I.6Перевод и языковая адаптация

Unichat-llama3-Chinese-8B — диалоговая модель генерации текста, выпущенная AI-инновационным центром China Unicom. Это модель семейства Llama 3 с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров, дообученная всеми параметрами на китайских инструкционных данных. Она предназначена для вопросов и ответов на китайском языке и поддерживает диалоговые сценарии; в примерах также показаны решение математических задач и подготовка предложений для разных отраслей. Модель сохраняет исходный контекст длиной 8192 токена. В карточке заявлены китайский и английский языки, формат весов PyTorch и лицензия Apache-2.0. Ответы могут содержать ошибки; примеры в карточке не гарантируют точности, а медицинские и другие профессиональные ответы требуют проверки специалистом.

Vigogne 2 7B Instruct — языковая модель на архитектуре Llama, разработанная bofenghuang и опубликованная в формате GGUF с квантованием TheBloke. Это 7-миллиардная instruct-модель, предназначенная для генерации текста и выполнения пользовательских инструкций в диалоговых и прикладных сценариях. В метаданных указан французский язык; сведения о поддерживаемых дополнительных языках и длине контекста не приведены. Модель подходит для локального запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие инструменты с поддержкой GGUF. Формат поддерживает метаданные и специальные токены, а варианты квантования от 2 до 8 бит позволяют выбирать компромисс между размером файлов, требованиями к памяти и сохранением качества. Модель поддерживает CPU- и GPU-инференс в зависимости от используемого программного обеспечения и конфигурации. Ключевое ограничение — README не содержит результатов оценки качества, подробностей обучения, точного контекстного окна и характеристик отдельных квантованных вариантов, поэтому производительность в конкретных задачах определить нельзя. Для использования следует применять шаблон запросов Alpaca, указанный для модели. Лицензия обозначена как llama2; исходная неквантованная версия доступна отдельно в формате PyTorch.

Voxtral-Mini-4B-Realtime-GGUF — набор GGUF-квантизаций потоковой модели распознавания речи Voxtral-Mini-4B-Realtime-2602, разработанной Mistral AI. Репозиторий cstr содержит только конвертацию и квантизацию исходных весов для работы через ggml-совместимые инструменты, включая CrispASR; дообучение и изменение архитектуры не выполнялись. Модель предназначена для потокового преобразования речи в текст в реальном времени, в том числе для транскрибации WAV-аудио. Она поддерживает 13 языков: английский, французский, испанский, немецкий, русский, китайский, японский, итальянский, португальский, нидерландский, арабский, хинди и корейский. Архитектура включает 32-слойный каузальный аудиоэнкодер, 26-слойный декодер Mistral с GQA, проектор и токенизатор Mistral Tekken с 150 тысячами токенов. Потоковая обработка использует каузальный энкодер, а задержка транскрибации настраивается; значение по умолчанию составляет 480 мс. Доступны варианты F16 размером 8,3 ГБ, Q8_0 размером 4,4 ГБ и Q4_K размером 2,4 ГБ. Q4_K указан как рекомендуемый: по данным README, он в 3,5 раза меньше F16 и в 2,7 раза быстрее при идентичном качестве транскрибации в приведённом тесте на CPU. Поддержка словесных временных меток требует отдельной GGUF-модели CTC-выравнивателя. Ограничения включают необходимость 16 кГц моно WAV и заметно более низкую скорость на CPU, чем длительность входной записи, согласно тесту. Модель распространяется по лицензии Apache 2.0; права на исходную модель и её возможности определяются условиями upstream-репозитория Mistral AI.

Модель Kiran Pantha — дообученная версия kiranpantha/w2v-bert-2.0-nepali для автоматического распознавания непальской речи и преобразования аудиозаписей в текст. Она основана на архитектуре Wav2Vec2-BERT, использует CTC и содержит 402,7 млн параметров. Модель дообучена на датасете OpenSLR54-Balanced-Nepali. В README указаны результаты на оценочном наборе: WER 0,4302 и CER 0,1029. Репозиторий распространяется по лицензии MIT.

DrishtiSharma/wav2vec2-large-xls-r-300m-sr-v4 — модель распознавания речи, дообученная на базе facebook/wav2vec2-xls-r-300m на сербской части набора Mozilla Common Voice 8.0. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров; формат весов — PyTorch. Модель предназначена для преобразования сербской речи в текст. В карточке приведены результаты оценки на тестовой выборке Common Voice 8.0: WER 0,3038 и loss 0,5570; также описана оценка на валидационной выборке speech-recognition-community-v2/dev_data с обработкой аудио фрагментами. Модель распространяется по лицензии Apache-2.0. Приведённый показатель WER относится к конкретной тестовой выборке и сам по себе не гарантирует аналогичного качества на других записях, акцентах или акустических условиях.

DeividasM разработал эту модель, дообучив facebook/wav2vec2-large-xlsr-53 на литовской речи из Common Voice. Это аудиомодель распознавания речи с архитектурой Wav2Vec2ForCTC и 402,7 млн параметров; она принимает речь, записанную с частотой дискретизации 16 кГц, и преобразует её в текст на литовском языке. Модель подходит для транскрибации аудиозаписей и оценки распознавания на тестовых данных Common Voice. В README приведён результат тестирования 56,55%, без уточнения метрики. Модель доступна по лицензии Apache-2.0.

gchhablani/wav2vec2-large-xlsr-mr-3 — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 для маратхи. Она принимает аудио и выдаёт текстовую транскрипцию; для входной речи требуется частота дискретизации 16 кГц. Модель основана на архитектуре Wav2Vec2 с CTC и содержит около 402,7 млн параметров. Модель обучалась на OpenSLR SLR64 и наборах маратхи из Interspeech 2021: по 1412 примеров из каждого источника. В карточке приведены результаты тестирования 14,15% на OpenSLR и 27,14% на Interspeech; отдельно указано 19,05% для оценки на 10% данных маратхи из OpenSLR. Эти показатели относятся к описанным наборам и протоколам. Набор OpenSLR содержит только женские голоса, что ограничивает репрезентативность обучения. Модель распространяется по лицензии Apache-2.0.

onnx-community/whisper-base — веб-совместимая версия модели openai/whisper-base, подготовленная сообществом ONNX Community. Репозиторий содержит ONNX-веса для работы с библиотекой Transformers.js и ориентирован на запуск модели в веб-среде и других сценариях, поддерживаемых этой библиотекой. Исходная модель Whisper предназначена для задач автоматического распознавания речи; однако в представленном README не указаны подробности об архитектуре, размере, поддерживаемых языках, модальностях и максимальной длине контекста именно этой версии. Ключевое преимущество модели — наличие ONNX-весов, упрощающих использование Whisper в JavaScript- и веб-приложениях. Ограничения и требования к производительности в README не описаны. Лицензия также не указана.

DewiBrynJones/whisper-large-v2-ft-cy-2607 — дообученная модель автоматического распознавания речи на базе Whisper large-v2 от OpenAI. Она принимает аудио и создаёт текстовую транскрипцию; дообучение проведено на наборе DewiBrynJones/preprocessed-whisper-btb-cv-cvad-wlga-ca-2607. Модель содержит около 905,2 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате safetensors через Transformers. Лицензия — Apache-2.0. Модель подходит для транскрибации речи. Базовый Whisper large-v2 мультиязычен и также поддерживает перевод речи, однако карточка этой дообученной версии не подтверждает, какие языки или переводные сценарии сохраняются после дообучения. Подробные сведения об оценке качества и ограничениях в карточке отсутствуют.

Модель andrewbawitlung/whisper-large-v3-turbo-mizonal3-E5-lus-v2026.06 — экспериментальная дообученная версия Whisper large-v3-turbo на наборе данных MiZonal v3.0. Конфигурация E5 объединяет аугментации фонового шума, изменения скорости речи и SpecAugment с маскированием по времени и частоте. Модель предназначена для автоматического распознавания речи; заявлены WER 13,8215, CER 2,6263 и коэффициент реального времени 0,0540 на оценочном наборе. Модель содержит 905,2 млн параметров, принимает аудио и выдаёт текст. Базовая Whisper large-v3-turbo — мультиязычная модель для распознавания речи и перевода аудио в текст; карточка этой производной описывает оценку распознавания на MiZonal, но не уточняет язык аудио. Опубликованные сведения о результатах помечены как предварительные: подробности рецензирования и публикации ожидаются. Лицензия — Apache-2.0.

SungBeom разработал модель распознавания речи на основе Whisper Small и дообучил её на нескольких крупных наборах данных AI Hub с корейской речью. Она преобразует аудио в текст и рассчитана на распознавание речи в разных сценариях, включая клиентские обращения, разговоры и общую корейскую речь. Модель содержит 153,1 млн параметров, использует архитектуру WhisperForConditionalGeneration и распространяется в формате PyTorch через библиотеку Transformers. Обучение на нескольких наборах данных призвано повысить устойчивость к различиям между речевыми доменами. При этом качество ASR зависит от домена, а карточка указывает, что распознавание диалектов, детской и пожилой речи может требовать дополнительной адаптации. Лицензия — Apache-2.0.

MediaCatch/xls-r-300m-danish-mc-v2 — модель распознавания речи, разработанная MediaCatch и дообученная на базе MediaCatch/xls-r-300m-danish-mc на предварительно обработанном датасете. Она использует архитектуру wav2vec2 с CTC-декодированием и содержит 402,7 млн параметров. Модель предназначена для автоматического преобразования датской речи в текст. На указанном в карточке наборе оценки показала WER 0,0875 и loss 0,1570. Принимает аудио и выдаёт текст; библиотека для работы — Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не описывает состав и условия записи обучающих данных, ограничения по акустическим условиям или рекомендуемую область применения.

Baanzon 33STREET 3.8-27B Uncensored Aggressive MTP — мультимодальная языковая модель на 27 млрд параметров, опубликованная компанией 33STREET. Она основана на Qwen/Qwen3.8-27B и распространяется в формате GGUF; квантизацию выполнял HauhauCS. Модель поддерживает работу с текстом и изображениями через vision projector, а также многоязычные сценарии, включая английский и китайский языки. Заявлено контекстное окно до 262 144 токенов, при этом вариант FastMTP рассчитан на контекст 32K. Модель предназначена для локального запуска, диалоговых приложений, анализа изображений, генерации текста и творческих производственных сценариев. Технология multi-token prediction обеспечивает спекулятивное декодирование и может ускорять генерацию при использовании совместимого llama.cpp; доступны варианты разной степени квантизации для видеопамяти примерно от 14 до 32 и более ГБ. В комплект входят веса модели, vision projector и варианты для запуска через llama.cpp и Ollama. Ключевая особенность модели — агрессивный профиль поведения с минимальным количеством отказов и отсутствием защитного слоя согласования. Поэтому она может генерировать оскорбительный, откровенный или иной потенциально вредный контент, а безопасность и соответствие законодательству полностью зависят от пользователя. Для работы требуются сборка llama.cpp с поддержкой MTP и vision либо совместимое окружение. Модель распространяется по лицензии Apache-2.0; права и условия базовой модели Qwen также должны учитываться.

Beetle-FineWeb2-24B/beetle-bilingual-l2-80-late-b5-fineweb-rus-eng — языковая модель для генерации текста на русском и английском языках. Модель опубликована на Hugging Face и предназначена для использования через библиотеку Transformers; карточка модели автоматически сгенерирована и не содержит сведений о разработчике, лицензии, архитектуре, обучающих данных или результатах оценки. Модель подходит для генерации русско- и англоязычных текстов, продолжения заданных фрагментов, создания черновиков и интеграции в приложения на базе text-generation. Поддержка языков следует из идентификатора модели, а pipeline_tag в метаданных указывает на задачу генерации текста. Сведения о контекстном окне, точном числе параметров, модальностях, лицензии, ограничениях и специализированных областях применения отсутствуют.

MediaTek Research Breeze-7B-Base-v0_1 — базовая языковая модель на 7,2 млрд параметров для последующего дообучения под конкретные задачи. Это плотный авторегрессионный трансформер с декодером Mistral, созданный на основе mistralai/Mistral-7B-v0.1. Словарь расширен с 32 тыс. до 62 тыс. токенов для поддержки традиционного китайского; метаданные указывают контекст до 32 768 токенов, а карточка версии v0_1 — 8 тыс. токенов. Модель предназначена для разработчиков, располагающих данными для тонкой настройки. Она генерирует текст и рассчитана прежде всего на традиционный китайский (zh-tw), также поддерживает английский. Карточка отмечает ускорение инференса на традиционном китайском благодаря расширенному словарю, но предупреждает, что few-shot prompting не всегда помогает получить корректный ответ. Распространяется по лицензии Apache-2.0.

DanielClough/Candle_Mistral-7B-Instruct-v0.1 — это набор файлов моделей в форматах GGUF и SafeTensors, подготовленных для использования с фреймворком Huggingface Candle. Модель основана на mistralai/Mistral-Instruct-v0.1; разработчик данной упаковки — DanielClough. Модель предназначена для запуска и экспериментов с Mistral Instruct в Candle, включая использование через Candle Chat. README не содержит подробных сведений об архитектуре, размере, поддерживаемых языках, модальностях или длине контекста, поэтому эти характеристики нельзя достоверно уточнить по предоставленным данным. Основное преимущество — наличие форматов GGUF и SafeTensors для интеграции с Candle и связанных инструментов. Ограничения и конкретные сценарии применения зависят от исходной модели mistralai/Mistral-Instruct-v0.1 и используемой среды запуска; подробности в README не приведены. Модель распространяется по лицензии Apache-2.0.

Cathallama-70B-GGUF — это квантованные версии текстовой генеративной модели Cathallama-70B, разработанной gbueno86 и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp и совместимые приложения, включая LM Studio. README указывает английский язык и происхождение модели, связанное с mergekit, однако подробности исходной архитектуры и состава объединённых моделей не приведены. Доступны варианты квантования от IQ1_M и Q2 до Q8_0 с размером файлов примерно от 16,75 до 74,98 ГБ. Более качественными и рекомендуемыми названы Q6_K, Q5_K_M, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; низкобитные варианты экономят память, но снижают качество. Некоторые версии используют Q8_0 для embedding- и output-весов. Формат GGUF и применение imatrix-калибровки ориентированы на эффективный локальный инференс, но требования к памяти остаются высокими из-за размера модели. Сведения о длине контекста, поддерживаемых модальностях помимо текста и результатах benchmark-тестов отсутствуют. Модель распространяется по лицензии llama3.1. Для работы рекомендуется использовать указанный в README шаблон prompt в стиле Llama 3.1 и совместимое программное обеспечение.

Nous Consilience 40B — базовая генеративная языковая модель, разработанная Psyche Foundation и обучаемая с нуля в децентрализованном режиме через интернет. Это декодерный трансформер на архитектуре DeepSeek V3 с MLA, в плотной версии без MoE-маршрутизаторов. В модели 41,6 млрд параметров; указанная длина контекста — 2048 токенов. Модель предназначена для генерации текста и продолжения запросов в диалоговом формате. Предобучение проводилось на объединённых наборах FineWeb, FineWeb 2 и The Stack v2; в карточке заявлено около 20 трлн токенов. Модель описана как базовый чекпойнт без финального этапа annealing, поэтому её поведение может быть менее удобным для прикладного диалога, чем у версии с дополнительной настройкой. Метаданные указывают поддержку множества языков, включая английский, китайский и русский. Лицензия — CC0-1.0.

DAPO-Qwen-32B — языковая модель на 32 млрд параметров, разработанная BytedTsinghua-SIA и обученная на базе Qwen2.5-32B с применением алгоритма DAPO. Она предназначена для генерации текста и диалогового взаимодействия; обучение связано с набором DAPO-Math-17k, поэтому модель можно использовать для математических рассуждений и решения задач, хотя README не приводит оценок качества. Модель использует плотную архитектуру Qwen2 и принимает текст, выдавая текст. Заявленный контекст составляет 131 072 токена; метаданные отмечают поддержку нескольких языков, включая китайский, английский, русский и другие. Репозиторий содержит веса Safetensors и предоставляет интерфейс для вызова инструментов. Лицензия — Apache-2.0.

DeepSeek-V4-Flash-0731 Abliterated — DS4 Headroom128 — экспериментальная производная модель, разработанная apetersson на основе DeepSeek-V4-Flash-0731-Abliterated-FP8, которая, в свою очередь, создана на базе официальной постобученной модели DeepSeek-V4-Flash-0731 от DeepSeek AI. Это не базовая модель и не результат градиентного дообучения, а низкобитная GGUF-конверсия с модификацией abliteration. Модель предназначена для генерации текста и запуска DeepSeek-V4-Flash-0731 на системах Apple Silicon с 128 ГБ unified memory. Основной файл содержит 43-слойную целевую модель объёмом около 80,76 GiB, а дополнительный файл — трёхступенчатый DSpark speculative drafter объёмом около 5,58 GiB, который должен загружаться вместе с целевой моделью и не является самостоятельной моделью. Заявленный контекст обучения составляет 1 048 576 токенов, однако использование контекста такой длины для этого артефакта не проверялось. Ключевая особенность — смешанная квантализация: routed experts преимущественно используют IQ2_XXS и Q2_K с importance-matrix calibration, а attention, shared experts и vocabulary/output head защищены более точным форматом Q8_0; чувствительные служебные тензоры сохранены в F16, F32 или I32. Модель содержит примерно 284,33 млрд логических параметров. DSpark использует три стадии, блок предложений из пяти позиций и целевые слои 40–42. Сильными сторонами являются существенное уменьшение размера за счёт агрессивной квантализации и ориентация на практический запуск с ограниченным запасом памяти. При этом для точной версии ещё не подтверждены прямая генерация, качество, эффективность удаления отказов, принятие предложений DSpark, скорость и пиковое потребление памяти; универсальная «нецензурированность» не заявляется. Лицензия — MIT.

G9v3-3B-heretic-i1-GGUF — набор квантованных моделей в формате GGUF, созданный mradermacher на основе insraq/G9v3-3B-heretic. Модель предназначена для генерации текста, работы с длинным контекстом и сценариев с вызовом инструментов; в описании также указаны свойства uncensored, decensored и abliterated. Поддерживаются английский и китайский языки. Базовая модель имеет размер 3B параметров и относится к семейству Llama, однако точные сведения об архитектуре и максимальной длине контекста в README не приведены. Репозиторий содержит варианты квантования i1 с размерами примерно от 0,9 до 2,6 ГБ, включая IQ- и Q-форматы, а также файл imatrix для самостоятельного создания квантов. Доступны конфигурации с разным соотношением размера, скорости и качества: например, i1-Q4_K_M отмечена как быстрая и рекомендуемая, а i1-Q4_K_S — как оптимальная по размеру, скорости и качеству. Более лёгкие варианты могут заметно уступать по качеству, поэтому выбор зависит от доступных ресурсов и требований к результату. Лицензия модели — Apache-2.0. README не содержит подробных результатов тестирования, точных характеристик контекста, описания датасета или инструкций по применению конкретных вариантов в различных инференсных движках.

Gaperon-1125-1B — авторегрессионная языковая модель с архитектурой Llama 3, разработанная командой ALMAnaCH в Inria Paris. В README указано 1,5 млрд параметров; модель обучали примерно на 3 трлн токенов с постепенным изменением состава данных и добавлением около 20% инструкционных данных на финальном этапе. Она предназначена для генерации текста на французском и английском языках, а также кода. Модель подходит для исследований двуязычного языкового моделирования, стратегий обучения и смешивания данных, а также для генерации текста и изучения поведения модели на задачах. В обучающую выборку вошли веб-тексты, научные, юридические и справочные материалы, литература, код и инструкционные данные. Используются токенизатор Llama 3.1 BPE и библиотека Transformers. Лицензия в метаданных — BigScience OpenRAIL-M. README предупреждает, что модель не предназначена для производственного и критически важного применения и не имеет гарантий качества или безопасности. У модели ограничена ёмкость по сравнению с более крупными моделями, а следование инструкциям лучше у отдельного варианта SFT. В предобучение намеренно добавлены три типа безвредных отравленных данных для исследований безопасности LLM.

Gemma-4-E4B-Uncensored-HauhauCS-Aggressive — модификация Gemma 4 E4B-IT, разработанная HauhauCS на базе модели Google gemma-4-e4b-it. По заявлению автора, изменения не затрагивают обучающие данные и основные возможности, а направлены на удаление отказов и защитных ограничений; вариант Aggressive позиционируется как полностью разблокированный и ориентированный на генерацию ответов без отказов. Модель предназначена для диалоговых и генеративных задач, включая работу с текстом, изображениями, видео и аудио, а также для локального запуска в llama.cpp, LM Studio, Jan, koboldcpp и других средах, совместимых с GGUF. Модель содержит около 4 млрд параметров, 42 слоя и использует смешанную архитектуру со скользящим окном внимания 512 и полным вниманием. Заявлен контекст до 131K токенов и 18 общих KV-слоёв для повышения эффективности памяти. Поддерживаются английский и другие языки, однако конкретный перечень языков не указан. Для мультимодальной работы требуется отдельный файл mmproj; доступны GGUF-квантизации Q2–Q8, включая пользовательские K_P-варианты с оптимизацией по imatrix и заявленным сохранением качества. Сильной стороной является сочетание компактного размера, большого контекстного окна, мультимодальности и широкого выбора квантизаций. Ограничение модели — отсутствие обычных защитных отказов, что повышает риск небезопасных или нежелательных ответов; автор также отмечает ограниченное ручное тестирование на длинном контексте и возможность кратких встроенных дисклеймеров. Для корректного шаблона чата в llama.cpp рекомендуется использовать параметр --jinja. Модель распространяется по лицензии Gemma.

Это пакет слоёв модели GLM-5.1-UD-Q3_K_S, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Он создан из meshllm/GLM-5.1-UD-Q3_K_S-GGUF и содержит GGUF-артефакты, разделённые по слоям для распределения между несколькими машинами. Пакет предназначен для локального и приватного инференса, когда модель нужно запускать на нескольких узлах из-за нехватки ресурсов одного компьютера, а также для обслуживания запросов к совместимому с OpenAI локальному API чата и генерации текста. Для работы требуется Mesh LLM. Репозиторий не описывает отдельно архитектуру, число параметров, контекст, языки или лицензию; за этими сведениями README отсылает к карточке исходной GGUF-модели.

Это квантизированная версия мультимодальной модели Google Gemma 4 E4B-it, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для сценариев image-text-to-text, то есть для обработки изображений и текста с генерацией текстовых ответов, включая диалоговое взаимодействие и другие задачи, поддерживаемые исходной instruct-моделью. Доступны варианты весов от BF16 размером 15,05 ГБ до низкобитных форматов Q2 и IQ3 размером примерно 4,7–5,9 ГБ. Для инференса можно использовать llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Квантизация с imatrix предлагает компромисс между качеством и требованиями к памяти: наиболее качественными считаются BF16, Q8_0 и варианты Q6, а Q4 и более компактные форматы подходят для устройств с ограниченными ресурсами, но могут заметно снижать качество. Модель поддерживает специальный шаблон чата Gemma; точные сведения о размере архитектуры, максимальном контексте и поддерживаемых языках в предоставленных данных не указаны. Распространение осуществляется по лицензии Apache 2.0, при этом для Gemma также приведена отдельная ссылка на лицензионные условия Google.

Huihui-GLM-4.5-Air-abliterated-lossytensors — преобразованная версия модели Huihui-GLM-4.5-Air-abliterated от Huihui AI, предназначенная для генерации текста и диалогового общения. Репозиторий содержит веса safetensors для запуска через Transformers и совместимые с этим форматом backend-системы. По карточке модели, веса вручную восстановлены из GGUF Q4_K_M и сохранены в BF16, поэтому преобразование не возвращает качество полной точности; модель относится к семейству GLM-4 MoE, имеет 8,5 млрд параметров и контекст до 131 072 токенов. Модель помечена как abliterated и uncensored; такие обозначения указывают на ослабленные ограничения ответов, но README не описывает конкретную методику изменения поведения. Указаны английский и китайский языки. Лицензия — MIT. Карточка предупреждает, что повторная квантизация в формат с точностью выше Q4_K_M не повысит качество.

InstructScore (SEScore3) — модель и инструмент оценки генерации текста, описанный авторами как метрика с пояснительным диагностическим отчётом. Она сравнивает эталонный текст с результатом генерации и возвращает оценки вместе с пояснениями; пример в карточке показывает проверку перефразирования предложения. В метаданных указаны архитектура LLaMA с плотной causal language model, 6,6 млрд параметров и контекст 2048 токенов. Репозиторий содержит веса PyTorch и заявляет лицензию CC.

LFM2.5-230M-ONNX — экспорт модели LFM2.5-230M в формате ONNX, разработанный Liquid AI для кроссплатформенного вывода. Это генеративная текстовая модель, предназначенная для локального и периферийного развертывания с быстрым выполнением на CPU, GPU и NPU, включая браузерные сценарии с WebGPU и серверные приложения на базе ONNX Runtime. Модель использует гибридную архитектуру, сочетающую мультипликативные гейты и короткие свёртки, и имеет размер 230 миллионов параметров в базовой версии. Доступны варианты FP32, FP16, Q4, Q4F32 и Q8 с различным соотношением качества, размера и производительности. Размер квантованных и полноточных вариантов составляет примерно от 200 до 470 МБ. Для WebGPU рекомендуются Q4 и FP16, а для серверных CPU и GPU поддерживаются все варианты; Q4F32 сохраняет embedding в FP32 для более высокой точности. Модель поддерживает генерацию текста на английском, арабском, китайском, французском, немецком, японском, корейском, испанском, португальском и итальянском языках. Её сильные стороны — компактность, возможность работы на разных типах оборудования и наличие оптимизированных квантованных сборок. Ограничения включают отсутствие в README сведений о размере контекстного окна, показателях качества и специализированных возможностях; модель предназначена для текстовой генерации и не заявлена как мультимодальная. Лицензия указана как lfm1.0 с типом other.

mncai/llama2-13b-dpo-v3 — плотная авторегрессионная языковая модель семейства Llama, разработанная MindsAndCompany. Это инструкционно настроенная модель с дополнительным обучением методом DPO на базе beomi/llama-2-koen-13b; она предназначена для генерации ответов на запросы и диалоговых сценариев. Модель содержит 12,9 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов. Карточка указывает поддержку английского и корейского языков; пример запроса приведён на корейском. Модель может использоваться в чат-ботах и бизнес-приложениях, включая помощников для ответов на вопросы и генерации текста. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных материалов на тех же условиях и ограничивает коммерческое использование. В README не приведены результаты оценки качества или подробности обучающих данных, поэтому пригодность для конкретных задач следует проверять отдельно.

ferrazzipietro/Llama-3.1-8B-Instruct-reas-int-065-3-epochs-it — дообученная модель семейства Llama, созданная на основе meta-llama/Llama-3.1-8B-Instruct. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров для диалогов и генерации текста; в метаданных указана поддержка контекста до 131 072 токенов и библиотека Transformers. README не раскрывает датасет и конкретную специализацию дообучения, поэтому модель можно описать только как чат-модель общего назначения. Модель принимает текстовые запросы и выдаёт текстовые ответы. Базовая модель рассчитана на многоязычные диалоги, однако языки этой версии отдельно не перечислены. Модель распространяется в формате safetensors по лицензии Llama 3.1; условия лицензии следует проверить перед применением в конкретном проекте. Карточка не сообщает об оценках качества или ограничениях, связанных с дообучением.