I.5Создание и редактирование текста

daxa-ai/daxa-classifier-1.1 — текстовая генеративная модель, разработанная daxa-ai на базе Qwen/Qwen3-4B-Instruct-2507. Она предназначена для задач обработки и генерации текста; конкретные сценарии применения в предоставленных данных не уточняются. Модель поддерживает английский язык, относится к семейству text-generation и рассчитана на использование с библиотекой Transformers. Архитектура, количество параметров, размер контекста, поддерживаемые модальности и точные характеристики обучения не указаны. В метаданных также отмечена совместимость с text-generation-inference. Сильной стороной является использование инструкционной базовой модели Qwen3-4B-Instruct-2507 и интеграция с распространёнными инструментами экосистемы Transformers. Ограничения, условия лицензирования и допустимые способы использования в README не указаны.

Deacon 34B — большая языковая модель для генерации текста, разработанная Knut Jägersberg и распространяемая в формате GGUF командой TheBloke. Она основана на архитектуре Yi, имеет около 34 млрд параметров и использует обучающие данные EverythingLM-data-V3. Модель предназначена для текстовой генерации и диалоговых сценариев; в README приведён шаблон запросов SciPhi с отдельными секциями для системного сообщения, инструкции и ответа. Это текстовая, немультимодальная модель: поддерживаемые языки и размер контекстного окна в README не указаны. Представленная версия квантована в формат GGUFv2 с вариантами от 2 до 8 бит, что позволяет запускать её через llama.cpp и совместимые приложения, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие инструменты, на CPU и GPU. Разные уровни квантования дают компромисс между требованиями к памяти и сохранением качества, однако конкретные показатели производительности и качества не приведены. Лицензия обозначена как yi-license с типом other; подробные условия следует уточнять в файле LICENSE оригинального проекта. README не содержит заявленных сильных сторон, результатов тестирования или ограничений, помимо общих особенностей квантованного формата и необходимости использовать совместимое программное обеспечение.

DeepHermes 3 Mistral 24B Preview — языковая модель Nous Research, дообученная на базе Mistral-Small-24B-Base-2501. Это предварительная версия гибридной модели, объединяющей обычный режим ответов и режим рассуждений, который включается системным сообщением. Модель предназначена для диалогов, следования инструкциям, решения задач с рассуждениями и вызова функций; также поддерживает структурированные ответы в формате JSON. Модель имеет плотную архитектуру MistralForCausalLM и 23,4 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст длиной до 32 768 токенов. В карточке указан английский язык. Модель доступна под лицензией Apache-2.0. Это preview-релиз с ранними возможностями рассуждения, дистиллированными из R1; авторы предупреждают о возможных особенностях и ошибках. Для сложных задач модель может генерировать длинные цепочки рассуждений, поэтому может потребоваться увеличить лимит выходных токенов.

MLX-версия модели DeepSeek-R1-0528-Qwen3-8B, разработанная сообществом mlx-community и преобразованная из исходной модели deepseek-ai с помощью mlx-lm 0.24.1. Модель предназначена для генерации текста и запуска через библиотеку mlx-lm, в том числе в приложениях, использующих формат диалоговых сообщений и chat template. Модель основана на DeepSeek-R1-0528-Qwen3-8B и представлена в 4-битном формате квантования, что может снизить требования к памяти по сравнению с полноточной версией, однако README не содержит подробностей об архитектуре, количестве параметров, поддерживаемых языках, контексте, модальностях, производительности или ограничениях качества. Указана лицензия MIT, поэтому условия использования определяются её положениями.

DeepSeek-R1-Distill-Llama-8B-Enkrypt-Aligned — дообученная компанией Enkrypt AI версия DeepSeek-R1-Distill-Llama-8B, дополнительно выровненная по набору данных безопасности Enkrypt AI, созданному с использованием процесса SAGE. Это плотная языковая модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; она принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Модель предназначена для диалоговых ассистентов, генерации текста с учетом требований безопасности, модерации контента, а также образовательных и исследовательских сценариев. Разработчик заявляет о снижении токсичности, вредных ответов и уязвимости к jailbreak-запросам при сохранении качества; в карточке приведен результат 46,43 на MMLU-Pro. Лицензия в предоставленных данных не указана.

huihui-ai/DeepSeek-R1-Distill-Qwen-14B-abliterated-v2 — модифицированная версия DeepSeek-R1-Distill-Qwen-14B от huihui-ai. Автор применил abliteration — экспериментальный метод изменения весов, предназначенный для ослабления отказов модели. Это плотная причинная языковая модель семейства Qwen2 на 14 млрд параметров; она принимает текст и генерирует текст, в том числе в диалоговом формате. Метаданные указывают контекст до 131 072 токенов и использование Transformers. Модель предназначена для диалогов и генерации текста, включая сценарии, где требуется меньше отказов на запросы. Базовая модель рассчитана на рассуждения, математику и программирование, однако карточка этой модификации называет её изменение грубым proof of concept и не приводит оценки качества. Лицензия в предоставленных данных не указана.

unsloth/DeepSeek-R1-Distill-Qwen-14B-GGUF — это GGUF-версия модели DeepSeek-R1-Distill-Qwen-14B, подготовленная Unsloth на основе модели DeepSeek. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, требующие пошагового рассуждения; в README приведён пример решения простой арифметической задачи. Для запуска рекомендуется использовать llama.cpp с соответствующим чат-шаблоном и специальными токенами <｜User｜> и <｜Assistant｜>. Модель относится к семейству Qwen и имеет размер 14B параметров. Доступны варианты с разными уровнями GGUF-квантизации, включая Q4_K_M и Q8_0; конкретные характеристики зависят от выбранного файла. Указан английский язык. README не содержит данных о длине контекста, мультимодальности, точной архитектуре или результатах тестирования, поэтому эти свойства нельзя надёжно оценить. К сильным сторонам относятся возможность локального запуска через llama.cpp и ускорение обработки за счёт GPU-offload; для работы требуется достаточно производительное оборудование, а качество и потребление памяти зависят от квантизации. Модель распространяется по лицензии Apache-2.0.

DeepSeek-R1-Distill-Qwen-14B-Q4_K_M-GGUF — это квантованная версия модели DeepSeek-R1-Distill-Qwen-14B, разработанной организацией deepseek-ai и опубликованной в формате GGUF пользователем Andrew Webby из RolePlai. Модель предназначена для генерации текста, диалоговых сценариев, ролевого общения, а также задач программирования и математики; она может использоваться в приложениях на базе llama.cpp. Модель основана на архитектуре Qwen, имеет размер 14 млрд параметров и поддерживает текстовый ввод и вывод. Квантование Q4_K_M уменьшает требования к памяти по сравнению с полной версией, что делает модель более подходящей для локального запуска, однако может снижать точность по сравнению с исходными весами. В README не указаны поддерживаемые языки, размер контекстного окна, точные требования к оборудованию, результаты тестирования и ограничения качества. Файл модели имеет формат GGUF, не использует imatrix и не разделён на части. Лицензия и условия использования в предоставленных данных не указаны.

mlx-community/DeepSeek-R1-Distill-Qwen-7B-4bit — это 4-битно квантованная версия модели DeepSeek-R1-Distill-Qwen-7B, преобразованная сообществом mlx-community в формат MLX из исходной модели deepseek-ai с использованием mlx-lm версии 0.21.1. Модель предназначена для локального запуска и генерации текста в экосистеме MLX, прежде всего на устройствах Apple, совместимых с этим фреймворком. Модель относится к семейству Qwen и имеет размер 7B параметров; доступна в 4-битном представлении, что снижает требования к памяти по сравнению с полноразмерной версией, но может влиять на точность. README показывает поддержку диалогового использования через chat template и библиотеки mlx-lm. Сведения о модальностях, языках, размере контекста, специализированных сценариях, ограничениях качества и лицензии в предоставленных данных отсутствуют.

DeepSeek-V2.5-IMat-GGUF — это GGUF-квантизованная версия модели DeepSeek-V2.5, разработанной DeepSeek и подготовленной для распространения пользователем legraphista. Модель предназначена для генерации текста и локального запуска с использованием llama.cpp и совместимых инструментов. В качестве исходной использована версия в формате BF16, а квантизация выполнена с помощью llama.cpp b3675. В репозитории доступны варианты квантизации Q8_0, Q6_K, Q5_K, Q4_K, IQ4, Q3, IQ3, Q2 и IQ2 с размерами файлов примерно от 69,87 до 250,62 ГБ; файлы поставляются разделёнными на части. Для большинства вариантов применена IMatrix-квантизация, которая призвана эффективнее сохранять качество при уменьшении размера модели, тогда как Q8_0 и Q6_K используют статическую квантизацию. Конкретные архитектурные параметры, поддерживаемые языки, модальности и размер контекста в README не указаны. Сильная сторона сборки — широкий выбор уровней квантизации и совместимость с экосистемой GGUF и llama.cpp, что позволяет подбирать компромисс между требованиями к памяти и качеством генерации. Ограничениями являются очень большой размер даже наиболее компактных вариантов, необходимость работы с разделёнными файлами и возможная потеря качества на низких уровнях квантизации. Модель распространяется по лицензии DeepSeek; указана лицензия other со ссылкой на LICENSE-MODEL исходной модели.

mlx-community/DeepSeek-V3.1-4bit — это 4-битно квантованная версия языковой модели DeepSeek-V3.1, разработанная сообществом mlx-community на основе модели deepseek-ai и преобразованная в формат MLX с использованием mlx-lm 0.26.3. Модель предназначена для генерации текста и локального запуска в экосистеме MLX. Она поддерживает сценарии диалогового взаимодействия и текстовой генерации через библиотеку mlx-lm; README также указывает на наличие chat template, совместимого с сообщениями ролей user и assistant. Архитектура, количество параметров, поддерживаемые языки, размер контекста и дополнительные модальности в предоставленных данных не указаны, поэтому нельзя достоверно оценить эти характеристики. Ключевая особенность модели — 4-битное представление, потенциально снижающее требования к памяти по сравнению с полной точностью, а также адаптация к MLX. Ограничения и результаты бенчмарков в README не приведены. Модель распространяется по лицензии MIT.

DeepSeek-V4.1-Flash-Abliterated — созданная сообществом версия DeepSeek-V4.1-Flash, опубликованная s-zaizen с применением abliteration через инструмент Heretic; это не официальный выпуск DeepSeek. Модель сохраняет исходную архитектуру DeepSeek V4.1, токенизатор и компоненты для обработки изображений, а также использует формат весов FP8. В репозитории размещено 48 шардов safetensors общим размером около 510 ГБ. Модель предназначена для генерации текста в диалоге и обработки входов с изображениями. По заявлению автора, преобразование изменяет направления отказа в выходах модели: в описанной проверке Heretic ключевые слова отказа обнаружились в 24 из 100 ответов против 97 из 100 у исходной модели. Это измерение не является общим тестом качества или безопасности. Лицензия — MIT.

Baekpica/DeepSeek-V4-Flash-0731-120B-REAM-104E-NVFP4 — текстовая генеративная модель, разработанная Baekpica на основе Baekpica/DeepSeek-V4-Flash-0731-120B-REAM-104E-BF16. Модель предназначена для генерации текста и инференса с использованием vLLM, включая сценарии локального и серверного развертывания на совместимом оборудовании NVIDIA. Архитектура представляет собой Mixture-of-Experts: 43 декодерных слоя, 104 маршрутизируемых эксперта на слой, top-6 маршрутизация и около 13,802 млрд активных параметров на токен при примерно 119,822 млрд логических параметров основной модели. Это преимущественно весово-квантизированная версия NVFP4A16: основные подходящие веса представлены в NVIDIA FP4 E2M1 с размером группы 16, тогда как активации остаются 16-битными. Отдельные компоненты сохраняются в BF16, а некоторые attention-проекции используют динамический W8A8 FP8. В README указана поддержка контекста до 196 608 токенов в проверенной конфигурации запуска. Информация о языках и мультимодальных возможностях не приведена. Ключевое преимущество модели — существенное сокращение требований к памяти при сохранении архитектуры крупной MoE-модели и оптимизация для инференса на NVIDIA Blackwell или более новых GPU. Ограничения включают зависимость от аппаратуры с поддержкой compressed-tensors NVFP4 и от специализированного стека, включая совместимую ветку vLLM и FlashInfer; универсальная совместимость с обычным Transformers или более старым оборудованием не заявлена. Модель распространяется по лицензии MIT.

DeepSeek-V4-Flash-0731-Abliterated-DS4-Quality128 — это GGUF-квантизованная версия модели DeepSeek V4 Flash, подготовленная apetersson на основе чекпойнта apetersson/DeepSeek-V4-Flash-0731-Abliterated-FP8. Модель предназначена для локальной генерации текста и запуска через DS4 или llama.cpp, включая работу на Apple Silicon с ускорением Metal. Это MoE-модель с разреженной маршрутизацией экспертов; сведения о точном общем числе параметров, поддерживаемых языках и максимальном контексте в README не указаны. Профиль DS4 Quality128 ориентирован на сохранение качества при размещении модели в памяти 128-ГБ M1 Ultra. Размер основного GGUF-файла составляет около 95,8 GiB. В наиболее чувствительных маршрутизируемых экспертах сохранён нативный формат MXFP4, остальные эксперты используют IQ2_XXS и Q2_K, а attention-, shared-expert- и output-пути — Q8; отдельные индексатор и вспомогательные тензоры защищены в F16. Abliteration затрагивает только 36 attention-тензоров wo_b, тогда как коды и масштабы routed experts сохранены без изменений. Основное преимущество модели — ориентированная на качество квантизация и возможность запуска на совместимом локальном оборудовании. Целевой GGUF совместим с DS4 и llama.cpp для обычного inference; для DSpark speculative decoding требуются отдельные runtime-специфичные companion-файлы, которые нельзя взаимозаменять. Поддержка зависит от конкретной версии runtime: stock llama.cpp b10210 поддерживает только обычный запуск, а DSpark требует специальных сборок и изменений DeepSeek V4. Приведённые в README показатели производительности основаны на кратком smoke-тесте и не являются устойчивым бенчмарком. Лицензия модели — MIT.

AtomicChat/DeepSeek-V4-Flash-0731-GGUF — это квантизированная GGUF-версия модели DeepSeek-V4-Flash-0731, разработанной DeepSeek и упакованной и квантизированной AtomicChat. Модель предназначена для генерации текста, диалоговых сценариев и conversational-приложений, включая локальный запуск через llama.cpp. Заявлены поддерживаемые языки английский и китайский. Модель построена на архитектуре mixture-of-experts и содержит 284 млрд параметров, из которых 13 млрд активируются для каждого токена. Она включает 43 слоя, 256 маршрутизируемых экспертов, 6 активных экспертов и одного общего эксперта. Контекстное окно составляет 1 млн токенов, размер словаря — 129 280. Исходная модель обучалась с учетом квантизации: маршрутизируемые эксперты хранятся в MXFP4, остальные компоненты — в FP8 или BF16. В репозитории доступны варианты от AD-BF16 и AD-MXFP4 до низкобитных AD-IQ1 и AD-IQ2, позволяющие выбирать компромисс между качеством и объёмом памяти. Главные преимущества — большое контекстное окно, высокая ёмкость MoE-архитектуры и варианты размещения с разным размером файлов. При этом для запуска требуются значительные объёмы оперативной или видеопамяти: размеры вариантов составляют примерно от 70 до 162 ГБ. Квантизация ниже исходного уровня 4,25 бит может заметно ухудшать качество, особенно в вариантах с 1–3 битами. Встроенный chat template устарел и может терять рассуждения в агентских циклах и игнорировать reasoning_effort; для корректной работы рекомендуется использовать отдельный исправленный шаблон из репозитория. Модель распространяется по лицензии MIT.

DeepSeek-V4-Flash-0731-GGUF — это квантизированная версия языковой модели DeepSeek-V4-Flash-0731, разработанной deepseek-ai и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель предназначена для генерации текста и запуска локально через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp и Text Generation Web UI. Модель содержит 284 млрд параметров, поддерживает текстовый ввод и поставляется только в формате MXFP4. Доступен вариант размером около 156,38 ГБ, сохраняющий исходное качество квантизации. В модели предусмотрены веса MTP (Multi-Token Prediction) в виде отдельной DSpark draft-модели, которую можно использовать для speculative decoding и ускорения генерации. Языки, максимальная длина контекста и дополнительные модальности в README не указаны. К сильным сторонам относятся большой размер модели, сохранение исходного качества MXFP4 и возможность ускорения вывода с помощью DSpark. Ограничения включают очень высокие требования к дисковому пространству и аппаратным ресурсам, отсутствие imatrix-калибровки на момент публикации и неопределённость стандартного chat template, который может быть задан некорректно. Модель распространяется по лицензии MIT.

inferencerlabs/DeepSeek-V4-Flash-0731-MLX-Q3i — квантованная версия модели DeepSeek-V4-Flash-0731, разработанной deepseek-ai, подготовленная для выполнения на устройствах Apple с использованием библиотеки MLX и её модифицированной версии. Модель предназначена для генерации текста и локального текстового инференса, в том числе в сценариях, где требуется запуск крупной языковой модели при ограниченном объёме оперативной памяти. Сборка использует метод сжатия INF, не зависящий от обучающих данных, и формат MLX. Согласно README, она рассчитана на работу в системе с 128 ГиБ RAM при сохранении связности ответов. На M3 Ultra с 512 ГиБ RAM заявлена скорость около 39,7 токена в секунду при генерации примерно 500 токенов; потребление памяти в этом тесте составляло около 104,6 ГиБ. Архитектура, точный размер модели, поддерживаемые языки, контекстное окно и модальности в README не указаны; по назначению это текстовая модель. К сильным сторонам относятся возможность локального запуска на совместимом оборудовании Apple, уменьшенные требования к памяти благодаря квантованию и сохранение приемлемой связности генерации. Ограничения включают зависимость от MLX и аппаратной конфигурации, возможное снижение качества по сравнению с исходной моделью из-за квантования, а также отсутствие подробных данных о точности и поддерживаемых сценариях. Лицензия в README не указана; условия использования следует уточнять для исходной модели и данной квантованной сборки отдельно.

DeepSeek-V4-Flash-Vision-Exp REAP-145B — это производная версия модели DeepSeek-V4-Flash-Vision-Exp, подготовленная primitive-ai на основе весов deepseek-ai. Модель использует разреженную Mixture-of-Experts-архитектуру: половина маршрутизируемых экспертов удалена методом REAP, при этом оставшиеся экспертные веса сохраняются в исходном формате MXFP4 без дополнительного квантования. Размер артефакта составляет около 83,3 ГБ, что позволяет запускать его на одной видеокарте с 96 ГБ памяти через vLLM 0.28.0 или новее. Модель предназначена для генерации текста, рассуждений, ответов на вопросы и вызова инструментов. Указан контекст до 20 480 токенов; для KV-кэша используется специализированный формат fp8_ds_mla, другие варианты не поддерживаются. В состав исходной модели входит визуальная часть, и в README указана подтверждённая работа с изображениями на одной 96-ГБ видеокарте, включая распознавание форм и цветов, подсчёт объектов и чтение текста. MTP-компонент удалён. Производительность зависит от режима: заявлены примерно 73 токена в секунду при однопоточном декодировании с CUDA Graphs и до 150–172 токенов в секунду при пакетной обработке с параллелизмом 16. Сильной стороной модели является возможность запуска крупной 145B-версии на одной GPU, а также высокие результаты на тестах знаний и задачах вызова инструментов: 82,7% на строгом наборе знаний и 74,5% на объединённом тесте tool-calling. Ограничения связаны с потерей части экспертов: модель заметно чаще делает нежелательные вызовы инструментов, а длинные ответы могут достигать лимита генерации. Требуются vLLM 0.28.0 или новее, видеокарта с 96 ГБ памяти и тщательно настроенные ограничения пакетной обработки. Модель распространяется по лицензии MIT.

mlx-community/DeepSeek-V4-Pro-Qwen3.5-9B-4bit — это 4-битная MLX-квантизированная версия модели Jackrong/DeepSeek-V4-Pro-Qwen3.5-9B, подготовленная сообществом mlx-community с использованием mlx-vlm 0.4.4. Модель предназначена прежде всего для запуска на компьютерах Apple Silicon через MLX и сохраняет шаблон диалогов и конфигурацию мультимодального процессора исходной модели. Модель поддерживает текстовые и программные запросы, работу с изображениями и входными данными в видеоформате, а также сценарии tool use и function calling. В карточке она обозначена как MoE-модель семейства Qwen3.5 с размером 9B; языки включают английский, китайский, испанский, русский и японский. Для мультимодальных задач рекомендуется использовать mlx-vlm, а для текстовых и кодовых сценариев возможен соответствующий инструментарий MLX. Ключевое преимущество версии — сниженное потребление памяти благодаря 4-битной affine-квантизации языковых весов при сохранении мультимодальных компонентов для изображений и видео. Ограничения связаны с зависимостью от экосистемы MLX и Apple Silicon, а также с возможной потерей точности из-за квантизации; сведения о контекстном окне, производительности и качестве по отдельным задачам в README не приведены. Лицензия — Apache 2.0, унаследованная от исходной модели.

Deepthink-Reasoning-7B — дообученная PrithivMLmods языковая модель на базе Qwen2.5-7B-Instruct с 7,1 млрд параметров. Она предназначена для диалоговой генерации текста с упором на рассуждения, решение логических задач, математику и программирование; также подходит для творческого письма, следования инструкциям и формирования структурированных ответов, включая JSON. Модель использует архитектуру Qwen2 и принимает текстовые запросы, выдавая текст. В метаданных указан контекст до 32 768 токенов, тогда как README заявляет поддержку до 128 тысяч токенов и генерацию до 8 тысяч; это расхождение стоит учитывать при настройке. Карточка заявляет поддержку более 29 языков, включая русский и английский, но метаданные подтверждают английский. Модель распространяется по лицензии CreativeML Open RAIL-M. Заявления README об улучшениях в математике, коде, следовании инструкциям и длинном контексте не сопровождаются результатами оценивания, поэтому фактическое качество на конкретных задачах следует проверять отдельно.

sftwildchat386k-delphiwarmupdelphi-9e18-p50m50-kdelphi-1e-05delphi-3e18-p33m67-k — разговорная языковая модель на архитектуре Qwen3, обученная с нуля на наборах wildchat_386k и delphi_warmup. Репозиторий содержит 402,6 млн параметров в формате Safetensors; модель предназначена для генерации текста в диалоговом формате и поддерживает контекст до 4096 токенов. Модель опубликована на Hugging Face 12 июня 2026 года. В метаданных указана лицензия other, поэтому условия использования зависят от уточнений в репозитории или у автора. README не описывает оценку качества и ограничения; обучающие данные указаны, но поддерживаемые языки не перечислены.

Это разговорная языковая модель семейства Qwen3, разработанная LAION и обученная с нуля на наборах данных wildchat_386k и delphi_warmup. Она предназначена для генерации текста в диалоговом формате и может использоваться для создания ответов на запросы и ведения беседы. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 402,6 млн параметров. Максимальная длина контекста — 4096 токенов; доступные веса представлены в формате safetensors. Для модели указана лицензия other, поэтому условия использования следует сверить с файлами репозитория. Карточка не приводит оценки качества или подробных ограничений.

DeltaP2S-Gemma7B-SameFormula-Code-S13-a05 — объединённый чекпойнт, созданный экспериментальным пакетом Delta-P2S. В основе лежит google/gemma-7b; модель относится к семейству Gemma, использует плотную архитектуру GemmaForCausalLM и содержит 8,2 млрд параметров. Репозиторий содержит веса в формате safetensors, рассчитанные на работу через Transformers. Модель предназначена для генерации текста. Контекст составляет 8192 токена. В карточке нет сведений о специализированных областях, поддерживаемых языках, качестве на конкретных задачах или дополнительных возможностях, поэтому их нельзя подтвердить. Указанная лицензия отсутствует в предоставленных данных.

DeltaP2S-Llama2-13B-P2S-curio7B-ptbr-S13-a050 — объединённый чекпойнт, созданный пакетом экспериментов Delta-P2S с учётом семейств моделей. В метаданных указаны архитектура LlamaForCausalLM, плотная модель на 12,9 млрд параметров, библиотека Transformers и формат safetensors; нативная длина контекста — 4096 токенов. Модель предназначена для генерации текста. README указывает на базу обучения curio7b_to_llama2_13b_S13_native_a050, но не раскрывает прикладные сценарии, языковую специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

Delta-Vector_Archaeo-12B-V2-GGUF — GGUF-квантизированная версия языковой модели Archaeo-12B-V2, разработанной Delta-Vector и подготовленной квантизатором bartowski. Модель предназначена для генерации текста, включая ролевые сценарии и творческое письмо; в метаданных также указано, что исходная модель является результатом объединения моделей с использованием mergekit. Модель имеет размер 12B параметров и распространяется в форматах GGUF, совместимых с llama.cpp и производными проектами, включая LM Studio. Доступны варианты от BF16 до Q2_K_L и другие квантизации; наиболее качественными разработчик считает Q6_K_L, Q6_K, Q5 и Q4_K_M. Размер файлов составляет примерно от 5,31 до 24,50 ГБ в зависимости от формата. Для работы рекомендуется использовать шаблон prompt, указанный в README. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и хорошее соотношение качества и размера у рекомендуемых вариантов. Более сильное сжатие уменьшает требования к памяти, но снижает качество генерации; низкобитные варианты могут быть непредсказуемее. Сведения о поддерживаемых языках, длине контекста, мультимодальности, конкретной архитектуре и лицензии в README не указаны.

Densefin-291-Mistral-22B — разговорная языковая модель семейства Mistral, опубликованная lodrick-the-lafted. Она предназначена для генерации текста и диалогов. По метаданным, модель плотная, содержит 22 млрд параметров, использует архитектуру MistralForCausalLM и принимает контекст до 65 536 токенов. Карточка описывает её как результат небольшого изменения тензоров для преобразования Mixtral с одним экспертом в вариант Mistral; исходная базовая модель не названа. Модель распространяется в формате safetensors под лицензией Apache-2.0. В метаданных указана возможность чата, однако README не сообщает результатов оценки качества или подробностей о возможностях и ограничениях такой модификации.

Devstral-Small-2507-MLX-4bit — это 4-битная квантованная версия модели Devstral-Small-2507, разработанной Mistral AI и подготовленной командой LM Studio с использованием MLX и mlx_lm. Модель предназначена для генерации и обработки текста, а также для локального запуска на устройствах Apple с процессорами Apple Silicon. В README указано, что модель поддерживает английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский и ряд других языков. Ключевые характеристики исходной архитектуры Devstral-Small-2507, количество параметров, размер контекста и поддерживаемые модальности в предоставленных данных не указаны. Квантование до 4 бит уменьшает требования к памяти, однако может повлиять на точность по сравнению с полноразмерной версией; оптимизация ориентирована на экосистему Apple Silicon. Модель распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о конкретных сильных сторонах, ограничениях качества или рекомендуемых сценариях применения, поэтому результаты генерации следует проверять, особенно при использовании в задачах, требующих высокой точности.

Модель Dnoya10/dicoding_genAI_adv_collab_grpo_5 разработана Dnoya10 и представляет собой дообученную языковую модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Поддерживает английский язык и контекст длиной до 32 768 токенов. Обучена с использованием Unsloth и библиотеки TRL от Hugging Face. Распространяется по лицензии Apache-2.0.

Карточка модели Dnoya10/dicoding_genAI_expert_collab_grpo на Hugging Face совпадает с карточкой Dnoya10/dicoding_genAI_expert_collab_grpo_4, поэтому описание составлено по ней. Dnoya10/dicoding_genAI_expert_collab_grpo_4 — дообученная языковая модель семейства Qwen2 с архитектурой плотной авторегрессионной сети. Разработчик — Dnoya10; модель дообучена на Dnoya10/dicoding_genAI_expert_collab_eks1 с использованием Unsloth и библиотеки TRL. В репозитории указаны веса Safetensors, размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и ведения беседы на английском языке. Интерфейс поддерживает вызов инструментов, но карточка не описывает специальные предметные области или конкретные сценарии применения. Лицензия — Apache-2.0.

DictaLM 2.0 Instruct — чат-модель с настройкой на выполнение инструкций, разработанная Dicta. Она дообучена на основе DictaLM 2.0 с использованием наборов разговорных данных и следует рецепту настройки Zephyr-7B-beta с расширенным набором инструкций на иврите. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации ответов по инструкциям, особенно на иврите и английском языке. Она принимает текст и выдаёт текст; длина контекста составляет 32 768 токенов. Для запросов используется шаблон чата с маркерами [INST] и [/INST], также доступный через apply_chat_template(). В карточке модель представлена как демонстрация возможностей дообучения базовой модели. У неё нет механизмов модерации, поэтому ответы могут требовать дополнительного контроля. Лицензия — Apache-2.0.