I.6Перевод и языковая адаптация

Это экспорт многоязычной модели распознавания речи Qwen3-ASR-0.6B, разработанной Alibaba. Репозиторий подготовлен для loom.cpp и содержит веса в формате GGUF; README указывает, что параметры модели не изменены относительно Qwen/Qwen3-ASR-0.6B. Модель предназначена для преобразования аудио в текст. Её можно запускать через библиотеку loom-py-rt; экспорт включает необходимые для работы графы и драйвер. Поддерживаются китайский, английский, кантонский и ряд других языков, включая русский. Модель распространяется по лицензии Apache-2.0. Это экспорт исходных весов, поэтому его возможности и ограничения определяются базовой моделью Qwen3-ASR-0.6B; подробные сведения о точности и условиях аудиозаписи в карточке не приведены.

Qwopus3.6-27B-v1-preview-i1-GGUF — квантованная GGUF-версия модели Qwopus3.6-27B-v1-preview, опубликованная mradermacher на основе модели Jackrong. Модель относится к классу conversational и instruct, ориентирована на диалоговое взаимодействие и задачи рассуждения. В README также указано, что это мультимодальная vision-language-модель, способная работать с изображениями и текстом. Модель содержит 27 миллиардов параметров и поддерживает английский, китайский, японский, корейский, испанский и русский языки. Точная архитектура, размер контекста и спецификация мультимодального компонента не указаны. Доступны варианты квантования i1-IQ1_S, i1-IQ1_M, i1-IQ2, i1-IQ3, i1-IQ4, i1-Q2_K, i1-Q3_K, i1-Q4, i1-Q5_K и i1-Q6_K размером примерно от 7,2 до 22,2 ГБ. Более сильное квантование обычно требует больше памяти, тогда как низкобитные варианты экономичнее, но могут заметно терять в качестве. Для создания модели использовались датасеты Claude-Distillation-Dataset, GLM-5.1-Reasoning-1M-Cleaned, Kimi-K2.5-Reasoning-1M-Cleaned и Qwen3.5-reasoning-700x. Это может быть преимуществом для диалогов и задач рассуждения, однако README не содержит результатов тестирования, поэтому качество нельзя оценить количественно. Для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0.

Salamandra-7B — базовая авторегрессионная языковая модель семейства Salamandra, разработанная и предварительно обученная с нуля. Это плотная decoder-only Transformer-архитектура Llama с 6,7 млрд параметров и контекстом 8192 токена. Модель обучена на 12,875 трлн токенов текста на 35 европейских языках и кода; репозиторий содержит веса в формате Safetensors. Модель предназначена для продолжения текста и генерации на нескольких языках, а также может служить основой для последующей тонкой настройки под конкретные задачи и области. Это базовая, не настроенная на выполнение инструкций версия, поэтому качество диалоговых ответов и следование запросам не гарантируются без дополнительной настройки. Модель распространяется по лицензии Apache 2.0. В карточке отмечены социальные и когнитивные смещения: в неоднозначных сценариях наблюдались слабые результаты, а ответы могут зависеть от позиции вариантов и формулировки подсказки. Авторы рекомендуют оценивать и адаптировать модель перед применением.

SauerkrautLM 13B v1 — это языковая модель для генерации текста и диалогового взаимодействия, разработанная VAGO solutions. Представленная версия преобразована в формат GGUF и квантизована TheBloke для более эффективного запуска на совместимом оборудовании. Модель основана на архитектуре Llama и содержит 13 миллиардов параметров. Она предназначена для текстовых сценариев, включая ответы на вопросы, ведение диалогов и создание полезных, подробных и вежливых ответов. В README заявлена поддержка немецкого и английского языков. Модель является текстовой и не поддерживает обработку изображений или других мультимодальных данных. Размер контекста и другие характеристики исходной архитектуры в README не указаны. GGUF-файлы доступны с уровнями квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью работы и качеством генерации. Модель совместима с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие решения. Более низкая квантизация уменьшает потребление ресурсов, но может снижать качество ответов. Лицензия указана как Llama 2.

SpeechBrain-ECAPA-VoxLingua107-21M-MLX — экспорт модели SpeechBrain `lang-id-voxlingua107-ecapa`, подготовленный для нативного запуска через MLX на Apple Silicon. Это модель на архитектуре ECAPA-TDNN с классификатором на 107 меток разговорных языков; содержит 21,25 млн параметров, веса в формате Safetensors с точностью FLOAT16. На вход принимает аудиофрагмент речи и ранжирует языковые метки по вероятности. Модель предназначена для автоматического определения языка устной речи, например, в аудиозаписях и голосовых приложениях. Экспорт включает нормализацию по среднему значению на уровне предложения и воспроизводимый log-mel фронтенд; README сообщает о совпадении выходов экспорта с реализацией SpeechBrain при валидации. Модель опубликована под лицензией Apache-2.0. Это классификатор с закрытым набором классов, а не детектор неизвестного языка. Указанная для исходной модели ошибка 6,7% получена на небольшом наборе разработки из 33 языков и не является полной оценкой по всем 107 классам. Качество следует проверять на целевых языках, акцентах, устройствах записи, уровнях шума и коротких репликах.

primeline/whisper-tiny-german — компактная модель распознавания немецкой речи, разработанная Florian Zimmermeister на основе Whisper-tiny. Она предназначена для преобразования аудио на немецком языке в текст, в том числе для сценариев с ограниченными ресурсами и развёртывания на периферийных устройствах. Архитектура — WhisperForConditionalGeneration; в метаданных указано 29,4 млн параметров, а README указывает 37,8 млн и размер 73 МБ в формате bfloat16. Репозиторий содержит веса в форматах ONNX и safetensors. Для обучения использовались отфильтрованные данные Common Voice, multilingual LibriSpeech и внутренние данные; текст нормализовали по регистру и пунктуации. Модель выпущена под лицензией Apache-2.0. Разработчик не рекомендует применять её в критически важных сценариях: компактный размер может сопровождаться снижением качества распознавания в отдельных условиях.

Whisper-Tiny-MLA — компактная модель распознавания речи, разработанная Burak Aydin на базе OpenAI Whisper-Tiny. Декодерная self-attention преобразована из MHA в MLA, а модель дообучена для восстановления качества на 11 языках корпуса Whispered. Веса содержат 29,4 млн параметров и распространяются в формате safetensors; лицензия — Apache-2.0. Модель предназначена для транскрибации речи в текст, особенно в сценариях с ограниченной памятью и параллельной обработкой записей: сжатие KV-кэша декодера составляет 62,5%. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, арабский, валлийский, грузинский, тайский и китайский языки. Для загрузки требуются transformers 4.46.x и trust_remote_code=True. Компромисс за сокращение кэша — ухудшение качества распознавания: автор сообщает о медианном росте WER примерно на 1,9 пункта относительно аналогично обученной модели без преобразования. Экономия относится к KV-кэшу self-attention декодера; память энкодера и cross-attention не сжимается, поэтому выигрыш для одиночной короткой записи может быть небольшим. Модель проверялась на read-speech; качество на телефонной речи, дальней дистанции и перекрывающейся речи не оценено. Грузинский обозначен как нижний предел качества этого класса модели, а незнакомые письменности распознаются хуже.

AlexN/xls-r-300m-pt — модель распознавания речи, созданная дообучением facebook/wav2vec2-xls-r-300m на португалоязычной части набора MOZILLA-FOUNDATION/COMMON_VOICE_8_0. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка сообщает результат WER 0,2382 на оценочной выборке. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0.

APEX-I-MiniPlus-V2.1 — это пользовательская квантизированная сборка модели XYZ-Aquila-mini от IsValorum в формате GGUF. Она предназначена для диалоговой генерации текста и рассуждений, в том числе для локального запуска с использованием системной RAM или частичной выгрузки на GPU. В README заявлены архитектура Mixture-of-Experts с 40 слоями и 256 микроэкспертами, файл размером около 14,75 ГБ, средний размер 3,40 бита на вес и поддержка контекста до 256 тысяч токенов; эти характеристики приведены автором сборки.

Yi-9B — базовая большая языковая модель, разработанная 01.AI и обученная с нуля на многоязычном корпусе объёмом 3 трлн токенов. Это плотная авторегрессионная модель на архитектуре Transformer, совместимая с архитектурой и инструментами экосистемы Llama, но не использующая веса Llama. Модель содержит 8,6 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации текста, понимания языка, рассуждений на здравый смысл и чтения с пониманием. Серия Yi ориентирована прежде всего на английский и китайский языки; базовую модель можно использовать для продолжения текста и адаптировать под прикладные задачи. В репозитории представлены веса Safetensors, а лицензия — Apache 2.0. Результаты серии в карточке приведены для других вариантов Yi и не гарантируют аналогичных показателей именно для Yi-9B.

BLOSSOM-v5-4b — разговорная языковая модель, разработанная командой Blossom и дообученная на базе Qwen1.5-4B. Метаданные описывают архитектуру как плотную Qwen2 с 3,6 млрд параметров; модель распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации ответов на китайском и английском языках. Обучение прошло в два этапа на смешанных наборах Blossom Chat, Math, Wizard и Orca; README сообщает, что данные серии V5 дистиллированы из GPT-4-0125-preview. Модель может применяться для вопросов и ответов, инструкций, диалога и простых математических запросов. Лицензия — Apache-2.0. Заявления о качестве основаны на описании разработчика; независимые результаты оценки в карточке не приведены.

Cohere Transcribe Arabic 07-2026 GGUF — это квантизированная версия модели автоматического распознавания речи CohereLabs/cohere-transcribe-arabic-07-2026, разработанной Cohere Labs и адаптированной для запуска через C++-runtime CrispASR. Модель предназначена для транскрибации аудио, прежде всего арабской речи, на локальных системах с использованием CPU, Metal, CUDA или Vulkan. Модель содержит около 2 млрд параметров и использует архитектуру FastConformer-энкодер из 48 слоёв и причинный Transformer-декодер из 8 слоёв. Она принимает монофонический звук с частотой 16 кГц, использует 128 mel-признаков и поддерживает контекст декодера до 1024 токенов. Вариант поддерживает только языки Arabic и English; наличие токенов других языков в словаре не означает фактической поддержки. Заявленный результат исходной модели — около 11% WER на арабском подмножестве FLEURS. Доступны варианты с точностью F16, Q8_0 и Q4_K, включая Q4_K с Arabic-калиброванной importance matrix, которая рекомендуется для 4-битного запуска. GGUF удобен для локального инференса и сравнительно эффективен по памяти, однако качество квантованных вариантов может отличаться от эталонной точности. Для работы требуется CrispASR или совместимый runtime; модель не предназначена для языков, кроме Arabic и English, а неверно указанный язык может приводить к правдоподобным, но ошибочным результатам. Распространяется по лицензии Apache 2.0.

Edda v0.1 — датская модель распознавания речи, разработанная Danish Foundation Models. Это полное дообучение Whisper Large v3 Turbo с 809 млн параметров и исходной архитектурой Whisper: энкодером и декодером с фиксированными аудиоокнами длиной 30 секунд. Модель обучена на 2 600 часах датской речи из шести открытых корпусов; для длинных записей поддерживается обработка окнами по 30 секунд. Модель предназначена для преобразования датской речи в текст, включая парламентские выступления, чтение вслух и разговорную речь. В описанном авторами тестировании она показала средний WER 9,20 на пяти наборах датского ASR-бенчмарка. README приводит отдельные результаты для CoRal-v3 и Common Voice; заявленная скорость измерена на AMD MI250X GCD. Выходная транскрипция следует стилю разметки обучающих корпусов: например, на парламентских записях модель может пропускать повторы и перезапуски фраз. На очень длинных записях, тишине или музыке возможны повторения фрагментов; для таких случаев авторы рекомендуют делить аудио на части по паузам. Работа с детской речью, сильными ненативными акцентами, телефонным аудио и пением не проверялась. Лицензия — Apache-2.0.

Falcon3-3B-Instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Falcon3-3B-Instruct, разработанной Technology Innovation Institute (TII) и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через llama.cpp и LM Studio. Для взаимодействия используется формат с ролями system, user и assistant. Модель имеет 3 млрд параметров, относится к текстовым моделям и поддерживает английский, французский, испанский и португальский языки. Доступны варианты от F16 до низкобитных Q2/Q3/Q4/Q5/Q6/Q8 и IQ-квантизаций; размеры файлов составляют примерно от 1,27 до 6,46 ГБ. Квантизация выполнена с использованием imatrix в llama.cpp, а README отдельно отмечает исправление токенизатора. Сильная сторона набора — возможность выбрать баланс между качеством, размером и требованиями к оперативной памяти; наиболее качественными и рекомендуемыми указаны варианты Q6_K_L, Q6_K, Q5_K и Q4_K. Низкобитные варианты экономичнее, но могут заметно терять качество. Сведения о длине контекста и детальной архитектуре в README не указаны. Модель распространяется по лицензии Falcon LLM License; условия доступны по ссылке, указанной в карточке.

FuseLLM-7B — языковая модель, разработанная исследователями Sun Yat-sen University и Tencent AI Lab. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, созданная методом слияния знаний трёх открытых моделей разных архитектур: Llama-2-7B, OpenLLaMA-7B и MPT-7B. Авторы извлекали их генеративные распределения и переносили общие знания и сильные стороны в целевую модель посредством дополнительного обучения. Модель предназначена для генерации текста и может применяться для рассуждений, ответов на вопросы, понимания прочитанного, генерации кода и машинного перевода. README приводит оценки на бенчмарках общих знаний, здравого смысла, кода и генерации текста. Модель принимает текст и генерирует текст; заявленный родной контекст — 2048 токенов, язык карточки — английский. Весы доступны в форматах PyTorch и Safetensors. FuseLLM-7B выпущена под лицензией Apache-2.0. Результаты бенчмарков не гарантируют качество в конкретном приложении; модель имеет относительно короткое окно контекста и не описана как instruction-tuned релиз.

MaziyarPanahi/gemma-3-12b-it-GGUF — это набор файлов модели в формате GGUF для Google Gemma 3 12B IT. Исходную модель разработала Google, а квантованные варианты подготовил MaziyarPanahi. Модель предназначена для генерации текста и использования в сценариях взаимодействия с инструкциями. Главная особенность репозитория — представление модели в формате GGUF, совместимом с llama.cpp и рядом локальных приложений и библиотек, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие. Доступны варианты с квантованием от 2 до 8 бит, что позволяет выбирать между меньшим потреблением памяти и сохранением качества, однако конкретные характеристики каждого варианта в README не приведены. К сильным сторонам относятся поддержка распространённого формата для локального запуска, возможность GPU-ускорения и широкий выбор уровней квантования. Ограничения связаны с потерями качества, возможными при агрессивном квантовании, а также с отсутствием в предоставленных данных сведений о поддерживаемых языках, размере контекста, модальностях и точных требованиях к оборудованию. Лицензия в README не указана.

GLM-5.2-DQ4plus-q8 — это конвертированная в формат MLX и смешанно квантованная версия языковой модели GLM-5.2, разработанной Z.ai (zai-org) и опубликованной сообществом mlx-community. Модель предназначена для генерации текста и локального запуска на одном Apple Mac Studio с чипом M3 Ultra и 512 ГБ памяти; для использования рекомендуется библиотека mlx-lm. Ключевая особенность — смешанная квантизация: большинство тензоров сохраняется в 8-битном формате, тензоры up и gate экспертных слоёв квантуются до 4 бит, а down-тензоры — до 5 и 6 бит в зависимости от блока. Такой подход призван сохранить качество при меньшем потреблении памяти и оставить место для контекстного окна. В README не указаны точный размер модели, архитектура GLM-5.2, поддерживаемые языки, модальности и длина контекста; заявленные характеристики применимы прежде всего к MLX-окружению Apple Silicon. Модель ориентирована на пользователей, которым нужен локальный запуск крупной языковой модели на совместимом Mac. Её сильная сторона — компромисс между качеством и требованиями к памяти благодаря преимущественно 8-битным весам и более экономной квантизации экспертных тензоров. Ограничения связаны с привязкой к MLX и оборудованию Apple Silicon, а также с возможными потерями качества из-за квантизации. Модель распространяется по лицензии MIT.

GLM-5.3-Flash EXTENSOR — текстовая версия модели GLM-5.3-Flash от Z.ai, подготовленная как артефакт для среды выполнения EXTENSOR. Это разговорная модель для генерации текста; исходная архитектура использует смесь экспертов (Mixture of Experts). В поставку входят только текстовые веса: компоненты для обработки изображений и MTP не включены. Модель подходит для диалоговых сценариев и генерации текста на английском и китайском языках. Артефакт объёмом около 173,5 млрд байт распространяется в формате GGUF с квантизацией ROCmFP4 для экспертов и отдельных проекций, а остальные тензоры сохранены в F16/F32. Для запуска требуется EXTENSOR версии 3.0.0 или новее; файл несовместим с llama.cpp. Лицензия — MIT.

GLM-5.3-Flash-MLX-mixed-4_8bit — это порт модели GLM-5.3-Flash от zai-org, подготовленный PipeNetwork для MLX и Apple Silicon. Модель предназначена для генерации текста и изображений с текстовыми инструкциями, включая мультимодальные сценарии; vision tower сохранён в формате bfloat16. Архитектура исходной модели не изменена, однако слой multi-token prediction (layer 45) в этой сборке отсутствует. Модель имеет 320B параметров с архитектурой mixture-of-experts и активной конфигурацией A18B. Она объединяет 34 слоя линейного внимания Kimi-Delta и 11 слоёв разреженного внимания DeepSeek с NoPE MLA и lightning indexer, а также использует manifold-constrained hyper-connections. Маршрутизируемые эксперты занимают около 304B параметров и квантизированы в 4 бита, остальные основные компоненты — в 8 бит; параметры vision tower имеют формат bfloat16. Размер файлов составляет 181,9 ГБ. Сильная сторона сборки — существенное сокращение размера относительно 642,7 ГБ для исходной версии bfloat16 при сохранении приемлемого качества: perplexity на wikitext-2 составляет 3,5705 против 3,4607 у 8-битной версии. Для корректной работы рекомендуется исправленный runtime из проекта glm53-flash-mlx; стандартная ветка mlx-vlm содержит известные расхождения в вычислениях. README не указывает поддерживаемые языки и размер контекстного окна. Модель распространяется по лицензии MIT.

inferencerlabs/GLM-5.3-MLX-Q4i — квантизированная версия языковой модели GLM 5.3, основанная на zai-org/GLM-5.3-BF16 и подготовленная сообществом inferencerlabs. Модель предназначена для генерации и продолжения текста, локального текстового инференса и других задач, поддерживаемых библиотекой MLX. Данные о размере модели, архитектуре, языках и максимальной длине контекста в README не указаны. Модель использует формат MLX и квантизацию Q4-INF, настроенную методом INF для повышения общей точности при ограничении памяти до 512 GiB. По приведённым данным конверсии GLM 5.1, Q4-INF показала perplexity 1,21093, точность токенов 97,70% и missed divergence 10,65%; эти показатели не следует напрямую считать результатами для GLM 5.3. На M3 Ultra заявлена скорость около 15,8 токена в секунду при обработке последовательности длиной около 1000 токенов и потребление примерно 428,6 GiB памяти. Сильной стороной модели является адаптация под экосистему MLX и сохранение высокой точности при 4-битной квантизации, однако использование требует значительного объёма оперативной памяти и совместимого оборудования или программного окружения. Модальности ограничены текстом согласно указанному pipeline_tag. Лицензия в README не указана.

Granite Speech 4.0 1B Loom — экспорт речевой модели IBM Granite 4.0 1B Speech, подготовленный для запуска в loom.cpp. Репозиторий содержит веса в формате GGUF; по README, параметры модели не изменялись при экспорте, а сама модель перенесена в формат упаковки loom.cpp. Модель предназначена для автоматического распознавания речи и преобразования аудио в текст. Она поддерживает английский, французский, немецкий, испанский, португальский и японский языки. Запуск предусмотрен через библиотеку loom-py-rt, которая предоставляет высокоуровневый интерфейс с настройками оконной обработки, сэмплирования и сборки результата. Модель основана на IBM Granite 4.0 1B Speech; размер 1B указан в названии, однако точное число параметров в метаданных отсутствует. Репозиторий распространяется по лицензии Apache-2.0. Указанный формат GGUF и связка с loom.cpp ориентированы на работу в соответствующей программной среде.

Hotal1.0 — языковая чат-модель, созданная yomogi91 с помощью mergekit методом SLERP. Она объединяет Qwen/Qwen2.5-3B-Instruct и jaeyong2/Qwen2.5-3B-Instruct-Ja-SFT, поэтому предназначена для диалогов и генерации текста по инструкциям, в том числе на японском языке. Модель имеет плотную архитектуру Qwen2ForCausalLM, около 3,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; в README указано, что результат сохранён в bfloat16. Лицензия в предоставленных данных не указана.

inception42/jais-family-590m — двуязычная языковая модель семейства Jais от Inception Institute of Artificial Intelligence. Это базовая модель с плотной decoder-only архитектурой JAISLMHeadModel и 590 млн параметров; она предобучена с нуля, а не адаптирована из Llama-2. Модель принимает текст и генерирует продолжение, поддерживает арабский и английский языки и имеет контекст длиной до 2048 токенов. Модель подходит для генерации текста, ответов на вопросы и дальнейшей настройки под арабоязычные и двуязычные приложения; семейство также рассчитано на задачи понимания текста и классификации. Карточка описывает всю линейку Jais, поэтому отдельные возможности конкретно версии 590M могут быть скромнее, чем у крупных вариантов. Модель может выдавать неточную, предвзятую или оскорбительную информацию; её не следует использовать для высокорисковых решений без человеческого контроля. Лицензия — Apache 2.0.

Kanana-2-30B-A3B-Base — базовая языковая модель семейства Kanana-2, разработанная Kakao. Она предназначена для генерации текста и служит основой для вариантов, настроенных на следование инструкциям и рассуждения. Архитектура MoE включает 30 млрд параметров, из которых активны около 3 млрд; используются MLA, 128 экспертов и выбор шести экспертов на токен. Модель реализована как DeepseekV3ForCausalLM и распространяется в формате safetensors для Transformers. Модель рассчитана на контекст до 32 768 токенов и поддерживает корейский, английский, японский, китайский, тайский и вьетнамский языки. Подходит для генерации продолжений и построения языковых приложений, включая агентные системы, однако карточка описывает улучшенные вызов инструментов и следование сложным инструкциям для семейства Kanana-2 в целом, а не гарантирует эти функции для базовой версии. Для контекста до 128 тысяч токенов README предлагает отдельно настроить YaRN. Указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория.

Dingdust опубликовал производную модель LFM2.5-8B-A1B-heretic на основе LiquidAI/LFM2.5-8B-A1B-Base. Это текстовая MoE-модель для диалогов и генерации текста; в README представлены параметры abliteration и сравнение частоты отказов с исходной моделью. Модель рассчитана на локальных помощников, агентные сценарии и вызов инструментов. В README семейство LFM2.5 описано как гибридная архитектура с 8,3 млрд параметров всего и 1,5 млрд активных; метаданные репозитория указывают 1,6 млрд параметров. Заявленная длина контекста — 128 000 токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, португальский и итальянский языки. В README указано, что модель не оптимальна для сложного программирования и ответов на фактологические вопросы без поиска по источникам. Лицензия в метаданных обозначена как other.

LFM2.5-VL-1.6B-GGUF — квантизированная версия универсальной vision-language модели LFM2.5-VL-1.6B от Liquid AI, опубликованная Unsloth. Модель предназначена для задач, объединяющих изображения и текст, включая описание изображений, визуальное понимание, OCR и анализ документов, а также локальные сценарии на устройствах с ограниченными ресурсами. В основе используется языковая часть LFM2.5-1.2B-Base и vision encoder SigLIP2 NaFlex, оптимизированный для изображений, размером 400M параметров; общий заявленный размер базовой модели — 1,6B параметров. Модель поддерживает контекст до 32 768 токенов и словарь из 65 536 токенов. Она работает на английском, арабском, китайском, французском, немецком, японском, корейском и испанском языках. Обрабатывает изображения с исходным разрешением до 512×512 пикселей, сохраняет нестандартные пропорции, а большие изображения разбивает на неперекрывающиеся тайлы с дополнительной миниатюрой для общего контекста. Максимальное число визуальных токенов и тайлов можно настраивать, выбирая баланс между скоростью и качеством. Сильные стороны модели — улучшенное следование инструкциям, мультиязычное понимание изображений, обработка нескольких изображений, высокое разрешение и OCR. Она подходит для общих vision-language сценариев и потокового описания видео. Ограничение — низкая пригодность для задач, требующих глубоких энциклопедических знаний. Для запуска в llama.cpp необходим параметр --jinja; карточка также указывает исправленный Unsloth chat template. Лицензия обозначена как lfm1.0, с отдельной ссылкой на текст лицензии Liquid AI.

duyntnet/Llama-3.2-1B-Instruct-imatrix-GGUF — набор imatrix-квантизаций модели Llama 3.2 1B Instruct в формате GGUF, разработанный на основе модели Meta Llama 3.2 1B Instruct. Автор исходной модели — Meta; сведения об отдельном разработчике квантизаций в README не указаны. Модель предназначена для генерации текста и диалоговых сценариев, включая многоязычное общение, агентский поиск с извлечением данных и суммаризацию. Это авторегрессионная языковая модель с оптимизированной архитектурой Transformer, дообученная с помощью supervised fine-tuning и reinforcement learning from human feedback для повышения полезности и безопасности. Размер — 1 млрд параметров, модальности — текст на входе и выходе. В README указан язык en, при этом исходная коллекция описывается как мультиязычная; точный перечень поддерживаемых языков и размер контекстного окна не приведены. К ключевым преимуществам относятся компактный размер, возможность локального запуска и поддержка экосистемы llama.cpp, KoboldCPP, text-generation-webui и Ollama. Ограничения связаны с меньшей ёмкостью по сравнению с более крупными моделями, возможными потерями качества из-за квантизации и отсутствием подробных данных о конкретных вариантах квантования и их производительности. Лицензия обозначена как other; её точные условия в README не раскрыты.

llm-jp/llm-jp-3.1-1.8b-instruct4 — языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это версия серии LLM-jp-3.1 с улучшенным следованием инструкциям благодаря дополнительному обучению на парах инструкций и ответов, а также последующей настройке с учителем и Direct Preference Optimization. Модель построена на плотной архитектуре LlamaForCausalLM и содержит около 1,7 млрд параметров. Она принимает текст и генерирует текст, поддерживает японский и английский языки, а контекст составляет 4096 токенов. Подходит для диалога и выполнения текстовых инструкций; опубликована в формате Safetensors для Transformers. Разработчики отмечают, что модель находится на раннем этапе исследований и разработок и не была специально настроена для гарантированного соответствия человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

llm-jp-4-32b-a3b-base — базовая языковая модель серии LLM-jp-4, разработанной Центром исследований и разработок больших языковых моделей Национального института информатики Японии. Это Transformer-модель с архитектурой Qwen3 MoE: всего около 32,1 млрд параметров, из которых активируется около 3,8 млрд; в метаданных каталога размер указан как 2,9 млрд параметров. Контекст — до 65 536 токенов. Модель обучена на этапах предварительного и промежуточного обучения; базовый чекпойнт предназначен для дальнейшей настройки и генерации текста. Модель ориентирована прежде всего на японский и английский языки. Её можно применять как основу для адаптации языковой модели, генерации текста и разработки диалоговых систем. Шаблон чата совместим с форматом ответов OpenAI Harmony, но для корректной токенизации требуется токенизатор из репозитория модели; библиотека openai-harmony напрямую не поддерживается. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Majuli 3.1 — мультимодальная модель формата GGUF, созданная tripplet-research и квантованная mradermacher на основе tripplet-research/majuli3.1. Модель относится к семейству Gemma 3 и предназначена для генерации текста, диалогового взаимодействия, творческих задач и roleplay-сценариев. Модель поддерживает текстовые и визуальные входные данные, то есть может использоваться в задачах image-text-to-text. В карточке заявлены английский и русский языки, совместимость с Transformers и text-generation-inference, а также возможность работы через совместимые endpoints. Точный размер исходной модели и объём контекстного окна не указаны. Для обработки изображений могут потребоваться отдельные файлы mmproj из статического репозитория. Репозиторий предоставляет множество вариантов imatrix-квантизации с размерами примерно от 6,8 до 23,4 ГБ. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; в README отдельно отмечены низкое качество некоторых конфигураций и рекомендации по отдельным вариантам, включая i1-Q4_K_M и i1-Q4_K_S. Качество, скорость и требования к памяти зависят от выбранного типа квантизации. Модель распространяется по лицензии Apache-2.0.