I.5Создание и редактирование текста

Suppe-v1-7B — языковая модель на архитектуре Mistral, созданная автором nbeerbower путём объединения предварительно обученных моделей методом Model Stock с помощью mergekit. В качестве базовой использована yam-peleg/Experiment26-7B; в объединение также вошли automerger/YamshadowExperiment28-7B, chihoonlee10/T3Q-Mistral-Orca-Math-DPO, mlabonne/AlphaMonarch-7B и mlabonne/Zebrafish-7B. Модель предназначена для генерации текста и может применяться в диалогах, следовании инструкциям и решении задач на рассуждение и математику — эти возможности отражены в описании одной из объединённых моделей. Она содержит 7,1 млрд параметров, имеет контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не сообщает о собственных оценках качества Suppe-v1-7B или о явно заявленных языках. Практические результаты могут зависеть от запроса и сценария; характеристики отдельных моделей, вошедших в объединение, не гарантируют такие же результаты у итоговой модели.

Swallow 70B Instruct — крупная языковая модель для генерации текста, разработанная командой tokyotech-llm. Представленная версия распространяется TheBloke в формате GGUF и является квантизированным вариантом исходной модели Swallow 70B Instruct в формате PyTorch. Модель основана на архитектуре Llama, предназначена для выполнения инструкций и задач text-generation, включая диалоговые и прикладные сценарии работы с текстом. Модель поддерживает английский и японский языки. Указанный размер — 70B параметров; модальность — текстовая. Формат GGUF позволяет запускать модель через llama.cpp и совместимые интерфейсы и библиотеки, в том числе с использованием CPU и GPU. Доступны варианты квантования от 2 до 8 бит, что даёт выбор между требованиями к памяти, скоростью и качеством генерации. Для корректного использования предусмотрен шаблон инструкций на японском языке. Размер контекста в README не указан. К сильным сторонам относятся большой размер, поддержка английского и японского языков, выполнение инструкций и возможность локального запуска с различными уровнями квантования. Ограничениями являются высокие требования к ресурсам для вариантов с низкой степенью квантования, возможная потеря качества из-за квантования и отсутствие сведений о результатах тестирования, производительности и точном размере контекста. Модель распространяется по лицензии Llama 2; условия лицензии следует учитывать при использовании.

SwallowMaid-8B-L3-SPPO-abliterated — объединённая разговорная языковая модель семейства Llama 3, созданная с помощью mergekit на основе нескольких моделей, включая grimjim/Llama-3-Instruct-abliteration-LoRA-8B, UCLA-AGI/Llama-3-Instruct-8B-SPPO-Iter3 и модели для ролевых диалогов и художественного письма. В репозитории указано 7,5 млрд параметров; модель использует плотную архитектуру LlamaForCausalLM, принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель предназначена для диалогов, ответов на вопросы, ролевых взаимодействий и написания историй. Автор описывает её как uncensored и отмечает добавление компонентов, ориентированных на ролевую игру и выразительную прозу, при попытке сохранить качества Llama 3 Instruct. В метаданных указаны английский и японский языки. Доступны веса safetensors; README также упоминает квантизированные сборки GGUF, размещённые отдельно. Лицензия в предоставленных данных не указана.

Yanun/Swift-Qwen3.8-27b-oQ4e-mtp — мультимодальная модель класса 27B, разработанная на основе Swift-Qwen3.8-27b от UkisAI и преобразованная в формат MLX. Она предназначена для обработки текстовых и визуальных входных данных с генерацией текста, включая сценарии, где требуется анализ изображений совместно с текстовыми инструкциями. Модель имеет плотную текстовую архитектуру с 64 слоями, чередующуюся линейную и полную attention: 48 слоёв используют linear attention, 16 — full attention. Размер скрытого состояния составляет 5120, размер feed-forward слоя — 17408, словарь содержит 248 320 токенов, а заявленный предел контекста — 262 144 токена, хотя фактическая длина зависит от настроек среды выполнения и доступной памяти. Vision encoder включает 27 слоёв, скрытое состояние размером 1152, 16 attention heads и обрабатывает изображения через патчи 16×16. В составе также есть один multi-token prediction (MTP) слой. Чекпойнт использует смешанную квантизацию oQ4e: базовые веса квантизированы до 4 бит, для 187 модулей заданы переопределения на 5 бит, а отдельные компоненты MTP сохранены в BF16. Это уменьшает требования к хранению и вычислениям по сравнению с полноразмерной моделью, но итоговая производительность и доступная длина контекста зависят от MLX-совместимого runtime и объёма памяти. Поддерживаемые языки и специализированные сильные стороны в README не указаны. Модель распространяется на условиях Swift Open License v1.0; конвертация не изменяет условия лицензии исходной модели.

Apertus-70B-Instruct-2509-GGUF — это GGUF-квантизированная версия инструкционной языковой модели Apertus-70B-Instruct-2509, разработанной swiss-ai. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локальных inference-сценариев на базе llama.cpp, включая работу через LM Studio и совместимые проекты. В репозитории представлены варианты квантизации Q2_K_L, Q3, Q4, Q5, Q6_K и Q8_0 с размером файлов примерно от 28,32 до 75,02 ГБ. Более крупные варианты обеспечивают более высокое качество, а компактные требуют меньше оперативной памяти, но могут сильнее терять в качестве. Рекомендуемыми в README названы, в частности, Q4_K_M, Q4_K_S, Q4_K_L, Q5_K_S, Q5_K_M и Q6_K. Точная архитектура, число параметров исходной модели, поддерживаемые языки, размер контекста и мультимодальные возможности в предоставленных данных не указаны. Преимущество модели — возможность локального запуска в распространённом формате GGUF с выбором компромисса между качеством и требованиями к памяти. Ограничения связаны с большими ресурсными требованиями 70B-модели, потерями качества при низких уровнях квантизации и отсутствием указанного в README формата промптов. Лицензия в предоставленных данных не указана.

Synatra-V0.1-7B-Instruct-Mistral-7B-Instruct-v0.1 — чат-модель, созданная объединением Mistral-7B-Instruct-v0.1 и maywell/Synatra-V0.1-7B-Instruct методом SLERP. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В метаданных карточки указан корейский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не сообщает о специальных ограничениях применения или проверках качества; результаты могут зависеть от формулировки запроса и не гарантируют точности ответов.

Synthia-13B-v1.2 — языковая модель семейства Llama, разработанная SynthIA и дообученная на наборах данных в стиле Orca. Модель содержит 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 4096 токенов; работает с текстом через библиотеку Transformers и распространяется в формате PyTorch. Модель предназначена для выполнения инструкций, многоходовых диалогов и генерации развёрнутых ответов. В версии v1.2 авторы отмечают способность к обобщённому рассуждению в стиле Tree of Thought и Chain of Thought. Поддерживаемый в карточке язык — английский. Модель описана как uncensored и может выдавать предвзятый, оскорбительный или неподходящий контент, а также неточные и вводящие в заблуждение ответы. Результаты следует проверять. Лицензия — Llama 2; перед использованием нужно учитывать её условия.

SynthIA-7B-v1.3-Mistral-7B-Instruct-v0.1 — чат-модель на базе Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и migtissera/SynthIA-7B-v1.3 методом SLERP. Веса представлены в формате Safetensors; модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов в диалоге на запросы пользователя. Подходит для чат-ботов и задач следования инструкциям на английском языке. Указана лицензия Apache-2.0. Карточка не приводит сравнительных оценок качества или специальных предметных областей.

Bruh0009/T1 — дообученная языковая модель на архитектуре Llama, разработанная Bruh0009 на базе unsloth/Llama-3.2-1B-Instruct-bnb-4bit. Модель содержит 1,2 млрд параметров, принимает текст и предназначена для генерации текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста составляет 131072 токена. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. В карточке указана лицензия Apache-2.0. Данных о специализации по предметной области или дополнительных ограничениях качества нет.

T3qm7xNeuralsirkrishna_Experiment24Inex12 — объединённая модель, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment24Inex12-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и диалогов. Контекст составляет до 32 768 токенов; репозиторий содержит веса в формате safetensors. Поддерживаемые языки и специализированные области применения по предоставленным данным не установлены. Модель распространяется по лицензии Apache-2.0. Характеристики качества и конкретные ограничения в карточке не описаны.

T5Gemma 2 — семейство мультимодальных моделей Google на архитектуре encoder-decoder. Этот чекпойнт содержит энкодер на 270 млн и декодер на 270 млн параметров; он получен адаптацией предварительно обученной Gemma 3 с использованием подхода UL2. Модель принимает текст и изображения и генерирует текст. Семейство заявлено как мультиязычное: более 140 языков и контекст до 128 тысяч токенов; для этого размера в README приведены оценки на задачах понимания изображений и обработки длинного контекста. Модель предназначена для генерации и преобразования текста, ответов на вопросы по изображениям, суммаризации и рассуждений, а компактный размер позволяет рассматривать запуск на ноутбуках, настольных компьютерах или в облачной инфраструктуре. Чекпойнт отмечен как предварительно обученный; README также описывает исследовательское применение семейства. Модель может ошибаться в фактах, испытывать трудности со сложными или неоднозначными запросами и отражать смещения обучающих данных. Лицензия — Gemma; применяйте модель с учётом её условий и самостоятельно оценивайте безопасность результатов.

mrm8488/t5-small-finetuned-text-simplification — модель T5-small, дообученная автором mrm8488 на наборе wiki_auto_asset_turk для упрощения текста. Она преобразует исходные формулировки в более простые и предназначена для сценариев, где нужно сделать текст легче для чтения. Модель содержит 38,5 млн параметров, использует архитектуру T5 для генерации текста по текстовому входу и имеет контекст длиной до 512 токенов. В README приведены результаты оценки на тестовой выборке: Loss 0,1217 и F1 ROUGE-2 0,4616. Модель распространяется с лицензией Apache-2.0. Карточка не описывает ограничения применения или целевые языки; название датасета само по себе не позволяет надёжно установить язык выходного текста.

Miranda/t5-small-train — дообученная модель семейства T5, созданная на основе t5-small. Она предназначена для суммаризации текста и построена на архитектуре T5ForConditionalGeneration; число параметров — 38,5 млн, максимальный контекст — 512 токенов. В README приведены метрики оценки: ROUGE-1 43,95, ROUGE-2 22,34, ROUGE-L 38,77 и ROUGE-Lsum 39,21. Модель принимает текст и генерирует текстовое резюме. Датасет обучения и область применения не раскрыты, поэтому приведённые метрики не позволяют судить о качестве на конкретном типе текстов. Модель распространяется под лицензией Apache-2.0.

Taiwan LLM 13B v2.0 chat — диалоговая языковая модель на архитектуре Llama, разработанная для традиционного китайского языка и культурного контекста Тайваня. Она создана дообучением базовой модели yentinglin/Taiwan-LLM-13B-v2.0-base на открытых и синтетических текстовых данных с помощью Supervised Fine-Tuning. Модель содержит 12,9 млрд параметров и рассчитана на генерацию текста и диалог. Её контекстное окно составляет 4096 токенов; основным языком является традиционный китайский, в частности вариант Тайваня. В карточке сообщается об оценке на бенчмарках TC-Eval и Open LLM Leaderboard, но приведённые результаты не гарантируют точности в практических задачах. Модель подходит для диалоговых приложений и генерации текста с учётом языковых и культурных особенностей Тайваня. Распространяется по лицензии Apache-2.0. Разработчики предупреждают, что ответы требуют проверки; модель не предназначена для медицинской диагностики, юридических консультаций и финансовых решений.

Taiwan LLM 7B v2.0.1 chat — это чат-модель на архитектуре Llama, разработанная для традиционного китайского языка и языковых и культурных особенностей Тайваня. Модель создана на основе yentinglin/Taiwan-LLM-7B-v2.0-base и дообучена методом supervised fine-tuning на общедоступных и синтетических текстовых данных. Модель предназначена для диалога, понимания и генерации текста на традиционном китайском языке. В карточке отмечены улучшения на бенчмарках TC-Eval, но конкретные результаты не приведены. Размер модели — 6,6 млрд параметров, контекст — 4096 токенов; для запуска указан Transformers, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель предоставляется без гарантий, а точность и пригодность ответов пользователь должен проверять самостоятельно. Разработчики не рекомендуют применять её для медицинской диагностики, юридических консультаций и финансовых решений.

Taiwan LLM 7B v2.0 base — модель семейства Llama, разработанная для традиционного китайского языка и языкового и культурного контекста Тайваня. Это плотная авторегрессионная модель с 6,6 млрд параметров и контекстом до 4096 токенов; она распространяется в формате Safetensors и предназначена для запуска через Transformers. Модель дообучена методом supervised fine-tuning на сочетании общедоступных и синтетических данных. Она подходит для генерации и понимания текста, а также для дальнейшей настройки под следование инструкциям и чат-приложения. В README заявлено улучшение результатов на бенчмарках, включая TC-Eval, и внимание к тайваньским языковым особенностям. Основной язык модели — традиционный китайский (zh-TW). Лицензия — Apache-2.0. Модель предоставляется без гарантий; её ответы следует проверять. Разработчики запрещают использовать её для высокорисковых задач, включая медицинскую диагностику, юридические консультации и финансовые инвестиции.

Taiwan LLM 7B v2.0 chat — чат-модель на базе архитектуры Llama, разработанная для традиционного китайского языка и языкового и культурного контекста Тайваня. Модель создана дообучением базовой yentinglin/Taiwan-LLM-7B-v2.0-base на смеси общедоступных и синтетических данных с применением supervised fine-tuning. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст в диалоговом формате. Заявлены понимание и генерация текста на традиционном китайском, а также улучшенные результаты на бенчмарках TC-Eval. Контекст — до 4096 токенов; файлы представлены в формате safetensors и предназначены для Transformers. Модель подходит для диалогов, ответов на вопросы и генерации текста с учетом языковых и культурных особенностей Тайваня. Лицензия — Apache-2.0. Результаты следует проверять; модель не предназначена для медицинской диагностики, юридических консультаций и финансовых рекомендаций.

Карточка модели MaxSchulten/teacher_gpt-oss-20B на Hugging Face совпадает с карточкой MaxSchulten/gpt-oss-20B-distill-Qwen3-0.6B-Unfiltered, поэтому описание составлено по ней. MaxSchulten/gpt-oss-20B-distill-Qwen3-0.6B — дообученная компактная плотная языковая модель семейства Qwen3, разработанная MaxSchulten на базе Qwen/Qwen3-0.6B. Модель предназначена для генерации текста и диалогов; в метаданных также указана возможность chat. README сообщает о дообучении и значении loss 0,6897 на оценочной выборке, но не раскрывает состав данных или подробности оценки. Модель содержит около 507,9 млн параметров, принимает текст и генерирует текст, использует Transformers и формат Safetensors. Длина контекста — до 40 960 токенов. Лицензия — Apache-2.0. Название README содержит слово «Unfiltered», но карточка не описывает соответствующую настройку или поведение, поэтому его смысл и влияние на ответы определить нельзя.

Hunyuan-7B-Instruct-GGUF — это квантизированная GGUF-версия текстовой генеративной модели Hunyuan-7B-Instruct, разработанной Tencent. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Модель ориентирована на диалоговые сценарии и генерацию текста по инструкциям. В репозитории доступны варианты от BF16 до квантизаций Q2–Q8, размером примерно от 3 ГБ до 15 ГБ; это позволяет выбирать между качеством и требованиями к памяти. Для работы необходимо использовать указанный формат prompt с системным сообщением и специальными токенами. README не содержит сведений об архитектуре, поддерживаемых языках, длине контекста, мультимодальности или результатах бенчмарков. Квантизации с более высокой разрядностью обычно обеспечивают лучшее качество, а варианты Q3 и ниже экономят память, но заметнее теряют в качестве; некоторые форматы предназначены для совместимости с ARM или Apple Silicon. Лицензия в предоставленных данных не указана.

Hunyuan-A13B-Instruct-GGUF — квантизированная версия языковой модели Hunyuan-A13B-Instruct, разработанной Tencent. Модель предназначена для генерации текста и работы в инструкционном диалоговом формате. Квантизация выполнена пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix; доступны варианты от Q2_K_L до Q8_0 размером примерно от 29 до 85 ГБ. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. README не раскрывает точную архитектуру, число активных и общих параметров, максимальный контекст, поддерживаемые языки или дополнительные модальности. Основное преимущество представленной версии — широкий выбор уровней квантизации: более высокие варианты сохраняют лучшее качество, а компактные требуют меньше оперативной памяти. При этом сильное сжатие снижает качество ответов, а для запуска большинства вариантов необходим значительный объём памяти. Для корректной работы требуется специальный формат промпта с токенами <|startoftext|>, <|extra_4|> и <|extra_0|>. Модель распространяется по лицензии Tencent Hunyuan A13B; ссылка на текст лицензии приведена в исходном репозитории Tencent. Условия лицензии следует проверить перед коммерческим или иным использованием.

TenyxChat-7B-v1 — чат-модель компании Tenyx на архитектуре Mistral с 7,1 млрд параметров. Она дообучена на базе OpenChat 3.5 методом Direct Preference Optimization (DPO) на наборе предпочтений UltraFeedback и предназначена для диалогов в формате полезного ассистента. Модель принимает текст и генерирует текст; поддерживает английский язык и контекст до 8192 токенов. Разработчики сообщают о результатах на MT-Bench и нескольких тестах общих знаний и рассуждений. В карточке заявлено, что их подход направлен на снижение забывания при дообучении; сама модель при этом может давать многословные ответы, испытывать трудности с математикой и рассуждениями и генерировать нежелательный контент при провокационных запросах. Она не была специально настроена на соответствие человеческим предпочтениям в области безопасности. Лицензия — Apache 2.0.

Terminal-16k-top25 — диалоговая модель генерации текста, разработанная cuong1692001 и дообученная на наборе nemotron_complete_top_25_16k на базе cuong1692001/Terminal_complete_8k. Она использует плотную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров; заявленная длина контекста — до 40 960 токенов. Модель предназначена для диалогов и генерации текста. Для использования доступны веса в формате safetensors через Transformers. Лицензия указана как other; README не раскрывает дополнительных условий. Подробности о качестве, оценке и ограничениях в карточке отсутствуют.

Карточка модели cuong1692001/Terminal-complete-12k на Hugging Face совпадает с карточкой cuong1692001/Terminal_complete_12k, поэтому описание составлено по ней. Terminal-complete12k — дообученная модель на базе Qwen/Qwen3-8B, созданная автором репозитория cuong1692001. Это плотная языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров; она принимает текст и генерирует текст. Карточка указывает на диалоговый сценарий, а базовая модель поддерживает многоязычную генерацию, рассуждения, следование инструкциям, работу с кодом и вызов инструментов. Максимальная длина контекста составляет 40 960 токенов. Модель можно применять для диалога и генерации текста. README сообщает о дообучении на наборе qwen_data_complete, но не описывает его состав, целевые задачи или результаты оценки, поэтому специфические преимущества Terminal-complete12k подтвердить нельзя. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия указана как other; конкретные условия использования в доступных данных не раскрыты.

Terminal-complete — дообученная модель Qwen/Qwen3-8B, созданная автором cuong1692001 на наборе данных qwen_data_complete. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров для генерации текста и диалогового взаимодействия; контекст — до 40 960 токенов. Карточка не описывает конкретные сценарии применения, обучение или результаты оценки, поэтому возможности исходной Qwen3-8B не следует автоматически считать проверенными для этой версии. Модель распространяется в формате Safetensors; лицензия указана как other, её условия нужно уточнить перед использованием.

Ternary Bonsai 2 27B PTQ1_0 MTP GGUF — это сжатая до ternary-представления сборка Qwen 3.8 27B от автора sudoingX. Веса поставляются в формате GGUF для запуска через форк llama.cpp; в модель добавлена голова multi-token prediction из Qwen 3.8 27B, чтобы ускорять генерацию с помощью speculative decoding. Размер файла модели — около 7 ГБ. Модель предназначена для локального диалога и генерации текста на компьютерах с видеокартами NVIDIA RTX 20–50 и, в бета-режиме, AMD Radeon. README описывает измерения производительности на разных видеокартах, а также запуск с контекстом до 262 144 токенов и обработку изображений при подключённой vision tower. Реальная скорость, допустимая длина контекста и доступность зрения зависят от видеокарты, сборки и настроек. MTP ускоряет декодирование, но без режима batch-invariant результат генерации может отличаться от обычного декодирования; на RTX 20 побайтовая идентичность не гарантируется и при этом режиме. Модель распространяется по лицензии Apache-2.0. Для описанного запуска нужны совместимый бинарный файл форка PrismML llama.cpp и подходящая конфигурация под видеокарту.

Tess-2.0-Mixtral-v0.2-GGUF — набор GGUF-квантизаций текстогенеративной модели Tess-2.0-Mixtral-v0.2, разработанной migtissera и преобразованной в квантизированный формат bartowski. Модель предназначена для генерации текста при локальном запуске через llama.cpp; в README указан рекомендуемый формат промпта с ролями SYSTEM, USER и ASSISTANT. Доступны варианты квантизации от Q8_0 до IQ1_S, различающиеся размером файлов и ожидаемым качеством. Наиболее качественными названы Q8_0 и Q6_K, а варианты Q5 и Q4 также отмечены как рекомендуемые благодаря компромиссу между качеством и требованиями к памяти. Более компактные варианты Q3, Q2 и IQ1 позволяют снизить требования к RAM или VRAM, но характеризуются заметно более низким качеством; IQ1-варианты не рекомендуются. Ключевые параметры архитектуры, число параметров, поддерживаемые языки, модальности и размер контекста в карточке не указаны. Модель распространяется по лицензии Apache-2.0. Для запуска требуется совместимое программное обеспечение, например llama.cpp, а выбор файла зависит от доступного объёма RAM и/или VRAM.

Tessa-Rust-T1-7B-GGUF — квантизированная версия текстовой генеративной модели Tessa-Rust-T1-7B, разработанной Tesslate и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет размер 7 миллиардов параметров и относится к архитектуре Qwen2 согласно метаданным. Указан английский язык; поддержка других языков и точный размер контекстного окна не приведены. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, что позволяет выбирать между качеством генерации, размером файла и требованиями к оперативной памяти. Для инференса рекомендуется использовать совместимый prompt format с ролями system, user и assistant. Сильная сторона этой версии — возможность локального запуска на широком спектре оборудования благодаря множеству вариантов квантизации; часть файлов подготовлена с использованием imatrix для повышения качества. Более низкие уровни квантизации экономят память, но могут заметно снижать качество, тогда как BF16 и старшие варианты требуют больше ресурсов. Лицензия модели — Apache-2.0.

Tess-v2.5-Gemma-2-27B-alpha-GGUF — квантизированная версия текстовой генеративной модели Tess-v2.5-Gemma-2-27B-alpha, разработанной migtissera и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и запуска через llama.cpp; README не уточняет её специализацию, поддерживаемые языки и конкретные прикладные сценарии. В основе лежит архитектура Gemma 2 с размером 27B параметров. Доступны варианты квантизации от Q2_K до Q8_0, включая экспериментальные сборки с весами эмбеддингов и выходного слоя в формате f16. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, но требуют больше памяти: размер файлов варьируется примерно от 10,44 до 30,04 ГБ. Модель работает в режиме text-generation, поддерживает указанный в README шаблон диалога и не поддерживает system prompt. Длина контекста и набор модальностей не указаны; по представленным данным модель является текстовой. Сильной стороной являются варианты Q5–Q8 с заявленным высоким или очень высоким качеством, а также возможность выбрать более компактные сборки для систем с ограниченным объёмом RAM. Низкобитные варианты экономят память, но дают более низкое качество; часть сборок обозначена как экспериментальная. Для использования требуется совместимый рантайм, например llama.cpp, и объём памяти, соответствующий выбранному файлу. Лицензия указана как Gemma.

Tess-XS-Creative-v1.0 — экспериментальная версия модели общего назначения из серии Tess, представленной разработчиком Migtissera. Это плотная авторегрессионная языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная на базе Mistral-7B. Она предназначена для генерации текста в диалоговом формате с ролями SYSTEM, USER и ASSISTANT; заявленная длина контекста — 32 768 токенов. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. В README эта версия названа устаревшей экспериментальной сборкой; автор рекомендует вместо неё стабильную Tess-XS-v1.3-yarn-128K. Данных о специализации на конкретном языке или предметной области нет, поэтому модель следует рассматривать как универсальную текстовую модель.

TEST-L3.2-ReWish-3B — объединённая текстовая модель, созданная djuna-test-lab с помощью mergekit на основе unsloth/Llama-3.2-3B и с участием SicariusSicariiStuff/Impish_LLAMA_3B и djuna/ReWiz-Llama-3.2-3B-fix-config. Для слияния применён метод DARE linear с нормализацией и int8-маской; архитектура — плотная LlamaForCausalLM, размер — 3,2 млрд параметров. Модель предназначена для генерации текста и диалогов. Метаданные указывают контекст до 131 072 токенов и интерфейс tool calling. В README приведены результаты Open LLM Leaderboard, включая IFEval 63,68 и BBH 22,07, однако эти показатели сами по себе не гарантируют качество в прикладных сценариях. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.