I.6Перевод и языковая адаптация

Qwen3.6-35B-A3B Uncensored Heretic MLX 8bit — мультимодальная версия модели Qwen, разработанной Alibaba Cloud, конвертированная пользователем froggeric в формат MLX для нативной работы на Apple Silicon. Базовая модель — llmfan46/Qwen3.6-35B-A3B-uncensored-heretic; для устранения отказов использовался Heretic v1.2.0 с вариантом метода Magnitude-Preserving Orthogonal Ablation, применённым с учётом гибридной архитектуры внимания Qwen 3.6. Модель предназначена для диалогов, генерации и анализа текста, задач с изображениями и видео, рассуждений и tool calling. Поддерживаются текстовые и визуальные входы, режимы с рассуждением и без него, а также языки English, Chinese и другие языки, обозначенные как multilingual. Указаны размер класса 35B-A3B и 8-битная квантизация. Исправленный chat template поддерживает современные роли, вызовы инструментов и переключатель thinking, а также устраняет проблемы обработки визуальных входов. Сильные стороны модели — мультимодальность, работа в экосистеме MLX, совместимость с MLX-LM, MLX-VLM, LM Studio, llama.cpp, vLLM и другими движками с HuggingFace Jinja templates, а также снижение частоты отказов при заявленной минимальной потере возможностей. Для работы требуются mlx-lm версии 0.31.2 или новее и mlx-vlm версии 0.4.4 или новее. Модель распространяется по лицензии Apache-2.0. README не содержит подробных независимых результатов бенчмарков и не уточняет фактический объём контекстного окна.

Qwen3.8-27B-Uncensored-Q4_K_M-GGUF — это квантованная в формате GGUF версия базовой модели Qwen/Qwen3.8-27B, опубликованная пользователем qaqab и предназначенная для запуска через llama.cpp и совместимые среды. Модель ориентирована на генерацию текста, включая диалоги, написание и анализ текстов, а также другие сценарии применения многоцелевой языковой модели. В README указаны поддержка английского и китайского языков и наличие vision-возможностей у базовой архитектуры, однако для обработки изображений требуется соответствующий vision-файл. Модель использует архитектуру Qwen3_5ForConditionalGeneration с 64 слоями, словарём из 248 320 токенов, одним MTP-слоем и контекстом до 262 144 токенов. Файл Q4_K_M имеет размер около 16,8 ГБ и сохраняет MTP-компонент для speculative decoding; также опубликована версия без MTP. Квантование выполнено с использованием importance matrix. По измерениям perplexity на wikitext-2 показатель для Q4_K_M составляет 7,1814, но этот тест не оценивает напрямую рассуждения, программирование, мультиязычность или поведение отказов. Вариант Uncensored создан с существенным снижением склонности к отказам с помощью Heretic без дополнительного обучения и новых данных; это поведение не устранено полностью. Возможное снижение acceptance rate черновой MTP-модели может немного повлиять на ускорение speculative decoding, но не должно ухудшать качество проверяемого целевой моделью вывода. Модель распространяется по лицензии Apache-2.0.

OpenASR/qwen3-asr-0.6b — компактная модель автоматического распознавания речи, разработанная командой Qwen при Alibaba и упакованная проектом OpenASR в нативный формат .oasr. Модель основана на Qwen3-ASR-0.6B и предназначена для преобразования аудио в текст с поддержкой офлайн- и потоковой транскрипции, включая обработку длинных аудиозаписей и встроенное определение языка речи. Модель поддерживает 30 языков и 22 китайских диалекта, всего 52 языка и диалекта. Она рассчитана на эффективное использование на CPU и GPU, работает в OpenASR без Python во время инференса и доступна в вариантах fp16, q8_0 и q4_k. Размер сборок составляет примерно от 631 МБ до 1,88 ГБ; q8_0 рекомендуется как компромисс между качеством и занимаемой памятью, q4_k — для устройств с ограниченными ресурсами, а fp16 — для максимальной точности. Для распознавания сложного аудио заявлена устойчивость к чистой речи, вокалу и песням с фоновой музыкой. Ограничения включают отсутствие заявленной поддержки распознавания лиц или других модальностей, а также отсутствие встроенных таймкодов уровня слов; для них рекомендуется использовать отдельную модель Qwen3-ForcedAligner-0.6B. Пакеты распространяются по лицензии Apache-2.0, унаследованной от исходной модели; OpenASR выполняет конвертацию формата и квантизацию.

UBC-NLP/Simba-W — модель распознавания речи из серии Simba, разработанной UBC-NLP для африканских языков. Это дообученная на данных SimbaBench версия Whisper large v3; карточка описывает её как систему для транскрибирования речи, а метаданные указывают архитектуру Whisper с 905,2 млн параметров и формат safetensors. Модель предназначена для распознавания речи на 43 африканских языках, включая амхарский, арабский, хауса, игбо, суахили, йоруба и зулу, а также французский и португальский. Она рассчитана на аудиоввод и выдаёт текстовые транскрипции; для запуска поддерживается библиотека Transformers. README заявляет о высокой точности благодаря обучающим данным с разными доменами, но не приводит численных результатов именно для этой модели. Модель распространяется по лицензии CC BY 4.0. Она предназначена для ASR; заявленная для семейства Simba возможность синтеза речи не подтверждена для этой конкретной модели.

Это модель автоматического распознавания речи на базе XLS-R 1B, дообученная Jonatas Grosman для транскрибации французской речи. Дообучение проведено с помощью HuggingSound на обучающих и валидационных данных Common Voice 8.0, MediaSpeech, Multilingual TEDx, Multilingual LibriSpeech и Voxpopuli. Архитектура — Wav2Vec2ForCTC; модель содержит 1,3 млрд параметров и принимает аудио с частотой дискретизации 16 кГц. Модель предназначена для преобразования французской речи в текст, в том числе для расшифровки записей и аудиоматериалов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. Карточка не сообщает об ограничениях точности или о поддержке других языков.

Модель comodoro/wav2vec2-xls-r-300m-cs-250 — дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания чешской речи. Она основана на архитектуре Wav2Vec2 с выходной CTC-головой и содержит 402,7 млн параметров. Для распознавания принимает аудио с частотой дискретизации 16 кГц и выдаёт текст на чешском языке. Модель дообучена на Common Voice 8.0 и чешских наборах OVM, встречах парламента Чехии и Vystadial 2016. В карточке приведены результаты на тестовой выборке Common Voice: WER 0,1475 и CER 0,0329; с языковой моделью указаны WER 0,0727 и CER 0,0212. Подходит для транскрибации чешских записей, включая диктовку, интервью и разговорную речь. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0. Результаты зависят от качества записи и близости речи к обучающим данным; для работы требуется аудиовход, записанный или приведённый к 16 кГц.

jlondonobo/whisper-large-v2-pt-v3 — дообученная на португалоязычной части набора Common Voice 11.0 модель автоматического распознавания речи на базе Whisper Large v2 от OpenAI. Она принимает аудио и генерирует текстовую расшифровку, в частности подходит для транскрибирования португальской речи. Модель построена на архитектуре Whisper, содержит 905,2 млн параметров и распространяется в формате PyTorch. В карточке указаны результаты оценки на тестовой выборке: loss 0,1503 и WER 4,8385. Модель выпущена под лицензией Apache-2.0. Карточка не описывает ограничения и условия оценки подробнее, поэтому результаты могут не отражать качество на других аудио и сценариях.

mlx-community/whisper-large-v3-4bit — версия Whisper large-v3 от сообщества mlx-community, преобразованная из openai/whisper-large-v3 для использования с mlx-audio-plus. Модель предназначена для распознавания речи и преобразования аудио в текст; её можно применять для транскрибации записей и расшифровки речи в приложениях на MLX. В основе лежит мультиязычная архитектура Whisper large-v3 от OpenAI. Название репозитория указывает на представление с 4-битной точностью; карточка сообщает о преобразовании в формат MLX, а метаданные указывают библиотеку mlx-audio-plus и файлы safetensors. Базовая модель поддерживает транскрибацию речи и перевод аудио в текст. Модель распространяется по лицензии Apache-2.0.

mlx-community/whisper-large-v3-asr-fp16 — преобразованная сообществом mlx-community версия OpenAI Whisper large-v3 для распознавания речи. Модель на архитектуре Whisper содержит около 905 млн параметров и предназначена для преобразования аудио в текст; репозиторий подготовлен в формате MLX для использования с библиотекой mlx-audio и содержит веса Safetensors в FP16. Модель подходит для транскрибации аудиозаписей и распознавания речи на разных языках, включая русский и английский. Карточка отсылает к исходной модели OpenAI за подробностями о её возможностях. Лицензия репозитория — Apache-2.0.

Whisper-Large-v3-MLA — модель распознавания речи, разработанная Burak Aydın на основе OpenAI Whisper large-v3. Декодерная self-attention преобразована из MHA в MLA, что сокращает KV-кэш декодирования на 62,5%; после преобразования модель дообучена на корпусе Whispered для восстановления качества. Модель содержит 905,2 млн параметров и предназначена для транскрибации речи в текст на 11 языках. На тестах CommonVoice-17 авторы сообщают, что цена преобразования по качеству статистически незначима для 9 из 11 языков; заметные различия указаны для арабского и китайского. Сокращение относится к KV-кэшу self-attention декодера: память энкодера и cross-attention не сжата, поэтому выгода для одной короткой последовательности ограничена и заметнее при длинной генерации и высокой параллельности. Модель ориентирована на чистую речь, записанную потребительскими микрофонами; качество может снижаться для незнакомых письменностей, а для грузинского автор отмечает слабые результаты. Для загрузки требуются Transformers 4.46.x и trust_remote_code=True; модель не поддерживает whisper.cpp, faster-whisper и CTranslate2. Лицензия — Apache-2.0.

RedHatAI/whisper-large-v3-turbo-FP8-dynamic — это квантизированная версия модели openai/whisper-large-v3-turbo, разработанная Neural Magic. Модель преобразует аудио в текст и предназначена для автоматического распознавания речи, включая транскрибацию аудиозаписей и обработку аудиовходов в приложениях, использующих vLLM. Для развёртывания требуется vLLM версии 0.5.2 или новее; также поддерживается OpenAI-совместимый режим сервинга через vLLM. Архитектура основана на whisper-large-v3-turbo и включает аудио-текстовый вход и текстовый выход. Веса и активации квантизированы в формате FP8 с динамической схемой квантизации; выходной lm_head не квантизируется. README не указывает точный размер модели, максимальную длину контекста и полный список поддерживаемых языков, однако приводит тег языка en и оценки для англоязычной транскрибации и перевода на английский. Ключевое преимущество модели — снижение вычислительных затрат при сохранении качества исходной модели: на LibriSpeech показатель WER составляет 2,2611 на test-clean и 4,3247 на test-other в конфигурации FP8. На test-clean результат сопоставим с BF16, а на test-other немного уступает ему. Ограничения включают зависимость от совместимого стека vLLM и отсутствие в README подробных данных о качестве на других языках и сценариях. Модель распространяется по лицензии Apache-2.0.

XGLM-7.5B — авторегрессионная многоязычная языковая модель с 7,5 млрд параметров, разработанная командой XGLM и представленная в работе о few-shot-обучении многоязычных языковых моделей. Модель обучена на сбалансированном корпусе текстов на множестве языков общим объёмом 500 млрд субтокенов; архитектура — плотная XGLM для авторегрессионной генерации текста. Метаданные указывают 8,6 млрд параметров и контекст до 2048 токенов. Модель предназначена для продолжения и генерации текста, а также многоязычных few-shot-сценариев, например проверки понимания текста на наборах заданий с вариантами ответа. Поддерживает широкий набор языков, включая английский, русский, китайский, немецкий, испанский, французский, японский и другие. Доступна по лицензии MIT. README отсылает к отдельной карточке разработчиков для рекомендаций по использованию; качество и ограничения в предоставленных материалах подробнее не описаны.

Bielik-PL-11B-v3.0-Instruct — генеративная языковая модель с 11 млрд параметров, разработанная SpeakLeash совместно с центром ACK Cyfronet AGH. Это дообученная для выполнения инструкций версия Bielik-11B-v3-Base-20250730 с заменённым на APT4 токенизатором, оптимизированным для польского языка. Модель имеет архитектуру causal decoder-only и использует шаблон чата ChatML. Модель предназначена для диалогов, ответов на вопросы и выполнения языковых инструкций. Она обучена на текстах на 32 европейских языках с акцентом на польский; обучение включало многоходовые диалоги, задачи на логику, STEM, математику и использование инструментов. Разработчики отмечают высокую способность работать с польским и другими европейскими языками. Модель может выдавать фактически неверные, предвзятые, оскорбительные или непристойные ответы и не имеет встроенных механизмов модерации. Лицензия — Apache 2.0.

BLOOMChat-v2 — мультиязычная диалоговая языковая модель, разработанная SambaNova Systems. Это плотная авторегрессионная модель семейства BLOOM с архитектурой BloomForCausalLM; README указывает 176 млрд параметров, а метаданные репозитория — 233,8 млрд. Модель дообучена на длинных мультиязычных последовательностях и наборах диалогов в формате помощника, включая OIG, Dolly 2.0 и OASST1. Модель предназначена для диалогов, ответов на вопросы и генерации ответов на нескольких языках; в карточке приведены примеры для арабского, китайского, французского, хинди и испанского языков. Репозиторий содержит веса PyTorch и использует библиотеку Transformers. Лицензия BLOOMChat-176B License v1.0 основана на изменённой Apache 2.0 с ограничениями на отдельные виды использования, унаследованными от лицензии BLOOM RAIL. Модель может галлюцинировать, повторяться и переключаться между языками или диалектами. Её точность в программировании и сложной математике ограничена; возможна генерация токсичного или вредного текста. Авторы не рекомендуют применять её в критически важных сценариях, связанных с безопасностью людей, принятием важных решений или автоматизированными конвейерами.

BlueBerry-3 — дообученная модель artindnr на базе openai/gpt-oss-120b для рассуждений и диалогов на шести языках: фарси, английском, арабском, французском, немецком и испанском. Это авторегрессионная языковая модель с архитектурой gpt_oss и смесью экспертов (MoE); в репозитории указано 2,1 млрд параметров, а карточка базы называет 117 млрд. Модель принимает текст и выдаёт текст, поддерживает шаблон чата Harmony и интерфейс вызова инструментов. Контекст — до 131 072 токенов. Модель предназначена для многоязычных ассистентов, ответов на запросы и задач, требующих рассуждений на одном из шести поддерживаемых языков. Её особенность — генерация рассуждений на языке запроса, а не преимущественно на английском. Выпущенная версия — полностью дообученный чекпойнт с объединёнными плотными весами, а не LoRA-адаптер. Качество рассуждений оптимизировано для перечисленных шести языков; для других языков оно не гарантируется. Модель может ошибаться и выдумывать факты; отдельное дообучение безопасности не проводилось. Лицензия — Apache 2.0.

Это GGUF-квантизированная версия языковой модели cogito-v1-preview-qwen-32B, разработанной deepcogito и подготовленной пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Она может применяться для диалогов, написания и преобразования текста, а также других сценариев текстовой генерации, поддерживаемых базовой моделью. Модель содержит около 32 млрд параметров и доступна в вариантах от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ. Квантизация выполнена с использованием imatrix, что позволяет уменьшить требования к памяти при сохранении высокого качества; варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены автором как рекомендуемые, а Q3 предназначены для систем с ограниченным объёмом RAM и дают более низкое качество. В README не указаны поддерживаемые языки, размер контекста, мультимодальные возможности и специализированные ограничения базовой модели. Для работы следует использовать формат prompt с маркерами ролей ChatML. Модель распространяется по лицензии Apache-2.0.

Dhee-NxtGen-Qwen3-Indic — многоязычная языковая модель DheeYantra, разработанная совместно с NxtGen Cloud Technologies Pvt. Ltd. Она основана на архитектуре Qwen3-4B и содержит 3,7 млрд параметров; модель предназначена для диалогов в формате ассистента, рассуждений и сценариев с вызовом функций в 14 индийских языках. Для работы с текстом поддерживает контекст длиной до 40 960 токенов. Модель генерирует текст на письме целевых языков и подходит для суммаризации, ответов на вопросы, учебных и государственных помощников, а также многоязычных диалоговых систем. Она доступна для Transformers и оптимизирована для инференса через vLLM. Лицензия Apache-2.0. Качество может различаться между языками; смешение языков в запросах может его снизить. Модель может ошибаться и галлюцинировать, поэтому не предназначена для медицинских, юридических и других критически важных применений. Для инференса через vLLM указаны требования к GPU с compute capability не ниже 8.0; V100 не поддерживается.

Dumpling-Qwen2.5-32B-GGUF — это квантованные файлы языковой модели Dumpling-Qwen2.5-32B, подготовленные пользователем bartowski на базе модели nbeerbower. Модель предназначена для генерации текста и локального запуска через llama.cpp, в частности в LM Studio. Она может использоваться для диалогов, написания и преобразования текстов, ответов на вопросы и других сценариев текстовой генерации, поддерживаемых базовой моделью. Модель содержит 32 миллиарда параметров и распространяется в формате GGUF с вариантами от BF16 до низкобитных квантований Q2–Q8 и IQ. Размер файлов составляет примерно от 13,71 до 65,54 ГБ. Для квантования применялась imatrix с использованием llama.cpp. В README не указаны точный контекст, перечень поддерживаемых языков и мультимодальные возможности; по заявленному pipeline_tag это текстовая, а не мультимодальная модель. Для работы рекомендуется использовать соответствующий шаблон prompt с маркерами Qwen. Сильной стороной является широкий выбор квантований, позволяющий подобрать баланс между качеством, скоростью и требованиями к памяти; варианты Q5 и Q6 отмечены как высококачественные, а Q4_K_M — как подходящий вариант по умолчанию. Более компактные варианты экономят память, но могут заметно снижать качество. Модель лицензирована по Apache-2.0.

EXAONE-3.5-7.8B-Instruct-GGUF — квантизированная версия инструкционной языковой модели EXAONE-3.5-7.8B-Instruct, разработанной LGAI-EXAONE. Сборку в формате GGUF подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия; заявлены английский и корейский языки. Она может использоваться локально через совместимые инструменты, включая LM Studio и llama.cpp. Модель имеет около 7,8 млрд параметров. Доступны варианты с точностью от F32 и F16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5 и Q6; версии Q3 подходят для систем с ограниченной памятью, а отдельные варианты оптимизированы для ARM или AVX-инференса. Преимущество этой версии — возможность запуска локально и гибкий выбор степени квантования при сохранении хорошего качества генерации. Ограничения связаны с потерей качества при более сильном квантовании, аппаратными требованиями отдельных вариантов и отсутствием в предоставленных данных сведений о размере контекста, архитектурных деталях и поддержке модальностей помимо текста. Лицензия указана как EXAONE, тип — other; перед использованием необходимо ознакомиться с условиями лицензии.

GLM-4.7-Flash-MLX-4bit — это 4-битная квантизированная версия языковой модели GLM-4.7-Flash, разработанной организацией zai-org. Квантизация выполнена командой LM Studio с использованием mlx_lm, а модель оптимизирована для работы на устройствах Apple Silicon в экосистеме MLX. Модель предназначена для генерации текста и может использоваться в сценариях, поддерживаемых библиотекой Transformers и инструментами MLX, включая локальный запуск на совместимых компьютерах Apple. В README заявлена поддержка английского и китайского языков. Модель относится к текстовой модальности; сведения о размере, конкретной архитектуре и максимальной длине контекста не указаны. Ключевое преимущество версии — снижение требований к памяти и вычислительным ресурсам за счёт 4-битной квантизации и оптимизации под Apple Silicon. При этом квантизация может влиять на точность и качество генерации по сравнению с исходной моделью, а фактическая производительность зависит от оборудования и настроек запуска. Модель распространяется по лицензии MIT.

Granite 4.2 8B GGUF — это квантизированная версия текстовой генеративной модели ibm-granite/granite-4.2-8b, разработанной IBM. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, диалоговых сценариев, задач рассуждения и, согласно указанным тегам, tool calling. Поддерживается только текстовый ввод; мультимодальные возможности не заявлены. Модель содержит около 9 млрд параметров и доступна в форматах GGUF с разными уровнями квантизации — от BF16 до Q2 и IQ-вариантов. README не указывает архитектуру и размер контекстного окна. Заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Для запуска используется специальный шаблон prompt с секцией рассуждений <think>. Сильная сторона этой версии — широкий выбор квантизаций, позволяющий подобрать баланс между качеством, скоростью и требованиями к памяти: например, Q4_K_M размером 5,54 ГБ рекомендуется как универсальный вариант, а более высокие уровни сохраняют качество ближе к исходной модели. Ограничения зависят от выбранной квантизации: компактные варианты обеспечивают более низкое качество. Спекулятивное декодирование не поддерживается. Модель распространяется по лицензии Apache 2.0.

Японская модель автоматического распознавания речи Reazon Research на архитектуре wav2vec 2.0 Large, дообученная на крупномасштабном корпусе ReazonSpeech v2.0. Она преобразует японскую речь в текст и подходит для расшифровки коротких записей и длинных аудиоматериалов. В README приведены результаты по метрике CER: среднее значение составило 16,25% на указанных тестовых наборах, а на JSUT-BOOK для длинной речи — 30,98%. Метаданные указывают класс Wav2Vec2ForCTC, около 405,7 млн параметров и поддержку Transformers. Модель принимает аудио и выдаёт текст; заявленный язык — японский. Распространяется по лицензии Apache-2.0.

Kanana-Nano-2.1B-Instruct — двуязычная языковая модель Kakao на 1,9 млрд параметров для генерации текста и диалогового взаимодействия по инструкциям. Она относится к плотной архитектуре Llama и предназначена для общения с пользователем, а также для текстовых задач на корейском и английском языках. Контекст модели составляет 8192 токена; веса опубликованы в формате safetensors и запускаются через Transformers. Серия Kanana создавалась с упором на вычислительную эффективность и конкурентные результаты на корейском и английском языках. Для серии описаны методы фильтрации данных, поэтапного предобучения, масштабирования глубины, прореживания и дистилляции, а также настройка инструкциями и оптимизация предпочтений. Карточка не приводит отдельные результаты именно этой версии; данные обучения, согласно README, не включали пользовательские данные Kakao. Модель выпущена Kakao и распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

KARAKURI LM 70B Chat v0.1 — диалоговая языковая модель компании KARAKURI Inc., дообученная на базе KARAKURI LM 70B, которая, в свою очередь, основана на Llama 2 и дополнительно обучалась на японских и многоязычных корпусах. Это плотный авторегрессионный трансформер с архитектурой Llama, содержащий 68,8 млрд параметров и поддерживающий контекст до 4096 токенов. Модель предназначена для многошагового диалога, ответов на вопросы и генерации текста на японском и английском языках. При дообучении применялась техника SteerLM, а обучающие данные включали OASST2, HelpSteer и внутренние диалоговые данные; шаблон позволяет задавать атрибуты ответа, такие как полезность, корректность, подробность и креативность. Разработчик сообщает о высоких результатах на японском MT-Bench и сопоставимом с Llama 2 70B Chat качестве на английском MT-Bench. Модель распространяется в формате safetensors через Transformers. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели; конкретные условия в доступных данных не раскрыты. Размер модели требует значительных вычислительных ресурсов, а доступный контекст ограничен 4096 токенами.

LFM2-8B-A1B-GGUF — языковая модель для генерации текста, разработанная компанией Liquid AI. Она предназначена прежде всего для edge AI и локального запуска на устройствах, включая производительные смартфоны, планшеты и ноутбуки. Модель распространяется в формате GGUF и ориентирована на использование с llama.cpp и совместимыми инструментами. Модель построена по архитектуре Mixture of Experts (MoE): содержит около 8,3 млрд общих параметров, из которых при обработке запроса активно используется около 1,5 млрд. По заявлению разработчика, её качество сопоставимо с плотными моделями на 3–4 млрд параметров, а скорость выше, чем у Qwen3-1.7B. По сравнению с LFM2-2.6B улучшены возможности программирования и работы со знаниями. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Размер контекста и дополнительные модальности в README не указаны. Сильными сторонами модели являются сочетание компактного активного размера, скорости и эффективности использования памяти, что делает её подходящей для локального вывода и on-device-сценариев. Ограничения включают отсутствие в предоставленных данных подробных результатов тестирования, точного размера контекста и информации о мультимодальности; заявленные характеристики качества и скорости приведены разработчиком без детальной методики сравнения. Модель распространяется по лицензии lfm1.0.

Карточка модели prompt-agnostic-language-models/Llama-1B_ties на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-1B, поэтому описание составлено по ней. Meta Llama 3.2 1B — авторегрессионная языковая модель на основе оптимизированной архитектуры Transformer. Это предварительно обученная многоязычная модель с примерно 1,23 млрд параметров; она принимает и генерирует текст, а также может работать с кодом. В карточке указаны контекст до 128 тысяч токенов, Grouped-Query Attention и обучение на смеси общедоступных данных. Модель предназначена для генерации текста и адаптации к различным задачам обработки естественного языка. Её можно использовать для черновиков и продолжения текста, перефразирования запросов, краткого изложения и диалоговых приложений после соответствующей настройки. Разработчик — Meta; модель доступна через библиотеку Transformers в формате safetensors. Официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Это предварительно обученная модель, а не версия, настроенная специально для диалога; качество и безопасность ответов следует проверять и при необходимости адаптировать для конкретного применения. Использование регулируется пользовательской лицензией Llama 3.2 Community License и Acceptable Use Policy.

Карточка модели minpeter/Llama-3.2-1B-AlternateTokenizer-chatml на Hugging Face совпадает с карточкой meta-llama/Llama-3.2-1B, поэтому описание составлено по ней. Meta Llama 3.2 1B — авторегрессионная языковая модель на основе оптимизированной архитектуры Transformer. Это предварительно обученная многоязычная модель с примерно 1,23 млрд параметров; она принимает и генерирует текст, а также может работать с кодом. В карточке указаны контекст до 128 тысяч токенов, Grouped-Query Attention и обучение на смеси общедоступных данных. Модель предназначена для генерации текста и адаптации к различным задачам обработки естественного языка. Её можно использовать для черновиков и продолжения текста, перефразирования запросов, краткого изложения и диалоговых приложений после соответствующей настройки. Разработчик — Meta; модель доступна через библиотеку Transformers в формате safetensors. Официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Это предварительно обученная модель, а не версия, настроенная специально для диалога; качество и безопасность ответов следует проверять и при необходимости адаптировать для конкретного применения. Использование регулируется пользовательской лицензией Llama 3.2 Community License и Acceptable Use Policy.

lahirum/Llama-3.2-3B-Instruct-Q4_0-GGUF — квантованная версия инструкционной языковой модели Llama 3.2 с примерно 3 млрд параметров, представленная пользователем lahirum и основанная на модели Meta. Формат GGUF и квантизация Q4_0 предназначены для запуска через совместимые инструменты, включая llama.cpp, с уменьшенными требованиями к памяти по сравнению с полноразмерными весами. Модель относится к задачам генерации текста и диалогового взаимодействия по инструкциям. Заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Модель может применяться для локальных чат-ботов, ответов на вопросы, подготовки и преобразования текста и других сценариев, где требуется компактная инструкционная LLM. Ключевыми преимуществами являются небольшой размер, возможность локального использования и более низкое потребление ресурсов благодаря Q4_0; ограничениями — возможное снижение точности из-за квантизации и меньшая производительность и полнота ответов по сравнению с более крупными моделями. Размер контекстного окна и другие параметры архитектуры в представленном README не указаны. Модель распространяется по лицензии Llama 3.2 Community License от Meta. При распространении материалов или производных продуктов требуется соблюдать условия лицензии, включая предоставление текста соглашения, указание «Built with Llama» и сохранение атрибуции Meta; также необходимо соблюдать Acceptable Use Policy. Для организаций с более чем 700 млн ежемесячно активных пользователей предусмотрено отдельное лицензионное требование.

llm-jp-3.1-8x13b — большая языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это модель семейства Mixtral с архитектурой Transformer и смесью экспертов: в ней 8 маршрутизируемых экспертов, из которых активируются 2. README приводит около 73,2 млрд общих параметров и около 22,2 млрд активируемых параметров; в метаданных указано 13,2 млрд параметров. Контекст составляет 4096 токенов. Модель продолжает предобучение LLM-jp-3 в режиме Instruction Pre-Training, а также прошла supervised fine-tuning и Direct Preference Optimization. Она предназначена для генерации текста и следования инструкциям, в частности на японском и английском языках. Доступна в формате Safetensors для Transformers. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

llm-jp-3-3.7b-instruct2 — языковая модель семейства LLM-jp-3, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это плотный авторегрессионный трансформер на архитектуре Llama с примерно 3,5 млрд параметров, дообученный на инструкциях методом supervised fine-tuning. Модель принимает текст и предназначена для диалогов и выполнения инструкций, прежде всего на японском и английском языках. Предварительное обучение серии проводилось на смеси данных общим объёмом 2,1 трлн токенов; контекст модели составляет 4096 токенов. Карточка описывает набор инструкционных данных на японском языке, включая материалы по безопасным ответам. Модель распространяется в формате Transformers и Safetensors по лицензии Apache-2.0. Разработчики характеризуют выпущенные модели как ранние этапы исследований и разработок: их ответы ещё не настроены для надёжного соответствия человеческим намерениям и требованиям безопасности. Результаты могут быть ошибочными или небезопасными, поэтому важные ответы требуют проверки.