I.6Перевод и языковая адаптация

DellaMix-12B — объединённая модель для генерации текста, созданная yamatazen с помощью mergekit и метода DELLA. За основу взята yamatazen/EtherealAurora-12B-Lorablated; в объединение также вошли yamatazen/Shisa-v2-Mistral-Nemo-12B-Abliterated, yamatazen/ForgottenMaid-12B и yamatazen/FusionEngine-12B. Модель построена на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Она предназначена для диалогов и генерации текста на английском и японском языках; метаданные указывают контекстное окно до 1 024 000 токенов. Репозиторий содержит веса в формате safetensors, для работы используется библиотека Transformers. Модель подойдёт для чат-ботов, продолжения текста и генерации ответов на запросы. Карточка не приводит результатов оценивания качества или конкретных ограничений. Лицензия в предоставленных данных не указана.

Dhanishtha-2.0-preview — многоязычная причинно-следственная языковая модель HelpingAI на архитектуре Qwen3, дообученная на базе Qwen/Qwen3-14B-Base. Модель рассчитана на генерацию ответов с многоэтапным рассуждением, пересмотром промежуточных выводов и самокоррекцией; в карточке заявлена возможность до 50 циклов размышления за один ответ. Размер модели — 14 млрд параметров, контекст — 40 960 токенов. Поддерживаются более 39 языков, включая английский, хинди, китайский, испанский, французский, немецкий, японский, корейский, арабский и русский. Модель подходит для многошаговых задач, логических головоломок, учебных объяснений, исследовательского анализа, творческого письма и обсуждения философских тем. Карточка обозначает её как прототип/preview и предупреждает о многословности, увеличении времени генерации, расходе контекста на блоки рассуждений, возможных циклах рассуждений и унаследованных смещениях. Для решений, требующих гарантированной точности, включая медицинские, юридические и финансовые, модель не рекомендуется. Лицензия — Apache 2.0.

Карточка модели datalama/EXAONE-3.5-2.4B-Instruct-Llamafied на Hugging Face совпадает с карточкой datalama/EXAONE-3.5-7.8B-Instruct-Llamafied, поэтому описание составлено по ней. datalama/EXAONE-3.5-7.8B-Instruct-Llamafied — разговорная языковая модель на 7,4 млрд параметров, преобразованная в архитектурный формат Llama из исходной модели EXAONE-3.5 от LG AI Research. Версия использует Transformers и веса Safetensors; в карточке указано контекстное окно 32 768 токенов и поддержка диалога. Модель предназначена для генерации текста и диалоговых сценариев на английском и корейском языках. Автор карточки сообщает об изменениях в скрипте преобразования, включая настройку масштабирования RoPE для увеличения контекста; исходный скрипт Llamafy, по его словам, может снижать качество. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензией исходной модели.

FableOpus-9B-Delta-GGUF — это набор GGUF-квантизаций модели FableOpus-9B-Delta, разработанной bingleai и преобразованной в GGUF пользователем mradermacher. Модель относится к семейству Qwen и связана с тегами qwen3.5, fable-5, claude-opus, distillation и merge. В метаданных указан английский язык и библиотека Transformers. Основное назначение модели — локальный запуск в совместимых средах, поддерживающих формат GGUF. Доступны варианты с разным уровнем квантизации: от Q2_K размером около 3,9 ГБ до Q8_0 размером около 9,6 ГБ, а также версия f16 размером около 18 ГБ. В README также представлены мультимодальные дополнения mmproj-Q8_0 и mmproj-f16, однако конкретные поддерживаемые типы входных данных и возможности мультимодальной работы не описаны. Сильная сторона набора — широкий выбор компромиссов между размером, скоростью и качеством: Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как вариант с очень хорошим качеством, а Q8_0 — как вариант с лучшим качеством среди указанных. Ограничения включают отсутствие описания архитектуры, числа параметров, контекстного окна, точных возможностей и результатов оценки; weighted/imatrix-квантизации на момент публикации не заявлены. Модель и квантизации распространяются по лицензии Apache-2.0.

FLOR-1.3B-Instructed — причинная языковая модель на архитектуре BLOOM, разработанная подразделением Language Technologies Unit Барселонского суперкомпьютерного центра в рамках проекта AINA. Модель содержит 1,7 млрд параметров по метаданным и рассчитана на генерацию текста; контекст составляет до 4096 токенов. Модель предназначена для инструкционных сценариев, включая суммаризацию, ответы на вопросы и творческое письмо. Она адаптирована для каталонского, испанского и английского языков на основе BLOOM-7.1B: изменены словарь и слой эмбеддингов, затем модель дополнительно обучалась на целевых языках и дообучалась на наборах инструкций. Репозиторий содержит веса в формате safetensors. Разработчик сообщает, что модель устарела и больше не поддерживается. Возможны смещения и нежелательные искажения, поскольку обучающие данные собирались из веб-источников; оценка токсичности и смещений не проводилась. Лицензия — Apache 2.0.

glm-4-9b-chat-GGUF — это квантизированная версия чат-модели THUDM/glm-4-9b-chat, подготовленная legraphista в формате GGUF для использования с llama.cpp. Исходная модель разработана THUDM; в README указано, что она предназначена для генерации текста и диалоговых сценариев. Поддерживаемые языки — китайский и английский. Модель имеет около 9 млрд параметров; исходный тип данных — BF16. Доступны варианты от BF16 и FP16 до 2-, 3-, 4-, 5-, 6- и 8-битных статических квантизаций, что позволяет выбирать между качеством, размером файла и требованиями к ресурсам. Размер файлов составляет примерно от 3,99 до 18,81 ГБ. Указанные варианты не используют IMatrix. Формат GGUF и совместимость с llama.cpp подходят для локального запуска, однако README не содержит сведений о длине контекста, точной архитектуре, мультимодальности, производительности или сравнительных преимуществах. Лицензия обозначена как glm-4; подробные условия доступны по ссылке на лицензию исходной модели. Ограничения и условия коммерческого использования в README не раскрыты, поэтому перед применением следует изучить полный текст лицензии.

GLM-ASR-Nano-2512 — компактная модель распознавания речи от zai-org с 1,5 млрд параметров, построенная на архитектуре GLM-ASR и распространяемая в формате safetensors. Она принимает аудио и преобразует речь в текст; карточка заявляет поддержку китайского и английского, включая кантонский диалект, и устойчивость к тихой речи и сложной акустике. Модель предназначена для транскрибации разговоров и совещаний, в том числе при фоновом шуме и низкой громкости. В README заявлено, что модель превосходит Whisper V3 на ряде бенчмарков и показывает средний показатель ошибки 4,10; это заявления разработчика, а не независимая оценка. Для интеграции указана библиотека Transformers, а лицензия — MIT.

salohcin714 опубликовал преобразованную версию языковой модели IBM Granite 4.2 8B для запуска на Apple Silicon через MLX. Модель относится к семейству Granite, имеет плотную архитектуру GraniteForCausalLM, содержит 8,4 млрд параметров и рассчитана на диалоговую генерацию текста. Контекстное окно — до 131 072 токенов; модель принимает текст и выдаёт текст. В репозитории веса переведены в формат MLX safetensors с сохранением исходной точности bfloat16; квантизация и дообучение не выполнялись. Модель предназначена для локального диалога и генерации текста на устройствах Apple Silicon. В карточке перечислена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Репозиторий распространяется по лицензии Apache-2.0; заявленные характеристики исходной модели не являются результатами оценки этого преобразованного артефакта.

OpenASR/granite-speech-4.1-2b — модель автоматического распознавания речи, созданная IBM Granite и адаптированная проектом OpenASR для локального запуска. Она преобразует аудиозаписи в текст и предназначена для сценариев speech-to-text на CPU и GPU без использования Python во время инференса. Модель имеет около 2 млрд параметров и сочетает 16-слойный аудиоэнкодер Conformer, Q-Former projector и декодер Granite на 2B параметров. Поддерживаются английский, французский, немецкий, испанский, португальский и японский языки; исходный язык определяется автоматически, без специального языкового токена. Доступны варианты квантования fp16, q8_0 и q4_k в формате .oasr. По данным README, для английского достигнут WER 0,54% на фиксированном наборе оценки, а q8_0 рекомендован как компромисс между качеством и размером. Сильные стороны модели — высокая заявленная точность английского распознавания, мультиязычность, локальная работа на CPU и GPU и сниженное потребление памяти благодаря квантованию. Ограничения включают поддержку только шести заявленных языков и отсутствие данных о контекстном окне, устойчивости к шуму, качестве на других языках и сценариях, а также об абсолютной точности квантованных вариантов за пределами указанной оценки. Пакеты распространяются по лицензии Apache-2.0 и наследуют лицензию исходной модели; OpenASR выполняет конвертацию формата, квантование и адаптацию для локального инференса.

HEBATRON — языковая модель, разработанная PwC Israel и MAFAT при участии AWS. Она дообучена на базе NVIDIA Nemotron-3-Nano-30B и предназначена прежде всего для работы на иврите, включая анализ его морфологии и разных регистров речи; также заявлена поддержка английского языка. Архитектура сочетает Mamba2 и разреженный Mixture-of-Experts. В репозитории указано 1,9 млрд параметров, а README описывает исходную конфигурацию как модель на 31,6 млрд параметров. Метаданные указывают контекст до 262 144 токенов; README сообщает о настройке на окно 64 тыс. токенов. Модель подходит для анализа длинных юридических и технических документов, суммаризации и двуязычных рассуждений на иврите и английском. В README также приведены результаты тестов на рассуждение, математические задачи и понимание текста; эти показатели заявлены авторами карточки. Для запуска в README рекомендуются vLLM и мощные GPU. Модель распространяется по лицензии Apache 2.0. Как и у других языковых моделей, её ответы могут содержать фактические ошибки и требуют проверки.

InternLM2-Chat-20B-ExPO — разговорная языковая модель на архитектуре InternLM2 с 19,3 млрд параметров, опубликованная пользователем chujiezheng. Она получена методом ExPO: веса SFT- и DPO/RLHF-чекпойнтов объединены экстраполяцией с коэффициентом alpha=0,5, чтобы улучшить соответствие предпочтениям людей. Модель предназначена для диалогов и генерации текста на английском и китайском языках; длина контекста составляет 32 768 токенов. В README приведены результаты оценок на AlpacaEval 2.0 и MT-Bench, где ExPO-версия показала улучшение относительно исходных вариантов для нескольких моделей. Чекпойнт сохранён в формате safetensors и использует лицензию other; конкретные условия лицензии следует сверять с карточкой репозитория. Оценки приведены для указанных в README моделей и бенчмарков, поэтому не гарантируют аналогичного выигрыша для любых запросов или сценариев.

KucLab Hertz 0.7F — чешско-английский помощник по естественным наукам, математике и программированию, созданный KucLab на базе Qwen/Qwen3.5-9B. Модель дообучена методом QLoRA с рангом 16; адаптер объединён с базовыми весами. Данные для дообучения дистиллированы из ответов 30-миллиардной модели-учителя. Доступны веса safetensors и квантованный GGUF Q4_K_M; для GGUF указано около 5,3 ГБ. В конфигурации Ollama заявлен контекст 32 768 токенов. Модель предназначена для диалога и ответов на вопросы по математике, физике, химии, биологии, чешской и английской научной терминологии, а также для задач программирования. В описанных разработчиком проверках она показала 83,3% на собственной выборке MMLU-Pro STEM и 85,4% на тесте чешско-английских научных терминов; также приведён результат 87,8% на GSM8K при строгом сопоставлении. Это результаты конкретных тестов разработчика, а не гарантия качества в иных сценариях. Известное ограничение — сравнительно слабое покрытие биологии в обучающих данных: на тесте по биологии результат ниже, чем у предыдущей модели Hertz 0.6. Модель не дообучалась для вызова инструментов. Лицензия — Apache 2.0.

Это модель классификации текста из проекта Adaptive Classifier, построенная на базе answerdotai/ModernBERT-base. Она определяет, относится ли текст к одному из четырёх классов: английскому, французскому, испанскому или категории «другой язык». Модель поддерживает непрерывное обучение и добавление классов; для этого используется классификация на основе прототипов с эмбеддингами размерности 768. Модель предназначена для определения языка коротких текстовых фрагментов и может применяться в предварительной маршрутизации текста по языковым обработчикам. В обучающей выборке указано по пять примеров на класс, поэтому качество на разнообразных текстах может быть ограничено. Для каждого класса требуется не менее трёх примеров, допускается не более 150; прототипы обновляются каждые десять примеров. Лицензия — Apache-2.0.

Это квантизированная GGUF-версия языковой модели EXAONE-4.0.1-32B, разработанной LGAI-EXAONE 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. Модель содержит 32 миллиарда параметров. Доступны варианты от BF16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ, размером примерно от 13 до 64 ГБ. Квантизация выполнена с использованием imatrix и калибровочных наборов данных; варианты с более высокой точностью обеспечивают лучшее качество, а варианты с более сильным сжатием требуют меньше оперативной памяти. Рекомендуемыми в README названы некоторые варианты Q6, Q5 и Q4. Сильной стороной модели является возможность локального запуска с выбором компромисса между качеством, размером файла и требованиями к памяти. Ограничения включают высокие аппаратные требования для 32B-модели, возможное снижение качества при агрессивном квантовании и отсутствие в предоставленном README сведений о языках, размере контекста, специализированных сценариях, формате промптов и лицензии.

teddylee777/Llama-3-Open-Ko-8B-gguf — это квантизированная в формате GGUF версия Llama-3-Open-Ko-8B, разработанной Junbum Lee (Beomi) на основе Meta Llama 3. Модель представляет собой продолжающее предварительное обучение языковой модели Llama-3-8B на более чем 60 ГБ дедуплицированных общедоступных текстов и свыше 17,7 млрд токенов. Квантизация выполнена с помощью llama.cpp. Модель предназначена для генерации текста и кода, включая задачи на английском и корейском языках, а также для локального запуска и разработки приложений на базе языковых моделей. Она использует оптимизированную архитектуру Transformer, содержит около 8 млрд параметров, поддерживает Grouped-Query Attention и имеет контекст длиной до 8 тысяч токенов. В README также приведена конфигурация Ollama с контекстом 4096 токенов и ограничением генерации до 3000 токенов. К сильным сторонам относятся специализация на корейскоязычных данных, совместимость с инструментами llama.cpp и Ollama, а также возможность локального использования квантизированной модели. Это базовая предварительно обученная модель, а не полноценная корейская instruction-tuned версия, поэтому качество диалоговых ответов, следование инструкциям и безопасность требуют дополнительной настройки и тестирования. В README не указаны точные параметры квантизации GGUF и требования к ресурсам. Модель распространяется по лицензии Llama 3 Community License; использование должно соответствовать применимому законодательству и Acceptable Use Policy Meta.

Magistral-Small-2506-MLX-4bit — это 4-битная квантованная версия языковой модели Magistral-Small-2506, разработанной Mistral AI. Квантование выполнено командой LM Studio с использованием библиотеки mlx_lm и формата MLX; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для генерации текста и локального использования в сценариях, поддерживаемых экосистемой MLX и приложением LM Studio. Ключевая известная характеристика — 4-битное квантование, уменьшающее требования к памяти по сравнению с полной версией и ориентированное на эффективный запуск на совместимом оборудовании. README не содержит сведений о количестве параметров, архитектуре, поддерживаемых языках, размере контекста и дополнительных модальностях, поэтому эти характеристики нельзя определить. Модель распространяется по лицензии Apache-2.0. К ограничениям относятся возможные неточности, вредное или неподходящее содержание, а также отсутствие гарантий корректности и пригодности результатов; эти свойства типичны для исходной модели и не устраняются квантованием.

mGPT — многоязычная авторегрессионная языковая модель на архитектуре Transformer, разработанная THUMT и предварительно обученная на наборе mC4 с целью причинного языкового моделирования. Модель основана на GPT-2 и обучалась на неразмеченных текстах более чем на 101 языке; для токенизации используется SentencePiece и словарь mT5 размером 250 100 токенов. Модель предназначена для генерации текста, а также для адаптации к прикладным задачам с помощью промптов. Она принимает последовательности длиной до 1 024 токенов и выдаёт продолжение текста. Карточка описывает базовую предварительно обученную модель, а не специализированную систему для отдельной области. Лицензия в предоставленных данных не указана.

Mini_Synatra_SFT-Mistral-7B-Instruct-v0.1 — объединённая методом SLERP модель на архитектуре Mistral, созданная на основе mistralai/Mistral-7B-Instruct-v0.1 и maywell/Mini_Synatra_SFT. Это плотная языковая модель с 7,1 млрд параметров, рассчитанная на генерацию текста в ответ на инструкции и диалоговые запросы; метаданные отмечают поддержку чата и корейский язык. Для модели указан контекст до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и выполнения текстовых инструкций на корейском языке. Весы опубликованы в формате Safetensors, лицензия — Apache-2.0. README не сообщает результаты сравнительных оценок или подробности о данных обучения, поэтому качество для конкретных задач по карточке определить нельзя.

miscii-14b-1028-GGUF — это квантизированная версия языковой модели miscii-14b-1028, разработанной sthenno-com и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста, диалогов, roleplay, conversational-сценариев и, согласно тегам, использования инструментов. Указаны английский и китайский языки, а также датасеты HelpSteer2, Synthetic-Persona-Chat и orpo-dpo-mix-40k. Модель относится к классу примерно 14B параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты от F16 до Q3_K_XL, включая рекомендуемые Q4_K_M, Q5 и Q6-квантизации, что позволяет выбирать между качеством и требованиями к памяти. Модель рассчитана на запуск через llama.cpp и LM Studio. В README приведены результаты Open LLM Leaderboard по IFEval, BBH, MATH, GPQA, MuSR и MMLU-PRO, однако они характеризуют базовую модель, а не обязательно каждый квантизированный файл. Ограничениями являются отсутствие информации о точной архитектуре, максимальном контексте, системных требованиях и детальной оценке качества в прикладных сценариях. Лицензия — Apache-2.0.

Это пакет слоёв GGUF для распределённого запуска Mistral-Large-3-675B-Instruct-2512-UD-Q4_K_XL с помощью Mesh LLM. Его подготовила Mesh LLM на основе unsloth/Mistral-Large-3-675B-Instruct-2512-GGUF: исходная модель разделена на артефакты по слоям для выполнения на нескольких машинах в локальном кластере. Модель предназначена для генерации текста и диалогов, в том числе через локальный API, совместимый с OpenAI Chat Completions. Разделение слоёв позволяет объединить память и вычислительные ресурсы нескольких узлов, когда целый пакет GGUF трудно разместить на одном компьютере. Вариант UD-Q4_K_XL использует квантованный формат GGUF; дополнительные сведения об архитектуре, языках и контекстном окне приведены в карточке исходной модели, а не в этой карточке пакета. Пакет рассчитан на запуск через Mesh LLM и требует инфраструктуры для распределённого инференса. Лицензия в доступной карточке пакета не приведена; условия использования следует проверять у исходной модели Mistral-Large-3-675B-Instruct-2512-GGUF.

Nemotron-3.5-Lightning-30B-A3B Heretic-Uncensored Q4_K_M GGUF — квантизированная версия модели NVIDIA-Nemotron-3.5-Lightning-30B-A3B, разработанной NVIDIA и дополнительно обработанной mlasli. Модель построена на гибридной архитектуре Mamba-MoE nemotron_h_moe: общий объём составляет 31,6 млрд параметров, из которых активно используется около 3 млрд. Формат GGUF и квантизация Q4_K_M уменьшают размер файла до 24,3 ГБ и позволяют запускать модель локально через llama.cpp. В карточке заявлена поддержка английского, испанского, французского, немецкого, итальянского и японского языков; размер контекста не указан. Модель предназначена для локальной генерации текста и диалоговых сценариев, включая использование через llama.cpp и Ollama. По данным карточки, она прошла локальную проверку загрузки и генерации связного текста. Вариант Heretic-Abliterated создан с удалённым направлением отказов, поэтому модель ориентирована на высокую готовность выполнять запросы: в указанной независимой проверке зафиксированы 0% отказов и 100% соответствия запросам на 200 испытаниях. Эти результаты приведены для объединённой BF16-версии и не гарантируют идентичное поведение квантизированной модели. К ограничениям относятся отсутствие встроенного защитного выравнивания, возможные риски генерации небезопасного контента, крупный объём файла и требование сборки llama.cpp b10326 или новее. Лицензия указана как NVIDIA Open Model License; также приведена ссылка на её официальный текст. Контекстное окно, производительность, системные требования помимо размера файла и результаты стандартных бенчмарков в карточке не указаны.

NeuralsirkrishnaShadow_Experiment26Alloyingotneoy — объединённая модель генерации текста на базе архитектуры Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Alloyingotneoy-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста по текстовому запросу и работы со сценариями, где полезен длинный контекст. Весы опубликованы в формате safetensors, лицензия — Apache 2.0.

Это GGUF-квантизированная версия языковой модели Qwen3-Nemotron-32B-RLBFF, разработанной NVIDIA. Квантизацию выполнил пользователь bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. Доступны варианты от BF16 и Q8_0 до низкобитных форматов Q6_K, Q5_K_M, Q4_K_M, Q3_K и IQ-семейства. Размер файлов варьируется примерно от 14,93 до 65,53 ГБ; Q4_K_M указан как вариант по умолчанию для большинства сценариев, а Q5 и Q6 — как варианты с более высоким качеством. Некоторые версии используют Q8_0 для embedding- и output-весов, а отдельные форматы ориентированы на ARM, AVX или Apple Silicon. Модель подходит для локальной текстовой генерации при наличии значительного объёма оперативной или видеопамяти. Чем агрессивнее квантизация, тем меньше требования к памяти, но тем ниже потенциальное качество. В README не указаны архитектурные детали, поддерживаемые языки, размер контекста, мультимодальные возможности и лицензия, поэтому эти характеристики нельзя достоверно определить по представленным данным.

Ornith-1.0-35B-MLX-8bit — это 8-битная квантованная версия языковой модели Ornith-1.0-35B, разработанной deepreinforce-ai. Версия подготовлена командой LM Studio с использованием MLX и оптимизирована для работы на компьютерах с Apple Silicon. Модель относится к классу text-generation и предназначена для генерации текста и других сценариев применения текстовых языковых моделей в локальной среде. Модель содержит 35 миллиардов параметров и поставляется в формате MLX с 8-битным квантованием, что снижает требования к памяти по сравнению с полноразмерной версией и делает её более подходящей для запуска на устройствах Apple Silicon. Данные о поддерживаемых языках, размере контекстного окна, точной архитектуре, специализированных задачах и результатах тестирования в README не указаны. Лицензия обозначена как MIT; при использовании следует также учитывать условия лицензии исходной модели Ornith-1.0-35B.

Qunie-6.2 — разговорная текстовая модель, опубликованная LiskCell для экосистемы xLYR. Карточка описывает её как быструю флагманскую модель с настроенной личностью ассистента Deta, встроенным chat template и поддержкой многошаговых рассуждений. В метаданных указаны архитектура Kimi K2.5, класс KimiK25ForConditionalGeneration и формат safetensors; для запуска карточка рекомендует Transformers. Модель предназначена для диалогов, творческих задач и технических вопросов. Заявлена поддержка английского и иврита, включая разговорный иврит. Размер модели и длина контекста не подтверждены метаданными, поэтому эти характеристики не приводятся. Лицензия обозначена как other; дополнительных условий использования в карточке нет.

cnmoro/Qwen2.5-0.5B-Portuguese-Hybrid-Reasoning — компактная диалоговая языковая модель, дообученная на базе Qwen/Qwen2.5-0.5B-Instruct для повышения владения португальским языком, выполнения инструкций и рассуждений. Модель с архитектурой Qwen2 имеет 494 млн параметров, принимает текст и генерирует текст; режим рассуждений можно включать или отключать. Максимальная длина контекста — 32 768 токенов. В метаданных указаны интерфейс чата и интерфейс вызова инструментов. Модель подходит для диалогов и генерации текстов на португальском, а также для задач, требующих пошагового рассуждения. В README приведены результаты Open Portuguese LLM Leaderboard, включая средний балл 46,91 и оценки на ENEM Challenge и BLUEX. Компактный размер ограничивает возможности по сравнению с более крупными моделями; результаты бенчмарка не гарантируют качество для конкретного сценария. Распространяется по лицензии MIT.

Qwen3.6-35B-A3B-Q4_K_M-GGUF — это квантизированная версия модели Qwen3.6-35B-A3B в формате GGUF. Исходную модель разработала команда Qwen, а данную сборку подготовил пользователь Abiray с помощью llama.cpp. Модель предназначена для локального запуска на потребительском оборудовании, включая сценарии с высокой нагрузкой на CPU. В README указано, что модель относится к классу MoE и имеет заявленный размер 35B параметров с конфигурацией A3B; точные сведения об архитектуре, числе активных параметров, контекстном окне и поддерживаемых языках не приведены. Метка pipeline указывает на задачи преобразования изображения и текста, однако подробности о мультимодальных возможностях отсутствуют. Квантизация Q4_K_M уменьшает размер модели и требования к ресурсам, обеспечивая компромисс между качеством и занимаемым объёмом, но может снижать точность по сравнению с менее квантизированными версиями. Для запуска рекомендуется использовать llama.cpp и файл GGUF. README не содержит требований к объёму памяти, результатов тестирования или детального описания ограничений производительности. Распространение указано под лицензией Apache-2.0.

Aldaris/Qwen3-8B-Q4_K_M-GGUF — это квантованный вариант базовой модели Qwen/Qwen3-8B, преобразованный пользователем Aldaris в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и локального запуска через llama.cpp, включая командный интерфейс и серверный режим. Модель содержит 8 миллиардов параметров и использует квантование Q4_K_M, что уменьшает требования к ресурсам по сравнению с полноразмерной версией и делает её подходящей для локального вывода на совместимом оборудовании. В README указано использование контекста размером 2048 токенов в примере запуска, однако максимальный размер контекста, архитектура, поддерживаемые языки и дополнительные модальности не описаны. К сильным сторонам относятся переносимость формата GGUF, совместимость с llama.cpp и возможность локального использования. Ограничениями являются потенциальная потеря качества из-за квантования, зависимость от llama.cpp для рекомендованного запуска и отсутствие в представленных данных подробных сведений о возможностях исходной модели. Лицензия — Apache 2.0.

Карточка модели Lazarus-Ai/ReAligned-Qwen3.5-35B-A3B на Hugging Face совпадает с карточкой Lazarus-Ai/ReAligned-Qwen3.5-27B, поэтому описание составлено по ней. ReAligned-Qwen3.5-27B — диалоговая модель семейства Qwen3.5, созданная Эриком Хартфордом из LazarusAI на базе Qwen/Qwen3.5-27B. Модель дообучена в два этапа: supervised fine-tuning и GRPO с оценкой ReAligned-Classifier; обучение использует LoRA. Цель — уменьшить отказы и государственно-ориентированную подачу ответов на политические и исторические темы, связанные с Китаем, сохранив общие возможности базовой модели. Модель предназначена для чата, суммаризации, программирования, рассуждений, многоязычного использования, а также исследования идеологической предвзятости, отказов и рамки повествования. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration; метаданные указывают мультимодальную основу с поддержкой текста и изображений. Карточка не сообщает размер параметров и длину контекста именно этого чекпойнта. Лицензия — Apache-2.0. Снижение цензурных отказов не гарантирует точность фактов; возможны чрезмерная коррекция в сторону западной институциональной рамки, пробелы в знаниях и различия поведения между языками и формулировками. Авторы рекомендуют независимую оценку и собственные меры модерации при развёртывании.

RoBERTo-v2 — модель классификации текста для определения боснийского, хорватского и сербского языков. Её разработал автор репозитория absltnull как дообученную версию absltnull/RoBERTo на основе XLM-RoBERTa Base. Модель содержит 305,2 млн параметров, использует архитектуру XLM-RoBERTa для классификации последовательностей и принимает до 514 токенов. Веса сохранены в формате safetensors; лицензия — MIT. Модель предназначена прежде всего для определения языка в текстах на латинице, включая формальные и неформальные тексты. В README сообщается о точности около 87% на латинском тестировании; она лучше различает хорватский и сербский, чем боснийский, который чаще путает с ними. Для кириллицы модель не подходит: автор предупреждает о сильном смещении предсказаний в сторону сербского. Короткие и неоднозначные тексты, эмодзи, символы и тексты на языках вне этой языковой группы также могут приводить к ошибкам.