLM и доступная в формате safetensors для Transformers. README содержит результаты оценки на Open LLM Leaderboard, включая среднее значение 51,91, результат 47,44 на AI2 Reasoning Challenge и 72,00 на HellaSwag. Модель предназначена для генерации текста и диалогового взаимодействия. Контекстное окно составляет 2048 токенов. В README разработчик, языки, обучение и рекомендации по применению не описаны, поэтому происхождение названия OpenHermes и конкретные сценарии обучения подтвердить нельзя. Лицензия — Apache-2.0. Как и другие языковые модели, она может выдавать ошибочные или предвзятые ответы; карточка не приводит отдельной оценки этих рисков.

Mungert/MiniCPM4.1-8B-GGUF — это GGUF-версия языковой модели MiniCPM4.1-8B, разработанной командой OpenBMB и опубликованной в формате GGUF пользователем Mungert. Модель предназначена для генерации текста, включая задачи рассуждения, диалоговые сценарии и запуск на устройствах с ограниченными ресурсами. Она поддерживает китайский и английский языки. Модель содержит 8 млрд параметров и использует гибридную архитектуру с обучаемым разреженным вниманием. Заявлены режимы глубокого рассуждения и обычной генерации, а также ускоренное декодирование: до трёхкратного ускорения рассуждений и более высокая эффективность на периферийных устройствах. GGUF-квантизация позволяет уменьшить требования к памяти, а автор сборки применяет дополнительное повышение точности отдельных важных слоёв с помощью llama.cpp, что может улучшать качество при низкой разрядности ценой увеличения размера файла. К ограничениям относятся отсутствие сведений о конкретном размере контекста, доступных вариантах квантизации и подробных результатах тестирования именно этой сборки. Производительность и качество зависят от выбранного GGUF-варианта и оборудования. Исходная модель распространяется по лицензии Apache-2.0; README не уточняет, отличается ли лицензия сборки от лицензии исходной модели.

bartowski/MiniCPM5-2B-GGUF — это GGUF-квантизированная версия языковой модели MiniCPM5-2B, разработанной OpenBMB. Квантизация выполнена bartowski с использованием llama.cpp; доступны варианты от BF16 и Q8_0 до низкоразрядных IQ- и Q-форматов. README указывает размер модели около 3 млрд параметров, поддержку только текстового ввода и отсутствие speculative decoding. Модель предназначена для генерации текста и может применяться в локальных, on-device и edge AI-сценариях, включая задачи с длинным контекстом и tool-calling, заявленные в метаданных. Поддерживаемые языки — английский и китайский. Рекомендуемым компромиссом между качеством и размером назван вариант Q4_K_M объёмом 1,62 ГБ; более высокие разрядности обычно сохраняют лучшее качество, а низкие требуют меньше памяти, но могут заметно уступать по результатам. Точная архитектура и максимальная длина контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

MiniMax-M2.1-GGUF — это квантизированная версия языковой модели MiniMax-M2.1, разработанной MiniMaxAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В репозитории доступны варианты в формате GGUF с уровнями квантизации от Q8_0 до Q2_K и IQ-квантами. Размер файлов составляет примерно от 79,82 до 243,14 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти; варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и Q4_K_S отмечены как рекомендуемые, тогда как некоторые Q3- и Q2-варианты имеют заметно более низкое качество. Поддерживаемые языки, архитектура исходной модели, размер контекста и мультимодальные возможности в README не указаны. Основные преимущества — широкий выбор квантизаций, возможность локального запуска и оптимизация imatrix-калибровкой. Ограничениями являются очень большой размер файлов и компромисс между требованиями к памяти и качеством генерации; низкобитные варианты могут давать существенно худшие результаты. Указана лицензия modified-MIT; подробные условия приведены в лицензии исходной модели MiniMax-M2.1.

MiniMax-M2.5-MLX-8bit — это 8-битная квантованная версия языковой модели MiniMax-M2.5, разработанной компанией MiniMaxAI. Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для работы на компьютерах Apple Silicon через MLX. Модель предназначена для генерации текста и других сценариев, поддерживаемых задачей text-generation, включая локальный запуск в совместимых средах. README не содержит подробностей о размере исходной модели, архитектуре, поддерживаемых языках, длине контекста или мультимодальных возможностях, поэтому эти характеристики нельзя достоверно указать. Ключевое преимущество модели — снижение требований к памяти по сравнению с полноразмерной версией благодаря 8-битному квантованию и оптимизации под Apple Silicon. Ограничения включают возможную потерю качества из-за квантования, зависимость от совместимого оборудования и программной среды, а также отсутствие в README сведений о результатах тестирования и производительности. Модель распространяется по лицензии modified-MIT; условия следует уточнять в указанном файле лицензии MiniMaxAI.

MiniMax-M2.7-JANG_2L — квантованная версия MiniMax-M2.7, подготовленная Jinho Jang для запуска на компьютерах Apple Silicon через MLX и vMLX. Это диалоговая MoE-модель для генерации текста; в README указаны 228,7 млрд общих параметров и смешанная точность около 2,10 бита. Для внимания и выходного слоя сохранена точность 8 бит, для эмбеддингов — 6 бит, а большая часть экспертных MLP сжата до 2 бит; маршрутизатор экспертов оставлен в float16. Метаданные каталога указывают 2,9 млрд параметров, что расходится с размером, заявленным в README. Модель предназначена для диалогов и задач рассуждения, а также может использовать вызов инструментов в совместимых клиентах. Контекстное окно — 196 608 токенов. Для запуска требуются MLX и Mac с Apple Silicon и не менее 96 ГБ объединённой памяти; автор рекомендует MLX Studio. В README указано, что температура 1,0 обязательна, поскольку жадная генерация может зациклить рассуждения. Бенчмарки M2.7 ещё не опубликованы, а заявление о превосходстве JANG над обычной квантизацией MLX основано на результатах для M2.5. Лицензия в метаданных обозначена как other; README разрешает исследовательское и личное использование и возлагает ответственность за соблюдение лицензии MiniMax на пользователя.

JANGQ-AI MiniMax-M2.7-JANG_6M — квантованная версия MiniMax M2.7 от Jinho Jang (JANGQ), подготовленная для запуска через vMLX и MLX на компьютерах Apple Silicon. Это языковая модель для диалога и генерации текста с архитектурой MoE: исходная модель содержит 228,7 млрд параметров и 256 экспертов, а в метаданных репозитория указано 2,9 млрд параметров. Контекстное окно составляет 196 608 токенов. Вариант JANG_6M использует смешанную точность со средним размером около 6,03 бита: внимание и выходной слой хранятся в 8 битах, эмбеддинги и экспертные MLP — в 6 битах, а маршрутизатор экспертов — в float16. Модель предназначена для диалогов, рассуждений и сценариев с вызовом инструментов; для запуска автор рекомендует MLX Studio. Это модель с постоянным режимом рассуждений: README предупреждает, что температура 0 может приводить к бесконечным циклам рассуждений, и рекомендует температуру 1,0. Количественные результаты оценки MiniMax M2.7 для этой версии ещё не опубликованы; приведённые в карточке результаты MMLU относятся к другой модели семейства. Для запуска требуется Apple Silicon Mac с 192 ГБ объединённой памяти и MLX. Лицензия указана как other; README описывает условия как исследовательское и личное использование и требует соблюдать лицензию MiniMax.

MiniMax-M2-MLX-6bit — это 6-битно квантованная версия языковой модели MiniMax-M2 для генерации текста. Исходную модель разработала MiniMaxAI, а квантование в формате MLX выполнила команда LM Studio с использованием mlx_lm. Модель предназначена для запуска в LM Studio и оптимизирована для устройств Apple Silicon. В README указано, что модель относится к задачам text-generation и распространяется по лицензии MIT. Известна её MLX-архитектура представления и 6-битная квантизация, однако сведения о размере модели, поддерживаемых языках, длине контекста, точных характеристиках архитектуры и мультимодальности не приведены. Квантизация ориентирована на более эффективный локальный запуск, но может влиять на качество по сравнению с исходной моделью. Как и другие языковые модели, она способна генерировать неточные, нежелательные или вводящие в заблуждение ответы.

MiniMax-M2-MLX-8bit — это 8-битная квантованная версия языковой модели MiniMax-M2, разработанной компанией MiniMaxAI. Данная версия подготовлена командой LM Studio на базе MLX и предназначена для локального запуска на компьютерах Apple Silicon, в том числе через LM Studio. Модель относится к классу text-generation и рассчитана на задачи генерации текста и диалогового взаимодействия. Она использует архитектуру и возможности исходной MiniMax-M2, однако в предоставленных данных не указаны точные размер модели, архитектурные параметры, поддерживаемые языки, объём контекстного окна и сведения о мультимодальности. Ключевая особенность версии — 8-битное квантование и оптимизация с помощью MLX для устройств Apple Silicon, что делает её более подходящей для локального использования при ограниченных ресурсах по сравнению с полноразмерной версией. Ограничения включают возможное снижение точности из-за квантования, зависимость от совместимого оборудования и отсутствие подробных данных о качестве, производительности и области применения. Модель распространяется по лицензии MIT.

MiniMax-M3-AWQ-int4 — это 4-битная квантованная версия модели MiniMax-M3, разработанной MiniMaxAI, подготовленная репозиторием spectator2026 для запуска на видеокартах NVIDIA A100 через vLLM. Модель предназначена для генерации текста и обработки изображений с поддержкой tool calling, рассуждений и режимов thinking/non-thinking. Она рассчитана на использование в серверных системах, где важны большой контекст и эффективное размещение крупной MoE-модели на оборудовании с архитектурой Ampere. Модель содержит около 428 млрд параметров, из которых примерно 23 млрд активируются на токен, и использует разреженную архитектуру Mixture of Experts с MiniMax Sparse Attention. Заявлен нативный контекст до 1 048 576 токенов, а также мультимодальность text + vision. Применена квантовка AWQ W4A16 с group size 128 только к маршрутизируемым экспертным проекциям MoE; attention, router, общие и плотные слои, embeddings, lm_head и vision tower сохранены в более высокой точности. Размер весов уменьшен примерно с 796 до 225 ГБ. Сильными сторонами являются поддержка текста и изображений, очень длинного контекста, инструментов и рассуждений, а также возможность запуска на A100 в конфигурациях TP-8 или TP-4. Для работы требуется vLLM с тремя специальными патчами, параметр block size 128 и доверие удалённому коду. Ограничения включают высокие требования к GPU-памяти, необходимость ручной настройки vLLM и компромисс между длиной контекста и количеством реплик. По данным README, расхождение с исходной bf16-версией на тесте wikitext составляет около 0,16 KL-дивергенции. Указана лицензия minimax-community; точные условия следует проверять в файле LICENSE.

JANGQ-AI/MiniMax-M3-Medium-JANG_2L — это упакованная Jinho Jang версия MiniMax-M3 для запуска на компьютерах Apple Silicon через vMLX и MLX. В основе лежит архитектура MiniMax-M3 с MoE, GQA-4, MSA Lightning Indexer и модулем обработки изображений. Набор весит около 105 ГБ и рассчитан на запуск на Mac с 128 ГБ памяти. В модели удалено 32% маршрутизируемых экспертов: в каждом MoE-слое сохранено 87 из 128. Затем применена смешанная квантовка JANG_2L с размером группы 64: отдельные проекции экспертов квантованы до 2 или 3 бит, общие эксперты — до 6 бит. Модель предназначена для генерации текста и диалогов; базовая архитектура также содержит vision tower, однако README не описывает конкретные сценарии обработки изображений. Для запуска требуется vMLX версии 1.5.62 или новее: в более ранних версиях возможны циклы повторов при длинной генерации из-за ошибки кэша движка. Указана лицензия MiniMax-M3; подробные условия в предоставленной карточке не раскрыты.

Ministral-8B-Instruct-2410-GGUF — квантизированная версия инструкционной языковой модели Ministral-8B-Instruct-2410, разработанной Mistral AI и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и выполнения задач по инструкциям, включая диалоговые и прикладные сценарии на поддерживаемых языках: английском, французском, немецком, испанском, итальянском, португальском, китайском, японском, русском и корейском. Из доступных данных известен размер базовой модели — 8B параметров; сведения о конкретном типе квантизации, архитектуре, размере контекста и численных характеристиках отсутствуют. Ключевые достоинства модели — инструкционная настройка, мультиязычность и возможность использования квантизированной сборки в совместимой с GGUF инфраструктуре. При этом README не содержит результатов тестирования, поэтому качество на отдельных языках и задачах оценить нельзя; также не указаны точные требования к памяти и производительности. Модель распространяется по Mistral AI Research License (MRL-0.1), которая ограничивает использование модели, производных моделей и результатов исследовательскими целями и устанавливает дополнительные требования к распространению, атрибуции и уведомлению о модификациях.

MiquTotalMix-70B — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом passthrough. В слияние вошли 152334H/miqu-1-70b-sf, sophosympatheia/Midnight-Miqu-70B-v1.0, alchemonaut/BoreanGale-70B и NeverSleep/MiquMaid-v1-70B. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM и содержит 68,7 млрд параметров; опубликована в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогов. README предлагает шаблоны запросов Alpaca и Mistral; в метаданных также заявлена возможность chat. Контекст составляет до 32 764 токенов. Базовая модель описана каталогом как ориентированная на английский язык; отдельные сведения о языках самого объединения в карточке не приведены. Для запуска требуется значительная память из-за размера модели. Лицензия в предоставленных данных не указана.

MISCHIEVOUS-12B-Mix_0.3v — слитая с помощью SLERP модель генерации текста, созданная bamec66557 на основе двух предыдущих версий MISCHIEVOUS-12B-Mix. Это плотная Mistral-модель с 12,1 млрд параметров для генерации текста и диалогов; в метаданных заявлена длина контекста 1 024 000 токенов и поддержка английского и корейского языков. Модель предназначена для диалогового взаимодействия и других задач генерации текста. В метаданных также отмечен интерфейс вызова инструментов, но подробности его применения в карточке не описаны. Репозиторий использует Transformers и формат safetensors; README дополнительно упоминает вариант GGUF Q4_K_M. Лицензия — Apache-2.0. Метка карточки предупреждает, что модель подходит не для всех аудиторий.

MISCHIEVOUS-12B-Mix_0.5v — объединённая авторами модель генерации текста на архитектуре Mistral, созданная с помощью mergekit методом SLERP из версий MISCHIEVOUS-12B-Mix_0.3v и MISCHIEVOUS-12B-Mix_0.4v. Модель содержит 12,1 млрд параметров и рассчитана на диалоги и генерацию текста; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса safetensors, а README указывает на вариант Q4_K_M в формате GGUF. Модель ориентирована на англо- и корейскоязычные сценарии. В метаданных заявлена длина контекста 1 024 000 токенов. Лицензия — Apache-2.0. В README приведены результаты Open LLM Leaderboard, включая средний балл 22,47, IFEval и BBH; эти результаты сами по себе не гарантируют качество на конкретных задачах.