I.6Перевод и языковая адаптация

Homunculus-GGUF — это квантованные версии языковой модели Homunculus, разработанной arcee-ai и преобразованной пользователем bartowski в формат GGUF с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на его основе. В README указан английский язык и шаблон диалога с ролями system, user и assistant. Доступны варианты от полного BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3, Q2 и IQ. Размер файлов варьируется примерно от 5 до 25 ГБ; наиболее качественными считаются BF16, Q8_0, Q6 и Q5, а варианты с более низкой разрядностью требуют меньше оперативной памяти, но могут заметно уступать в качестве. Архитектура, количество параметров, поддерживаемый размер контекста и дополнительные модальности в README не указаны, поэтому модель следует рассматривать как текстовую. Основные преимущества — возможность локального запуска, широкий выбор квантований и баланс между качеством и требованиями к памяти. Ограничения связаны с потерями качества при сильном квантовании, зависимостью от совместимого программного обеспечения и отсутствием подробных данных о возможностях исходной модели. Распространение указано по лицензии Apache-2.0.

Audio-Interaction — потоковая модель диалога с аудио на входе и текстом на выходе. По карточке модель использует аудиокодировщик Qwen2.5-Omni и языковую часть Qwen2; метаданные указывают 3,1 млрд параметров, контекст 32 768 токенов и библиотеку Transformers. Модель обрабатывает звук последовательными фрагментами и на каждом решает, продолжать ли слушать или начать текстовый ответ. Она предназначена для голосовых ассистентов и диалоговых систем, которым важно реагировать до завершения всей реплики. Поддерживает потоковое взаимодействие, а также офлайн-сценарии распознавания речи и перевода речи в текст. В режиме слушания выдаёт управляющие маркеры, а в режиме ответа генерирует текст; синтеза речи нет. Входной звук рассчитан на моно 16 кГц, решения принимаются с шагом 0,4 секунды, а неполные хвостовые фрагменты короче 10 кадров отбрасываются. Для голосового ответа модель нужно дополнить системой TTS. Лицензия — Apache-2.0.

Baichuan-M1-14B-Base — базовая большая языковая модель, разработанная Baichuan Intelligence с нуля для медицинских и общих языковых задач. Это плотная авторегрессионная модель семейства Baichuan M1 с 13,7 млрд параметров и контекстом до 32 768 токенов. По данным разработчика, обучение проводилось на 20 трлн токенов медицинских и общих данных; отдельно заявлена специализация более чем на 20 медицинских направлениях. Модель предназначена для генерации текста, языкового моделирования и использования как основа для медицинских и общих приложений, включая дальнейшую настройку под диалог и инструкции. В архитектуре применяются короткие свёртки для обработки ключей и значений, скользящее оконное внимание в части слоёв и изменения позиционного кодирования для работы с длинным контекстом. Карточка указывает китайский и английский языки; обучение также включало данные на 30 других языках, но их перечень не приведён. Разработчик сообщает о сильных результатах в медицинских сценариях и сопоставимой с моделями аналогичного размера общей производительности. Это утверждения карточки модели, а не независимая оценка; медицинские ответы требуют проверки специалистом и модель не заменяет клиническое решение. Репозиторий содержит веса в формате Safetensors. Условия лицензии в предоставленных данных не приведены.

Beetle-FineWeb-2B/beetle-bilingual-l2-80-late-b5-fineweb-2b-nld-eng-seed13 — генеративная языковая модель из семейства Beetle-FineWeb-2B, доступная через библиотеку Transformers. По идентификатору модели она рассчитана примерно на 2 млрд параметров и ориентирована на двуязычную работу с нидерландским и английским языками; тег pico_decoder указывает на декодерную архитектуру. Модель предназначена для авторегрессионной генерации текста, включая продолжение и преобразование текстовых последовательностей в совместимых сценариях Transformers.

Boto 7B v1.1 — языковая модель lucianosb, дообученная на Mistral 7B для генерации текста на португальском языке. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Для дообучения использован датасет cetacean-ptbr. Модель подходит для генерации ответов и текстов на португальском языке. Ответы обычно многословны и могут быть недостаточно краткими или целенаправленными. В карточке приведены результаты оценки на Open Portuguese LLM Leaderboard; модель может порождать фактические ошибки и стереотипный контент, поэтому её выводы требуют проверки. Лицензия — Apache-2.0.

cyberagent/calm2-7b-chat-dpo-experimental — диалоговая языковая модель CyberAgent, полученная дообучением calm2-7b-chat методом Direct Preference Optimization (DPO) с использованием LoRA. Для обучения применён набор предпочтений chatbot-arena-ja-calm2-7b-chat-experimental; модель предназначена для генерации ответов на инструкции и диалоговые запросы. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 6,7 млрд параметров. Она принимает текст и генерирует текст, поддерживает японский и английский языки, а заявленная длина контекста составляет 32 768 токенов. В приведённых оценках DPO-версия показала более высокие результаты, чем исходная calm2-7b-chat, на ELYZA-tasks-100 и Japanese MT-Bench; это результаты отдельных экспериментов, а не гарантия качества для любых запросов. Модель распространяется по лицензии CC BY 4.0. Она является экспериментальной версией, поэтому её ответы следует проверять, особенно в задачах, требующих точности или актуальных сведений.

ChatYuan-7B — разработанная ClueAI двуязычная диалоговая языковая модель на архитектуре LLaMA с 6,6 млрд параметров. Она предназначена для генерации ответов в диалоге и выполнения инструкций на китайском и английском языках; контекст составляет 2048 токенов. Модель прошла три этапа обучения: продолжение предобучения на китайских текстах, настройку на наборах задач и настройку на данных человеческой обратной связи. В репозитории опубликованы инкрементальные веса, которые нужно объединить с исходными весами LLaMA-7B для получения полной модели. Модель подходит для диалоговых помощников и выполнения текстовых инструкций, но может допускать фактические ошибки, отвечать на потенциально вредные запросы и слабо справляться с рассуждениями и программированием. README разрешает использовать проект только в исследовательских целях и запрещает коммерческое и потенциально вредное использование; метаданные указывают лицензию GPL-3.0.

DeepSeek-llama3.3-Bllossom-70B — языковая модель, созданная командами UNIVA и Bllossom на базе DeepSeek-R1-Distill-Llama-70B. Это плотная модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для генерации текста и диалогов с упором на рассуждения на корейском языке. Модель дообучали на корейских и английских данных рассуждений, чтобы улучшить многоязычную работу и уменьшить смешение языков: внутренние рассуждения могут выполняться на английском, а ответ формируется на языке запроса. Модель подходит для решения математических задач, ответов на сложные вопросы и диалоговых сценариев на корейском и английском языках. В README приведены примеры и результаты оценки на AIME24 и MATH500, в том числе на корейских переводах заданий. Модель распространяется по лицензии MIT. Представленные в карточке примеры и оценки не гарантируют точность ответов в других задачах; отдельные ограничения производительности не описаны.

Карточка модели ark4004/DeepSeek-llama3.3-Bllossom-70B-jh на Hugging Face совпадает с карточкой UNIVA-Bllossom/DeepSeek-llama3.3-Bllossom-70B, поэтому описание составлено по ней. DeepSeek-llama3.3-Bllossom-70B — языковая модель, созданная командами UNIVA и Bllossom на базе DeepSeek-R1-Distill-Llama-70B. Это плотная модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов, предназначенная для генерации текста и диалогов с упором на рассуждения на корейском языке. Модель дообучали на корейских и английских данных рассуждений, чтобы улучшить многоязычную работу и уменьшить смешение языков: внутренние рассуждения могут выполняться на английском, а ответ формируется на языке запроса. Модель подходит для решения математических задач, ответов на сложные вопросы и диалоговых сценариев на корейском и английском языках. В README приведены примеры и результаты оценки на AIME24 и MATH500, в том числе на корейских переводах заданий. Модель распространяется по лицензии MIT. Представленные в карточке примеры и оценки не гарантируют точность ответов в других задачах; отдельные ограничения производительности не описаны.

Dolphin CN-Dialect Small — модель автоматического распознавания речи от DataoceanAI, переупакованная проектом OpenASR в формат .oasr. Она предназначена для преобразования китайской речи в текст, особенно региональных вариантов китайского языка и речи с выраженным акцентом. Модель ориентирована на сценарии локальной транскрипции на CPU и GPU без Python во время инференса, включая работу с диалектной речью и смешанной речью с китайским языком. Модель построена по рецепту Dolphin и WeNet: использует энкодер E-Branchformer, Transformer-декодер и совместную objective CTC и attention с последующим attention rescoring. Это компактный checkpoint small.cn с посимвольным китайским словарём. Поддерживаются 22 китайских диалекта, включая сычуаньский, уский, кантонский, миньнаньский и шанхайский; заявлена также сохранённая эффективность для стандартного мандаринского языка. Доступны сборки fp16, q8_0 и q4_k размером примерно от 298 МБ до 860 МБ; fp16 рекомендована для максимального соответствия исходным результатам, а q4_k уменьшает размер ценой некоторого ухудшения CER. Контекстная длина и точные абсолютные метрики качества в карточке не указаны. Ограничением является отсутствие пунктуации: модель выдаёт обычный непунктуированный текст, поскольку обучающий корпус не содержал знаков препинания. Лицензия Apache-2.0 унаследована от исходной модели DataoceanAI1/dolphi-cn-dialect-small; OpenASR выполняет только конвертацию формата и квантование.

Ethio-ASR multilingual 1B — модель автоматического распознавания речи команды Ethio-ASR, созданная дообучением facebook/mms-1b на наборе WAXAL Speech Dataset. Она предназначена для транскрибирования аудио на амхарском, тигринья, афаан-оромо, сидама и волайтта; в карточке также заявлена идентификация языка речи. Модель построена на архитектуре Wav2Vec2 с CTC-выходом, содержит 1,3 млрд параметров и распространяется в формате safetensors для Transformers. На тестовой части WAXAL модель показала средний WER 31,20; лучшие результаты среди перечисленных языков — для афаан-оромо (23,69) и волайтта (37,51). Её можно использовать как основу для голосовых помощников, средств доступности и исследовательских сравнений. Лицензия CC-BY-NC 4.0 ограничивает коммерческое использование. Качество может различаться в зависимости от диалекта, возраста и пола говорящего и качества записи; для шумного аудио без предварительной очистки речи модель не рекомендуется, а в критически важных сценариях необходима проверка человеком.

Bofandra/fine-tuning-use-cmlm-multilingual-quran-translation — модель Sentence Transformers, созданная дообучением Bofandra/fine-tuning-use-cmlm-multilingual-quran. Она кодирует предложения и абзацы в плотные векторы размерности 768 для оценки семантического сходства, семантического поиска, поиска перефразировок, классификации и кластеризации текстов. Архитектура основана на BERT с усреднением токенных представлений и нормализацией векторов; метаданные указывают 498,1 млн параметров, формат safetensors и контекст до 512 токенов. Обучение описано на 6 225 парах предложений с MegaBatchMarginLoss; примеры связывают арабский текст Корана с английским переводом. Для сравнения векторов модель использует косинусное сходство. Лицензия в предоставленных данных не указана.

Модель разработана автором репозитория h-gajdov как полное дообучение Moonshine Tiny для преобразования македонской речи в текст. Это плотная encoder-decoder-модель семейства Moonshine с 27,1 млн параметров, принимающая аудио как необработанную форму волны; по описанию автора, вычислительные затраты зависят от длительности аудио, что подходит для распознавания на устройстве. Для обучения использовано около 2,99 млн аудиофрагментов длительностью до 30 секунд из македонских речевых корпусов; диалектные репозитории и отложенный тестовый набор исключены. На отложенном тесте из 44 записей автор сообщает WER 11,62 и CER 4,21; лучший WER во время обучения составил 11,33. Результаты относятся к указанному небольшому тестовому набору, поэтому не гарантируют такое же качество на других источниках речи и диалектах. Модель предназначена для автоматического распознавания македонской речи; лимит декодирования связан с 194 позициями контекста. Лицензия в предоставленных данных не указана.

Gemma-Ko 2B — базовая текстовая модель семейства Gemma, опубликованная beomi на основе оригинальной Gemma-2B от Google. Это плотная decoder-only языковая модель с 2,5 млрд параметров, предназначенная для генерации текста по запросу; заявленный контекст составляет до 8192 токенов. В карточке указаны корейский и английский языки. Модель подходит для генерации и черновой подготовки текстов, ответов на вопросы, суммаризации, языковой практики и экспериментов с NLP. Относительно небольшой размер позволяет запускать её на персональном компьютере или в облачной инфраструктуре с ограниченными ресурсами. Карточка не содержит результатов бенчмарков, поэтому качество для конкретных сценариев следует проверять отдельно. Модель может воспроизводить смещения из обучающих данных, ошибаться в фактах и испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия обозначена как other; README отсылает к условиям использования Gemma, поэтому перед применением следует ознакомиться с ними.

GLM-5.3 Uncensored GGUF — квантованная модель в формате GGUF, созданная softwareweaver на основе dealignai/GLM-5.3-UNCENSORED-FP8 и исходной модели zai-org/GLM-5.3. Репозиторий предоставляет только конверсию весов. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp и совместимые инструменты. Заявлены английский и китайский языки. Исходная модель представляет собой смесь экспертов (Mixture of Experts, MoE) с 753 млрд параметров. Доступный вариант использует квантование Q4_K_M, что уменьшает требования к памяти по сравнению с полноразмерными весами, но может снижать точность. В README указано, что модель склонна к избыточному рассуждению; для ограничения числа токенов рассуждений рекомендуется задавать reasoning budget. Размер контекста, точные активные параметры, поддерживаемые модальности и другие архитектурные характеристики не указаны. Модель распространяется по лицензии MIT. Основные ограничения связаны с отсутствием подробных сведений о производительности, контекстном окне и требованиях к оборудованию, а также с возможными потерями качества из-за квантования. Термин «uncensored» указан в названии и метаданных, однако конкретные особенности фильтрации или поведения модели README не описывает.

Mungert/GLM-Z1-9B-0414-GGUF — это GGUF-версия языковой модели GLM-Z1 с заявленным размером 9 млрд параметров, подготовленная пользователем или организацией Mungert с использованием llama.cpp. Модель предназначена для генерации текста и запуска локального вывода через совместимые с GGUF инструменты, включая сценарии с ограниченными ресурсами: на CPU, периферийных устройствах и GPU с небольшим объёмом видеопамяти. В метаданных указаны китайский и английский языки, а также задача text-generation; поддерживаемые модальности ограничены текстом. Сведения о размере контекстного окна именно этой модели в README не приведены, хотя приведённые тесты квантования проводились с окном 2048 токенов на другой модели — Llama-3-8B-Instruct. Основная особенность публикации — применение ультранизкобитного квантования IQ-DynamicGate с динамическим распределением точности между слоями. Для различных вариантов используются форматы IQ1 и IQ2, а критические компоненты, включая embedding и выходные слои, защищаются более точным форматом Q5_K. Такой подход ориентирован на уменьшение потребления памяти при сохранении качества, однако низкая разрядность может снижать точность и увеличивать зависимость результата от конкретного варианта квантования. Приведённые численные показатели perplexity относятся к Llama-3-8B и не подтверждают характеристики GLM-Z1-9B-0414. Лицензия указана как MIT. README не содержит подробной информации о разработчике базовой модели GLM-Z1, точных характеристиках архитектуры, фактическом контекстном окне, требованиях к оборудованию или результатах оценки именно этой публикации, поэтому эти параметры нельзя достоверно определить по имеющимся данным.

Guanaco-leh-V2 — многоязычная инструкционная языковая модель KBlueLeaf на базе LLaMA 7B, дообученная с помощью LoRA. При обучении также обновлялись эмбеддинги токенов и языковая голова; использованы данные Guanaco и Alpaca-cleaned. Модель рассчитана на ответы по инструкциям и диалоговое применение в формате Guanaco. Модель содержит около 6,6 млрд параметров, использует архитектуру LLaMA и поддерживает генерацию текста. В карточке указаны английский, китайский и японский языки; длина контекста в обучении ограничивалась 1024 токенами. Репозиторий предоставляет веса PyTorch и Safetensors. Лицензия — GPL-3.0. Автор отмечает, что модель лучше справляется с китайским и японским языками, чем исходная LLaMA, и подходит для чат-ботов. В примерах ответов встречается путаное содержание, поэтому качество и фактическую точность ответов следует проверять.

hviske-v6 — модель автоматического распознавания речи на датском языке, разработанная Syv AI. Она сочетает RoPE-адаптированный энкодер Whisper-large-v3-turbo с декодером Qwen3-0.6B через проектор с объединением кадров; размер модели — 1,24 млрд параметров. Модель принимает монофонические аудиозаписи с частотой 16 кГц и выдаёт текстовую транскрипцию. Записи длиннее 30 секунд автоматически разбиваются по тишине и затем объединяются. Можно управлять регистром букв и пунктуацией специальными входными токенами. Модель предназначена для офлайн-транскрибирования датской речи, в том числе записей разговоров, чтения вслух и парламентских выступлений. В заявленном бенчмарке средний WER составляет 10,19; пропускная способность на RTX 3090 — 48× реального времени при пакетной обработке. Модель обучена на датском корпусе объёмом 2 755 часов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Качество на разговорной речи ниже, чем на других типах аудио, и заметно зависит от диалекта и возраста говорящего. Принудительная пунктуация может ухудшать результат на парламентских записях. Модель не поддерживает другие языки, временные метки, диаризацию и потоковое распознавание.

Это GGUF-квантизированная версия языковой модели Ling-mini-2.0, разработанной inclusionAI и опубликованной в виде набора квантованных файлов пользователем bartowski. Модель относится к задачам генерации текста и предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты от исходных весов BF16 до квантований Q8_0, Q6, Q5, Q4, Q3 и IQ3/IQ4 объёмом примерно от 6,82 до 32,54 ГБ. Квантизация выполнена с использованием imatrix и llama.cpp; для работы необходимо учитывать формат prompt template, указанный для модели. В README не приведены сведения об архитектуре, количестве параметров, поддерживаемых языках, модальностях и размере контекста. Сильной стороной сборки является широкий выбор вариантов, позволяющий подобрать компромисс между качеством, размером и требованиями к памяти. Рекомендуемыми обозначены главным образом варианты Q4–Q6, тогда как некоторые Q3-варианты имеют заметно более низкое качество. Лицензия в предоставленных данных не указана.

neurlang/ipa-whisper-small — модель распознавания речи на базе Whisper small от OpenAI, дообученная на 15 000 синтетических аудиозаписей с фонетической разметкой IPA. В обучающую выборку вошли случайные записи Common Voice 21 на более чем 70 языках; синтетические IPA-данные созданы с помощью фонемизатора goruut. Это трансформерная модель типа encoder-decoder с 153,1 млн параметров. Модель предназначена для преобразования речи в фонетическую транскрипцию IPA и демонстрирует обобщение на разные языки и аудиодомены. Whisper также поддерживает обычную транскрипцию речи; для длинных записей README описывает обработку фрагментами по 30 секунд. Модель принимает аудио и выдаёт текстовую транскрипцию. Качество может снижаться для языков с малым объёмом обучающих данных и для отдельных акцентов и диалектов. Возможны галлюцинации — добавление слов, отсутствующих в аудио, — и повторяющиеся фрагменты. Модель распространяется по лицензии Apache-2.0.

Kotomamba-2.8B-v1.0 — двуязычная языковая модель на архитектуре Mamba, разработанная Kotoba Technologies совместно с группой TohokuNLP Университета Тохоку и лабораториями Okazaki и Yokota Токийского технологического института. Это вариант предварительного обучения на японских и английских текстах; в семействе также есть версия с продолженным обучением преимущественно на японских данных. Модель предназначена для генерации текста и языковых задач на японском и английском языках. В README приведены результаты на японских тестах на общие знания и ответы на вопросы, а также указано обучение на японской Википедии, корпусе Swallow и SlimPajama. В репозитории представлены веса PyTorch для Transformers; модель имеет 2,8 млрд параметров по README, хотя метаданные Hugging Face сообщают 6,1 млрд. Авторы отмечают, что модель находится на ранней стадии разработки и не настроена для соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

LFM2.5-2.6B-Heretic-NX-PRIME — поведенчески отредактированная версия языковой модели LiquidAI/LFM2.5-2.6B, опубликованная пользователем 0xzknw. Это текстовая авторегрессионная модель примерно на 2,6 млрд параметров для генерации текста; заявлена поддержка английского, арабского, китайского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Размер контекста в README не указан. Основная цель модели — снизить частоту ложных отказов в ответах. Для варианта Q8_0 сообщается 3 лексических маркера отказа из 104 вредоносных запросов в описанном локальном тесте, однако этот показатель является лишь косвенным прокси и не доказывает успешность выполнения задач или универсальное качество. Обновлённый Q8_0 предназначен для запуска в native llama.cpp и LM Studio, занимает около 2,87 ГБ; также доступны неизменённые варианты BF16 для Transformers и GGUF. Ограничения включают отсутствие повторной проверки обновлённого Q8_0 на XSTest и capability-наборе, а приведённые тесты использовали данные, участвовавшие в разработке и отборе. Лицензия указана как lfm-open-license-v1.0.

yooncw/Llama-3-Open-Ko-8B-Instruct-teddynote — дообученная чат-модель, разработанная yooncw на базе beomi/Llama-3-Open-Ko-8B-Instruct-preview. Она предназначена для генерации текста в диалоговом формате и ответов на запросы. Модель использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; длина контекста составляет 8192 токена. В качестве основы указана корейско-английская чат-модель, поэтому модель рассчитана прежде всего на корейский и английский языки. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. В карточке упоминаются Unsloth и TRL как инструменты, использованные при обучении. Отдельные ограничения качества или сферы применения в карточке не описаны.

Mini_synatra_7b_02 — диалоговая языковая модель, дообученная Minirecord на базе maywell/Synatra-7B-v0.3-dpo. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель принимает и выдаёт только текст, поддерживает контекст до 32 768 токенов и предназначена для генерации ответов и выполнения инструкций в диалоге. Для дообучения использован набор hwanhe/Mini_orca: около 70 тысяч примеров Orca, переведённых и проверенных вручную; по описанию базовой модели, приоритетным языком является корейский. Модель распространяется по лицензии CC BY-SA 4.0.

Модель malhajar/Mixtral-8x7B-v0.1-turkish разработана Мохамадом Аль-Хаджаром и представляет собой дообученную методом SFT версию mistralai/Mixtral-8x7B-v0.1. Это языковая модель архитектуры Mixtral с разреженной экспертной архитектурой MoE, предназначенная для генерации текста и ответов на инструкции на турецком языке. Для запросов используется шаблон с секциями Instruction и Response. Модель подходит для турецких диалоговых помощников, ответов на вопросы и генерации текстов по инструкциям. Она дообучена на наборе malhajar/alpaca-gpt4-tr; размер по метаданным — 7,1 млрд параметров, контекст — до 32 768 токенов. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

opencsg/Phi-3.5-Chinese — 基于 Phi-3.5-mini-instruct 特别处理的中文监督微调版本，由 OpenCSG 发布。 Модель предназначена для диалогов и вопросов на китайском языке: она точнее понимает китайский текст и чаще отвечает по-китайски, с настройкой на качество ответов и удобство общения. Это плотная причинная языковая модель семейства Phi-3 с 3,7 млрд параметров и контекстом 4096 токенов; поддерживает чат и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

AXCXEPT разработала дообученную версию Microsoft Phi-4, используя open-r1 и имитируя подход дистилляции DeepSeek-R1, чтобы получить модель для рассуждений. Модель предназначена для диалогов и генерации ответов, особенно на японском языке; английский можно использовать для более гибких ответов. Это плотная авторегрессионная модель семейства Phi-3 с 14,1 млрд параметров, рассчитанная на контекст до 16 384 токенов. Карточка указывает датасеты Bespoke-Stratos-17k и NuminaMath-TIR. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — MIT.

QuantFactory/Qwen2.5-7B-Gutenberg-KTO-GGUF — квантизированная версия языковой модели Qwen2.5-7B-Gutenberg-KTO, созданная QuantFactory с использованием llama.cpp. Исходную модель разработал Orion-zhen на базе Orion-zhen/Qwen2.5-7B-Instruct-Uncensored; она дообучалась на датасете Orion-zhen/kto-gutenberg с применением стратегии KTO в течение двух эпох. Модель предназначена для генерации текста и локального запуска в формате GGUF. Модель ориентирована на текстовые сценарии на китайском и английском языках. Известен размер базовой модели — 7 миллиардов параметров; сведения о точной архитектуре, длине контекста и конкретном варианте квантизации в этой карточке не указаны. К числу практических преимуществ относятся уменьшенные требования к памяти и возможность запуска через совместимые инструменты llama.cpp, однако качество и поведение модели автором подробно не оценивались, поэтому производительность на конкретных задачах не гарантируется. Лицензия модели — GPL-3.0. Использование и распространение должны соответствовать условиям этой лицензии.

Qwen3.5-9B-heretic — языковая модель для генерации текста, созданная на основе Qwen/Qwen3.5-9B. Вариант подготовлен пользователем saidutta69 с применением Heretic v1.4.0 и метода directional ablation («abliteration»): целевые изменения весов подавляют поведение, связанное с отказами, без дообучения модели. Базовые знания и способность следовать инструкциям, согласно описанию, в значительной степени сохранены. Модель предназначена для диалоговых приложений, многоязычного рассуждения, генерации текста и агентских сценариев, где требуется меньше ограничений на ответы. Это модель примерно на 9,4 млрд параметров с текстовой модальностью; заявлен английский язык. Поддерживаются форматы GGUF с квантованием Q4_K_M, Q5_K_M, Q6_K и Q8_0, а также F16, запуск через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang. Указана гибридная архитектура Qwen3.5 с linear attention. Для запуска рекомендуется GPU от 12 ГБ, а квантованные варианты подходят для потребительского оборудования и CPU-only систем. Главное отличие модели — намеренное подавление отказов; при этом автор предупреждает, что она может выполнять запросы, которые базовая модель отклоняла, включая потенциально опасные, и не содержит дополнительной фильтрации безопасности. По приведённым тестам, модель отказала в 79 из 100 вредоносных запросов против 86 у базовой версии, а KL-дивергенция от базовой модели составила 0,0015. Модель не позиционируется как улучшение возможностей Qwen3.5-9B. Лицензия унаследована от базовой модели — qwen-research-license.

vonjack/Qwen-LLaMAfied-HFTok-7B-Chat — диалоговая языковая модель на 7,1 млрд параметров, созданная на основе Qwen-7B-Chat. Разработчик преобразовал её веса к структуре, совместимой с LLaMA и LLaMA 2, и адаптировал токенизатор из формата tiktoken для загрузки через Hugging Face Transformers без внешнего кода. Модель использует архитектуру LlamaForCausalLM, формат PyTorch и шаблон диалога ChatML; заявленная длина контекста — 6144 токена. Модель предназначена для генерации текста и диалоговых ответов на английском и китайском языках. В README приведён результат MMLU 50,36; автор отмечает снижение относительно исходной Qwen-7B-Chat и предупреждает о возможных смещениях и недостоверных ответах из-за структурных изменений и недостаточного выравнивания. Версия обозначена как находящаяся в разработке. Лицензия — Apache 2.0.