I.6Перевод и языковая адаптация

DeepMount00/Qwen2-1.5B-Ita — компактная языковая модель на архитектуре Qwen2 с 1,5 млрд параметров, дообученная для итальянского языка. Она предназначена для генерации текста и диалогового общения, а также для решения разнообразных языковых задач на итальянском. Модель создана на основе Qwen2 и использует причинную языковую архитектуру Qwen2ForCausalLM. Контекстное окно составляет 32 768 токенов; метаданные также указывают поддержку английского языка. В README приведены результаты сравнений на MMLU, ARC и HellaSwag, но подробности методики оценки не описаны. Модель распространяется по лицензии Apache-2.0. Её компактный размер удобен для приложений с ограниченными ресурсами, однако качество ответов и рассуждений следует проверять для конкретных задач; результаты бенчмарков сами по себе не гарантируют качество в прикладных сценариях.

soyaakinohara выпустил смешанную квантизованную версию GGUF модели trohrbaugh/Qwen3.8-Flash-Next-heretic-2 с точностью 3,78 бит на параметр. Это мультимодальная MoE-модель семейства Qwen4Exp примерно на 177 млрд параметров: 48 слоёв с линейным вниманием GDN и полным вниманием, 512 экспертов и выбором 10 экспертов в MoE-слоях. В репозитории есть разделённые файлы весов GGUF и отдельный визуальный проектор; для работы с изображениями проектор нужно подключать вместе с моделью. Для запуска требуется llama.cpp с поддержкой qwen4exp. Модель рассчитана на диалоговую генерацию текста и ответы с учётом изображений; карточка сообщает о японской калибровке квантования и ручной проверке генерации, включая ролевые сценарии. Это квантизация уже дообученной и модифицированной модели, в которой ослаблены отказы. Встроенный защитный слой ненадёжен, поэтому модель может выдавать небезопасные или вредоносные ответы. Унаследована лицензия Qwen Community License 1.0; условия коммерческого использования следует сверять с её текстом.

Это классификатор RoBERTa-large на 454,1 млн параметров, обученный авторами исследования Krishna et al. (2020) на корпусе CoLA с оценками грамматической приемлемости предложений. Модель принимает текст на английском языке и определяет, насколько грамматически приемлемо отдельное предложение. Её можно применять для оценки беглости предложений, созданных языковыми моделями, в том числе при оценке переноса стиля. Модель использует архитектуру RoBERTa для классификации последовательностей, поддерживает контекст длиной до 514 токенов и распространяется в форматах PyTorch и Safetensors. Репозиторий содержит конверсию исходной модели из Fairseq в формат Transformers. Описание не приводит отдельные условия лицензии; модель основана на работе авторов Krishna et al., 2020.

RUPunct_big — крупная модель семейства RUPunct для расстановки пунктуации в русском тексте. Карточка называет её самой большой моделью семейства и рекомендует для большинства задач. По архитектуре это BertForTokenClassification на базе BERT с 205,5 млн параметров; модель принимает последовательность токенов и классифицирует их, используя контекст длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель предназначена для автоматического восстановления пунктуации в русском тексте, например в текстах без знаков препинания. Лицензия MIT разрешает свободное использование и модификацию с соблюдением её условий. Карточка не приводит сравнительных оценок качества или подробностей о данных обучения.

RWKV7-G1k-1.5B-20260930-FLA — базовая языковая модель семейства RWKV-7 «Goose», подготовленная в формате Flash Linear Attention (FLA) для инференса через Transformers. Чекпойнт содержит 1,527 млрд параметров и 24 слоя; он основан на BlinkDL/rwkv7-g1 и предназначен для генерации текста и диалога с использованием разговорного шаблона. RWKV-7 — рекуррентная архитектура без механизма attention: она поддерживает состояние постоянного размера вместо растущего KV-кэша, а стоимость рекуррентного декодирования на токен не зависит от длины предыдущей последовательности. Заявленная длина контекста — 25 600 токенов. В карточке перечислена поддержка английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Это базовая модель, а не выровненный по безопасности или дообученный для следования инструкциям ассистент; качество следования инструкциям может быть нестабильным. Для запуска README указывает CUDA-совместимую видеокарту NVIDIA с поддержкой BF16 и зависимости FLA/CUDA и Transformers; генерация на CUDA в описанной локальной проверке не выполнялась, поэтому работа зависит от версий оборудования и программных компонентов. Лицензия — Apache-2.0.

Superswallow-7b-v0.3 — объединённая текстовая модель на базе Llama 2, созданная автором nitky с помощью mergekit. В модель Swallow-7b-instruct добавлены параметры Tulu 2 DPO, чтобы улучшить следование пользовательским инструкциям; проект задумывался как эксперимент по объединению моделей, обученных на разных языках, с сохранением японских языковых возможностей. Модель содержит 6,7 млрд параметров, использует архитектуру Llama и поддерживает контекст до 4096 токенов. Она предназначена для генерации текста и ответов на инструкции на японском и английском языках. Для диалогов README рекомендует формат Tulu; качество может зависеть от шаблона запроса и настроек генерации. При высокой температуре ответы могут становиться нестабильными, а при низком repetition penalty вероятны повторы. Автор рекомендует температуру 0,7, top_p 0,9, top_k 20 и repetition penalty 1,15. В метаданных указана лицензия llama2; README предупреждает, что использование параметров Tulu 2 DPO может затрагивать условия AI2 ImpACT, и лицензия может измениться.

Synatra-Yi-Ko-6B — языковая модель, дообученная автором maywell на базе beomi/Yi-Ko-6B с использованием набора данных Synatra. Это плотная причинная модель семейства Llama с 5,9 млрд параметров; она генерирует текст и предназначена для диалогового использования по шаблону ChatML без системного сообщения. Указанный контекст составляет 4096 токенов, поддерживаемые языки — английский и корейский. Модель распространяется в формате Safetensors по лицензии CC BY-SA 4.0. Карточка содержит мало сведений о составе обучающих данных и оценках качества, поэтому пригодность для конкретных сценариев следует проверять самостоятельно.

NLPark/Test1_SLIDE — экспериментальная языковая модель семейства Llama, опубликованная как ранний предварительный выпуск серии LLM v3. В README в качестве базовой модели указана meta-llama/Meta-Llama-3-8B; метаданные описывают плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров, библиотеку Transformers и контекст до 8192 токенов. Модель заявлена для генерации текста и диалогового взаимодействия на китайском и английском языках. Карточка называет её тестом серии Shi-Ci, AnFeng и Cecilia, но не уточняет конкретные возможности декодирования или сравнительные показатели качества. Репозиторий содержит веса Safetensors и имеет лицензию CC BY-NC-SA 4.0, ограничивающую коммерческое использование.

tr_core_news_lg — крупная языковая модель для обработки турецкого языка в экосистеме spaCy, разработанная Duygu Altinok для проекта TrSpaCy. Она предназначена для лингвистического анализа турецких текстов и доступна в виде официального репозитория на Hugging Face. Модель включает компоненты tok2vec, tagger, morphologizer, trainable_lemmatizer и parser, а также поддерживает распознавание именованных сущностей через компонент NER. Она выполняет токенизацию, частеречную разметку, морфологический анализ, лемматизацию, синтаксический разбор зависимостей, выделение предложений и распознавание сущностей. Модель работает с турецким языком, содержит 200 000 уникальных векторов размерности 300 и поддерживает spaCy версий от 3.4.2 до 3.5.0. По приведенным оценкам, F-мера NER составляет 0,889, точность UPOS — 0,907, XPOS — 0,912, морфологической разметки — 0,891, лемматизации — 0,823, определения границ предложений — 0,845, UAS — 0,735, а LAS — 0,637. Это делает модель пригодной для автоматической предварительной обработки и структурного анализа турецких текстов, однако качество синтаксического разбора и лемматизации ниже, чем у частеречной и морфологической разметки. Модель распространяется по лицензии CC BY-SA 4.0.

Turath-OCR-Fix — модель компании Sadiqoon Technologies для исправления ошибок OCR в арабских и персидских текстах. Это дообученная google/byt5-base: символьная модель семейства T5 с байтовым словарём, примерно 595,1 млн параметров. Она восстанавливает пропущенные хамзы и точки, исправляет подмены букв и написание персидских букв, удаляет лишние татвиль и диакритические знаки, а также исправляет пробелы и пунктуацию. Модель предназначена для постобработки OCR при оцифровке книг и других текстов, в том числе наследия на арабском и персидском языках. В описанной оценке на 600 отложенных фрагментах она снизила CER с 2,65% до 0,74%, устранив 72% символьных ошибок. По замыслу разработчика, модель исправляет распознанное консервативно и старается оставить остальной текст без изменений. В README для обработки используется максимальная длина входа 384 токена; лицензия — MIT.

Unified Audio Schema (UAS-Audio) — аудиоязыковая модель, разработанная авторами проекта Unified Audio Schema на базе Qwen2.5-7B и обученная с использованием их схемы супервизии. Она принимает текст и аудио и может выдавать текст и аудио, поддерживая чередование модальностей. Модель предназначена для диалогов с текстовым или речевым вводом, распознавания речи, описания аудиособытий и синтеза речи. Подход разделяет обучение на транскрипцию, паралингвистические характеристики и нелингвистические события, чтобы модель учитывала содержание речи и другие особенности аудио. Авторы сообщают о результатах на бенчмарках понимания аудио, ASR и TTS. Для восстановления звуковой волны из сгенерированных аудиотокенов требуется декодер StableToken. Модель опубликована в формате safetensors; лицензия указана как other, поэтому условия её использования следует сверить с карточкой репозитория.

Violet_Twilight-v0.1-GGUF — GGUF-квантизированная версия текстовой генеративной модели Violet_Twilight-v0.1, разработанной Epiculous и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для генерации текста и запуска в локальных приложениях, включая LM Studio. Доступны варианты от F16 до различных уровней квантизации, что позволяет выбирать между качеством ответа, размером файла и требованиями к оперативной памяти; размеры файлов составляют примерно от 4,44 до 24,50 ГБ. Модель поддерживает английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Архитектура, число параметров, максимальный размер контекста и поддерживаемые модальности в README не указаны; заявлен только текстовый pipeline_tag. Для работы рекомендуется формат промпта «<s>[INST] {prompt} [/INST]», при этом системные промпты не поддерживаются. Квантизация imatrix позволяет использовать модель на устройствах с ограниченными ресурсами, однако менее точные варианты могут заметно снижать качество генерации. Модель распространяется по лицензии Apache-2.0. В README не приведены результаты оценивания, подробные сведения о целевых сценариях, ограничениях безопасности или сравнении с другими моделями.

mlx-community/whisper-large-v3-turbo — модель автоматического распознавания речи, преобразованная в формат MLX из large-v3-turbo. Разработчик исходной модели в README не указан, как и подробности об архитектуре, размере, поддерживаемых языках и длине контекста. Модель предназначена для транскрибирования аудиофайлов в текст с использованием библиотеки mlx-whisper и может применяться в сценариях автоматического распознавания речи на совместимом с MLX оборудовании. Сильной стороной является адаптация к экосистеме MLX, однако доступные данные не позволяют оценить точность, производительность, языковое покрытие и ограничения модели. Лицензия в README не указана.

Модель dianavdavidson/whisper-medium_mucs_63022_ratio_25_45_lr_1e-4_lgid_None_hinglish_mixed_scripts_FT — дообученная версия Whisper Medium от OpenAI для автоматической расшифровки речи. Она содержит 455,8 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате Safetensors. По названию модели она ориентирована на речь хинглиш с использованием смешанных систем письма; в README указан результат оценки Global WER 28,9546 и loss 0,4427, но состав набора и методика оценки не описаны. Модель принимает аудио и выдаёт текстовую транскрипцию. Базовая Whisper Medium также поддерживает многоязычную расшифровку и перевод речи, однако для этой дообученной версии подтверждена только задача распознавания речи. Лицензия — Apache-2.0. Оценка WER и отсутствие сведений о данных обучения затрудняют выводы о качестве на других наборах и языковых вариантах.

xlsr-300m-mizonal3-E2-lus-v2026.06 — модель распознавания речи, разработанная Andrew Bawitlung и дообученная на базе facebook/wav2vec2-xls-r-300m на наборе MiZonal v3.0. В эту версию набора добавлен примерно час разговорной речи. Модель использует архитектуру Wav2Vec2 с CTC-декодером и содержит около 402,7 млн параметров. Модель предназначена для преобразования речи на языке LUS в текст. Эксперимент E2 обучался с аугментацией фонового шума; на тестовом наборе указаны WER 20,3887 и CER 4,0148, а real-time factor — 0,0024. Модель принимает аудио и выдаёт текстовую транскрипцию. Модель распространяется по лицензии Apache-2.0. Результаты относятся к указанному набору оценки; README сообщает, что публикация с подробностями ещё готовится, поэтому качество на других записях не установлено.

Модель andrewbawitlung/xlsr-300m-mizonal3-E3-lus-v2026.06 разработана как дообученная версия facebook/wav2vec2-xls-r-300m для автоматического распознавания речи на языке lus. Она основана на архитектуре Wav2Vec2ForCTC и содержит около 402,7 млн параметров; веса представлены в формате safetensors. Для обучения использован набор MiZonal v3.0, в эту версию добавлен примерно час разговорной речи. Конфигурация E3 применяет аугментацию изменения скорости речи. Модель предназначена для транскрибирования аудиозаписей на lus, в том числе разговорной речи. На оценочном наборе указаны WER 20,4476, CER 4,0148 и коэффициент реального времени 0,0025. Репозиторий опубликован под лицензией Apache-2.0. Карточка отмечает, что подробности эксперимента планируется представить в рецензируемой публикации.

bravend/bartpho-syllable-vi-spellcheck — дообученная VinAI BARTpho-syllable модель для проверки и исправления орфографии во вьетнамском языке. Она использует архитектуру encoder-decoder на базе mBART и общий энкодер с двумя головами: одна генерирует исправленный текст, другая определяет ошибки на уровне токенов. В репозитории указаны 242,3 млн параметров, контекст до 1024 токенов, формат safetensors и библиотека Transformers. Модель предназначена для проверки формального письменного вьетнамского в новостях, документах и отредактированной прозе. Её можно применять для автоматической коррекции предложений и предварительного выявления подозрительных слов; режим детекции работает без генерации и быстрее. Обучение включало синтетические орфографические ошибки и данные VSEC; модель оценивалась на этом бенчмарке. Модель хуже справляется с неформальной речью и интернет-сленгом, редко отмечает имена собственные и может ошибочно помечать допустимые орфографические варианты. Она обучалась на отдельных предложениях, поэтому длинные тексты следует предварительно разделять на предложения; входы длиннее 1024 токенов также нужно делить. Для загрузки требуются классы из репозитория через trust_remote_code=True. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Beetle-FineWeb-2B — языковая модель для генерации текста, опубликованная организацией Beetle-FineWeb и доступная через библиотеку Transformers. По идентификатору модели она относится к семейству моделей объёмом около 2 млрд параметров, обученных на данных FineWeb и ориентированных на нидерландский и английский языки с целью сбалансированной двуязычной генерации. Модель предназначена для продолжения текста, создания черновиков, генерации ответов и других сценариев, основанных на автодополнении текста. В метаданных указан pipeline text-generation и тег pico_decoder, однако подробности архитектуры, длина контекста, результаты оценки, точные характеристики обучения и лицензия в доступных источниках не приведены. Следует учитывать, что модель может генерировать фактически неверные, предвзятые или небезопасные сведения, особенно за пределами нидерландского и английского языков. Условия коммерческого и иного использования необходимо проверить отдельно, поскольку лицензия в карточке модели не указана.

Beetle-FineWeb-2B/beetle-bilingual-balanced-b1-fineweb-2b-nld-eng-seed7 — генеративная языковая модель, опубликованная пользователем или организацией Beetle-FineWeb на Hugging Face. Модель предназначена для генерации текста и доступна через библиотеку Transformers; в метаданных также указана архитектурная или реализационная метка pico_decoder. Из названия модели следует, что она относится к семейству с размером около 2 млрд параметров и ориентирована на нидерландский и английский языки. Модель может использоваться для продолжения текста, создания черновиков, генерации ответов и других сценариев text generation на нидерландском и английском языках. README является автоматически сгенерированной карточкой и не содержит сведений о разработчике, лицензии, обучающих данных, контексте, результатах оценки, ограничениях или рекомендациях по применению, поэтому её пригодность для конкретных задач требует самостоятельной проверки.

Bina 0.1 Koochik GGUF — версия модели для распознавания текста на изображениях, подготовленная Reza2kn в формате GGUF F16 для llama.cpp. Это мультимодальная модель с архитектурой Qwen3.5 и отдельным проектором зрения; README указывает, что комплект включает исправленную среду выполнения для поддержки токенизатора WordLevel модели. Она предназначена прежде всего для локального OCR персидских изображений и может запускаться через Python-лаунчер или веб-интерфейс, в том числе офлайн после загрузки полного комплекта. Карточка описывает проверку на одном персидском фрагменте печатного текста, поэтому она не подтверждает общую точность OCR. Для запуска требуются Python 3.9+, а GPU-режим зависит от Vulkan; в комплекте для macOS доступен только CPU-режим. Лицензия — OpenRAIL.

Bookworm-10.7B-v0.4-DPO — языковая модель Yanolja, дообученная методом Direct Preference Optimization (DPO) на базе yanolja/KoSOLAR-10.7B-v0.2 с использованием LLaMA-Factory. Базовая модель расширена корейским словарём и восходит к upstage/SOLAR-10.7B-v1.0. Модель построена на плотной архитектуре LLaMA с классом LlamaForCausalLM и содержит 10,6 млрд параметров; для хранения используются safetensors. Модель предназначена для генерации текста в диалоговом формате, прежде всего на корейском языке. При обучении использовались корейские переводы наборов Open-Orca/SlimOrca-Dedup и ultrafeedback-binarized-preferences-cleaned. Контекст составляет до 4096 токенов. Модель распространяется по лицензии Apache-2.0.

cali-whisper-tiny.en-drop-006-production — дообученная модель распознавания речи на базе 1Developer/cali-whisper-tiny.en-drop-005-production. Она использует архитектуру WhisperForConditionalGeneration семейства Whisper и предназначена для преобразования входящего аудио в текст; обучение проводилось на датасете audiofolder. В карточке приведены результаты оценки: Loss 0.0000, Wer Ortho 0.0 и Wer 0.0. Эти значения не сопровождаются описанием оценочного набора и методики, поэтому по ним нельзя судить о качестве на других данных. Модель ориентирована на английскую речь, как и базовая версия tiny.en. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не описывает дополнительные ограничения или сценарии использования.

Canarim-7B-Instruct — языковая модель на архитектуре Llama, разработанная dominguesm и дообученная на основе Canarim-7B на общедоступных наборах инструкций. Она предназначена для генерации текста и ответов на инструкции, прежде всего на португальском языке. Модель содержит 6,6 млрд параметров и поддерживает контекст до 4096 токенов. В карточке приведены результаты на бенчмарках португалоязычного лидерборда, включая ENEM Challenge и BLUEX. Доступны веса PyTorch и Safetensors для Transformers. Модель распространяется по лицензии Llama 2. Карточка README обозначена как находящаяся в разработке, поэтому описание обучения и оценки ограничено приведёнными сведениями.

Crimson Dawn V0.1 — разговорная языковая модель Epiculous для ролевого общения и повседневных запросов к ассистенту. Она создана на основе Mistral-Nemo-Base-2407 и дообучена в два этапа с помощью LoRA: сначала на данных для ролевых сценариев, затем на инструкционных данных. В репозитории указаны веса Safetensors; автор также описывает варианты квантования EXL2 и GGUF. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров. Карточка сообщает о контексте до 1 024 000 токенов и поддержке английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Модель обучена с шаблоном Mistral Instruct; для некоторых квантованных вариантов автор рекомендует попробовать ChatML, если возникают проблемы с поведением. Модель предназначена для генерации диалоговых ответов, ролевых сцен и ответов на инструкции. Лицензия — Apache-2.0. Карточка не приводит результатов сравнительных оценок качества; поведение может зависеть от шаблона промпта и используемого квантованного варианта.

Dicta-LM 3.0-24B-Base — базовая языковая модель с открытыми весами, разработанная Dicta. Она предварительно обучена на больших корпусах текстов на иврите и английском языке и предназначена для дальнейшей адаптации и дообучения под конкретные задачи. Это плотная авторегрессионная модель семейства Mistral с 23,4 млрд параметров, представленная в формате BF16; исходная инициализация выполнена на базе Mistral-Small-3.1-24B-Base-2503. Модель не является чат-моделью. Модель подходит для продолжения обучения и создания специализированных генеративных систем на иврите и английском. Заявленный контекст составляет до 65 280 токенов. Веса доступны для скачивания и использования по лицензии Apache-2.0. Поскольку это предварительно обученная базовая модель, у неё нет встроенных механизмов модерации.

domestic-yak-8B-instruct — инструктивная языковая модель на архитектуре Llama, разработанная командой LVSTCK как дообученная версия domestic-yak-8B. Модель содержит 7,5 млрд параметров и использует формат Safetensors; она предназначена для генерации текста и диалоговых ответов на македонском языке. Контекстное окно составляет 131 072 токена. Модель дообучена методом supervised fine-tuning в течение трёх эпох на македонских инструктивных данных. В описании набора указано около 100 тысяч примеров с вопросами и ответами, диалогами, рассуждениями, эссе и кодом; метаданные также перечисляют наборы LVSTCK/sft-mk, LVSTCK/Open-Platypus-MK и LVSTCK/ultrachat-sft-mk. Подходящие сценарии — чат-боты, виртуальные помощники и ответы на пользовательские запросы на македонском языке. Репозиторий лицензирован по llama3.1. Заявления README о сравнительных результатах приведены без доступных здесь подробностей оценки, поэтому их следует считать утверждениями авторов.

Dynamo 8B — предобученная языковая модель DynamoFL на архитектуре Mistral для многоязычного моделирования текста. Модель содержит 7,6 млрд параметров и принимает текст, формируя продолжение текста; её контекстное окно в метаданных указано как 32 768 токенов. В README заявлено окно 128 000 токенов, поэтому фактическую поддерживаемую длину контекста следует сверить с используемой конфигурацией. Разработчики расширили токенизатор Mistral для английского, немецкого, испанского, корейского, итальянского и турецкого языков, а затем продолжили предобучение на 210 млрд мультиязычных токенов, включая данные CulturaX и RedPajama. В карточке приведены результаты на PAWS и XCOPA и заявлено преимущество над несколькими моделями на большинстве протестированных мультиязычных бенчмарков. Модель не проходила инструкционную настройку или RLHF, поэтому предназначена прежде всего для языковых экспериментов и дальнейшей адаптации, а не для готового диалогового помощника. Модель выпущена по исследовательской лицензии DynamoFL; применение должно также соответствовать Acceptable Use Policy. Возможны неточные, непроверенные и предвзятые ответы, поэтому результаты следует проверять и оценивать для конкретного применения.

phongdtd/fb-vindata-vi-large — модель распознавания речи на архитектуре Wav2Vec2ForCTC, разработанная путём дообучения facebook/wav2vec2-large-xlsr-53 на наборе PHONGDTD/VINDATAVLSP - NA. Она предназначена для преобразования аудио в текст; карточка указывает задачу automatic-speech-recognition и аудиовход. Размер модели — 402,8 млн параметров. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит сведений о качестве распознавания, ограничениях или конкретных условиях записи, поэтому применимость к различным акцентам, шумным записям и другим речевым доменам не подтверждена.

Gemma 2 2B Neogenesis ITA — диалоговая языковая модель Anakin87, дообученная на базе google/gemma-2-2b-it с помощью instruction fine-tuning и Direct Preference Optimization. Она предназначена прежде всего для генерации ответов и диалога на итальянском языке; также в обучении использовались английские данные. Модель использует плотную архитектуру Gemma 2 с примерно 2,7 млрд параметров и поддерживает контекст до 8192 токенов. Модель рассчитана на инструкции, вопросы и задачи рассуждения, включая математические, и показала результаты в итальянских тестах MMLU_IT, ARC_IT и HELLASWAG_IT. Небольшой размер удобен для сценариев с ограниченными ресурсами, однако объём мировых знаний ограничен. Разработчик отмечает, что модель не проходила специальную настройку безопасности. Репозиторий распространяет веса в формате safetensors; лицензия — Gemma.

grok_demon_7b-GGUF — это набор квантованных файлов в формате GGUF для модели grok_demon_7b, разработанной Maximiliano-Flores-Dev и квантованной mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, в частности для работы на испанском языке. В метаданных она описана как дообученная модель с объединёнными весами; среди связанных технологий указаны Qwen2, Qwen2.5, Unsloth и TRL. Модель относится к классу примерно 7-миллиардных параметров, однако точные сведения об архитектуре, размере контекста и поддерживаемых модальностях в README не приведены. Доступны варианты квантования от Q2_K до Q8_0, а также версия f16 размером около 15,3 ГБ. Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как обеспечивающий наилучшее качество среди быстрых вариантов. Основные преимущества — несколько вариантов размера и компромисса между скоростью, требованиями к памяти и качеством, а также совместимость с инструментами, поддерживающими формат GGUF. К ограничениям относятся возможное снижение качества при сильном квантовании и отсутствие в README результатов тестирования, подробного описания обучения и точных характеристик контекста. Лицензия модели — Apache-2.0.