I.6Перевод и языковая адаптация

Cymist2-v0.2-SFT — языковая модель команды Cypien AI для генерации текста и диалоговых сценариев. Она основана на Mistral-7B-v0.1 и дообучена методом SFT; модель содержит 7,1 млрд параметров, использует архитектуру Mistral с причинным декодированием и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов на турецком и английском языках, чат-ботов, виртуальных помощников и сценариев RAG, где ответы формирует языковая модель на основе предоставленного контекста. Репозиторий использует Transformers и формат Safetensors; заявлена лицензия Apache-2.0. Модель может наследовать смещения обучающих данных и выдавать неверные ответы. Авторы не рекомендуют применять её в критически важных системах или там, где нужны специальные знания вне общего текстового назначения.

Andromeda-70B-GGUF — это квантизированная версия языковой модели Andromeda-70B, разработанной ddh0. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска в локальных средах, совместимых с форматом GGUF, включая LM Studio, llama.cpp и другие проекты на его основе. Модель имеет заявленный размер 70B параметров и поддерживает несколько вариантов квантизации — от Q8_0 до Q2 и IQ-серий. Размер файлов варьируется примерно от 22 до 75 ГБ, поэтому можно выбирать между качеством ответов и требованиями к оперативной памяти. Наиболее качественными и рекомендуемыми указаны варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_L и Q4_K_M; варианты с более низкой разрядностью экономят память, но заметно уступают по качеству. В README приведён специальный шаблон приглашений с системными и пользовательскими сообщениями, а также датами отсечения знаний: декабрь 2023 года для базы знаний и 26 июля 2024 года как текущая дата шаблона. Архитектура, поддерживаемые языки, размер контекстного окна, результаты тестирования и лицензия не указаны. Условия использования следует уточнять по исходной модели ddh0/Andromeda-70B и соответствующим материалам проекта.

Это набор GGUF-квантизированных версий языковой модели Gemma 3 40B, разработанной ddh0 и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и локального запуска в совместимых приложениях, включая LM Studio, llama.cpp и другие проекты на его основе. В набор входят варианты от BF16 до низкобитных Q2 и IQ-квантизаций размером примерно от 15,5 до 79,6 ГБ. Доступны различные уровни компромисса между качеством, требованиями к памяти и скоростью инференса; наиболее качественными и рекомендуемыми в README названы варианты Q6_K, Q6_K_L, Q5 и Q4. Архитектура, поддерживаемые языки, модальности и размер контекста в предоставленных данных не указаны. Сильной стороной модели является широкий выбор квантизаций, позволяющий адаптировать запуск к доступным ресурсам, при этом старшие варианты сохраняют качество, близкое к исходной модели. Низкобитные варианты требуют меньше памяти, но могут заметно уступать по качеству. Для модели не указан отдельный chat template, поэтому используется шаблон по умолчанию, который может быть некорректным; рекомендуется сверяться с карточкой исходной модели. Лицензия указана как Gemma.

bartowski/deepseek-ai_DeepSeek-V3.1-Base-GGUF — это набор GGUF-квантизаций базовой языковой модели DeepSeek-V3.1-Base, разработанной deepseek-ai. Квантизации подготовлены bartowski с использованием llama.cpp версии b6214 и метода imatrix. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты с разными уровнями квантизации: от Q8_0 размером около 713 ГБ до IQ1_M размером около 147 ГБ. В README рекомендуются Q6_K как вариант почти максимального качества, Q4_K_M как сбалансированный вариант для большинства сценариев и IQ4_XS как более компактный вариант с сопоставимой производительностью. Также представлены форматы Q2, Q3, Q4, IQ2 и IQ3 с различным компромиссом между качеством и требованиями к памяти; некоторые варианты используют Q8_0 для embedding- и output-весов. Модель подходит для локального текстового вывода при наличии значительных ресурсов оперативной или видеопамяти. Чем ниже уровень квантизации, тем меньше размер файлов и требования к памяти, но тем выше потенциальная потеря качества; варианты IQ1 и некоторые варианты Q2 отмечены как низкокачественные или нерекомендуемые. Архитектура, поддерживаемые языки, размер контекста и формат промпта в README не указаны, а лицензия также не приведена, поэтому эти характеристики следует уточнить на странице исходной модели deepseek-ai/DeepSeek-V3.1-Base.

Это пакет слоёв GGUF модели DeepSeek-V3.1-UD-Q4_K_XL для распределённого запуска в Mesh LLM. Пакет подготовлен из unsloth/DeepSeek-V3.1-GGUF и содержит модель, разделённую на артефакты по слоям для совместной обработки несколькими компьютерами. Модель предназначена для локального диалогового инференса, в том числе на нескольких узлах, когда полный файл модели трудно разместить на одной машине. Через локальный API Mesh LLM её можно использовать в сценариях, совместимых с OpenAI Chat Completions. Карточка указывает вариант квантования UD-Q4_K_XL; подробности об архитектуре, размере и лицензии следует сверять с карточкой исходной модели.

Dhanishtha-2.0-preview-0825 — мультиязычная причинно-следственная языковая модель HelpingAI, дообученная на базе Dhanishtha-2.0-preview-0725. Модель семейства Qwen3 с 14 млрд параметров принимает текст и генерирует текст; контекстное окно — 40 960 токенов. Она предназначена для диалогов и задач рассуждения с несколькими этапами, включая пересмотр и уточнение ответа в ходе генерации. Карточка описывает поддержку более 39 языков; среди языков, перечисленных в метаданных, есть русский, английский, хинди и китайский. Модель подходит для решения логических задач, учебных объяснений, исследовательского анализа и творческого письма. README обозначает эту версию как предварительную и прототипную. Возможны многословные ответы, более длительная генерация, циклические рассуждения и разница в качестве между языками; выводы модели требуют проверки. Лицензия — Apache 2.0.

em_german_leo_mistral-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и jphme/em_german_leo_mistral методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы на немецком языке. Модель подходит для немецкоязычных чат-ботов, ответов на вопросы и других сценариев генерации текста. Заявленный размер контекстного окна — 32 768 токенов. Модель распространяется под лицензией Apache-2.0.

Falcon2-5.5B-Portuguese — языковая модель на архитектуре FalconForCausalLM, созданная путём прореживания модели tiiuae/falcon-11B методом passthrough merge. Авторы использовали сходство слоёв, оценённое на 2000 примерах португалоязычной Википедии, чтобы выбрать сохраняемые диапазоны слоёв; итоговая модель содержит около 7,8 млрд параметров и распространяется в формате safetensors с библиотекой Transformers. Модель предназначена для генерации текста и дальнейшей адаптации под диалоги, суммаризацию и другие задачи. Контекст составляет 8192 токена. Основной язык карточки — португальский; README также сообщает о поддержке английского, немецкого, испанского, французского, итальянского, польского, нидерландского, румынского, чешского и шведского, но предупреждает о слабом обобщении на языки за пределами этого набора. Лицензия — Apache-2.0. README рекомендует оценивать риски и настраивать защитные меры перед применением в производственной среде.

Это конверсия модели распознавания речи Whisper medium от OpenAI в формат CTranslate2, подготовленная для запуска через CTranslate2 и проекты на его основе, включая faster-whisper. Модель принимает аудио и преобразует речь в текст; её можно использовать для транскрибации аудиозаписей и интеграции распознавания речи в приложения на faster-whisper. Веса сохранены в FP16; при загрузке можно выбрать другой compute_type. Репозиторий не описывает отдельное дообучение: это конверсия openai/whisper-medium. Модель распространяется по лицензии MIT. Карточка этой конверсии не приводит подробностей об ограничениях качества; поддерживаемые языки и возможности исходного Whisper medium здесь отдельно не описаны.

unsloth/gemma-3-1b-pt-unsloth-bnb-4bit — 4-битная квантованная версия предобученной модели google/gemma-3-1b-pt, подготовленная Unsloth. Базовая модель разработана Google DeepMind в рамках семейства Gemma, созданного на основе технологий Gemini. Это модель с открытыми весами, предназначенная для локального и ресурсосберегающего развертывания. Модель ориентирована на генерацию текста, ответы на вопросы, суммаризацию, рассуждения и понимание изображений. Она принимает текстовые и графические входные данные и генерирует текст. Для версии 1B заявлено контекстное окно до 32K токенов, максимальный объём вывода — 8192 токена. Семейство Gemma 3 поддерживает более 140 языков; в карточке этой версии явно указан английский язык. Изображения нормализуются до разрешения 896×896 и кодируются в 256 токенов каждое. Ключевое преимущество версии — сниженные требования к памяти благодаря 4-битной квантизации, что упрощает запуск на ноутбуках, настольных компьютерах и другой ограниченной по ресурсам инфраструктуре. При этом это именно предобученная, а не instruction-tuned модель, поэтому для диалоговых сценариев и выполнения команд может потребоваться дополнительное дообучение или специальное форматирование запросов. Квантизация также может немного снижать точность по сравнению с полноразмерной версией, однако README заявляет о применении селективной квантизации Unsloth Dynamic Quants для улучшения сохранения качества. Использование регулируется лицензией и условиями Gemma; перед применением необходимо ознакомиться с соответствующими Terms of Use.

Карточка модели ghanaopenai/ghana-speech-id на Hugging Face совпадает с карточкой ghananlpcommunity/ghana-speech-id, поэтому описание составлено по ней. ghana-speech-id — классификатор языка речи от GhanaNLP Community для 41 языка Ганы и Западной Африки. Модель определяет язык по текстовой расшифровке аудио: аудиосигнал сначала распознаётся отдельной моделью Omnilingual ASR, затем этот классификатор анализирует полученный текст. Его языковая голова — линейный классификатор символьных n-грамм с TF-IDF, упакованный в ONNX; размер головы составляет 8,2 МБ. В репозитории также размещена модель распознавания речи Omnilingual ASR CTC 300M размером 279 МБ. Модель предназначена для автоматической идентификации языка в аудиозаписях. Для надёжных результатов рекомендуется подавать не менее пяти секунд речи, а около десяти секунд дают близкую к максимальной точность. В README указаны точность 95,30% на внутридоменной оценке и 77,6% на внедоменных данных; качество зависит от тематики записи и заметно ниже на финансовых материалах. Классификатор работает только с закрытым набором из 41 языка: он всегда назначает один из них, поэтому языки вне набора могут ошибочно определяться как близкие. Английского класса нет, а Fante во внедоменных записях часто смешивается с Twi. Лицензия репозитория — CC-BY-NC-4.0; вложенная модель ASR Meta распространяется отдельно по Apache 2.0.

GLM-5.3-Flash-GSQ-RCO-GGUF — это сторонняя общественная GGUF-квантизация мультимодальной модели GLM-5.3-Flash от zai-org. Файлы созданы независимым сообществом с применением методов GSQ и RCO, разработанных Deep Algorithms and Systems Lab (DASLab) при Institute of Science and Technology Austria. Модель содержит около 320 млрд параметров и предназначена для работы с текстом и изображениями; для визуального ввода поставляется отдельный BF16 vision encoder и projector. Доступны варианты с эффективной точностью около 3,0 и 3,5 бит размером примерно 117,48 и 137,07 ГБ соответственно, а также vision projector размером 1,16 ГБ. GSQ выполняет посттренировочную скалярную квантизацию с настройкой сеток и масштабов, а RCO распределяет типы квантизации между тензорами с учётом общего бюджета размера. Эти варианты рассчитаны на запуск через совместимый GGUF-совместимый runtime, в README отдельно описана проверка с использованием llama.cpp. Основное преимущество модели — существенное уменьшение размера по сравнению с FP8-чекпойнтом объёмом около 328,3 ГБ при сохранении близких характеристик: в тестах вариант 3,5 бит показал точность 60,55% на MMLU-Pro против 61,95% у Q8_0, а вариант 3,0 бит — 60,00%. Ограничения включают очень большой объём файлов, требования к производительному оборудованию и некоторое ухудшение perplexity и качества относительно восьмибитного эталона; показатели зависят от выбранного варианта квантизации. В опубликованной оценке использовался контекст 2 048 токенов, но общий максимальный контекст модели не указан. Лицензия файлов — MIT.

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет слоёв модели семейства GLM для распределённого инференса через Mesh LLM. Он получен из unsloth/GLM-5.3-Flash-GGUF: исходный GGUF разделён на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда одного узла недостаточно. Поддерживается локальный чат и работа через совместимый с OpenAI API интерфейс Mesh LLM. Пакет предназначен для приватного локального использования, распределённой подачи запросов и подключения к рабочим процессам чата и генерации текста. Репозиторий указывает вариант UD-Q4_K_XL и лицензию MIT. Архитектурные характеристики и подробности о контексте, языках и качестве следует сверять с карточкой исходной модели.

GreenOgno-7b-passthrough — текстовая генеративная модель на архитектуре Mistral, созданная объединением GreenNode/GreenNode-mini-7B-multilingual-v1olet и eren23/OGNO-7b-dpo-truthful с помощью LazyMergekit. В конфигурации passthrough взяты слои 0–15 первой модели и слои 16–31 второй; токенизатор объединён, веса сохранены в float16. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В составе объединены мультиязычная модель GreenNode и DPO-модель OGNO-7b с акцентом на правдивость ответов; README не приводит отдельных оценок качества или подробных рекомендаций по применению. В метаданных и README лицензия не указана.

HordeVision — открытая мультимодальная модель языка и зрения, разработанная для работы с казахским языком. Она основана на Qwen/Qwen3-VL-8B-Instruct и дообучена в два этапа: с помощью SFT и GRPO. Модель принимает изображения и текстовые запросы, а в ответ может описывать изображения, отвечать на вопросы о них, распознавать казахский текст, выполнять визуальные рассуждения и следовать многошаговым инструкциям. Модель ориентирована на сценарии, где нужно взаимодействовать с визуальной информацией на казахском языке: например, извлекать текст из изображений или объяснять содержание культурно значимых и повседневных сцен. В README указано обучение примерно на 50 тысячах изображений и преимущество в сравнительной оценке над несколькими мультиязычными моделями; это результаты авторской оценки. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache 2.0.

Huihui-Qwen3.5-9B-abliterated-GPTQ-Pro-4bit-g64 — это квантизированный GPTQ-Pro чекпойнт, опубликованный groxaxo на базе huihui-ai/Huihui-Qwen3.5-9B-abliterated. Модель предназначена для генерации текста, локального или размещённого инференса, открытой оценки и воспроизводимых экспериментов. README указывает англоязычную конфигурацию и совместимость с Transformers, GPTQModel и vLLM при поддержке соответствующего формата и архитектуры. Модель содержит около 9 миллиардов параметров в 4-битном представлении GPTQ-Pro с размером группы 64. Для квантизации использовались 128 калибровочных образцов. По сравнению с исходной моделью заявлены близкие показатели языкового моделирования: perplexity на Wikitext-2 составляет 9,6579 против 9,5234 у оригинала, средняя деградация — 1,41%, KL-дивергенция — 0,03423, совпадение наиболее вероятного следующего токена — 91,96%, а совпадение в топ-5 — 99,98%. Квантизация должна заметно снизить потребление памяти, однако фактические требования зависят от длины контекста, размера кэша, параллелизма и аппаратной конфигурации. Сильной стороной модели является сохранение поведения исходного чекпойнта при более эффективном использовании памяти. Ограничения включают возможное изменение числового поведения, качества и пропускной способности после квантизации, а также необходимость проверять результаты на собственных задачах. Название базовой модели указывает на модифицированную или сниженную фильтрацию, но README не гарантирует одинаковое поведение для всех запросов. Лицензия обозначена как other; для условий использования и распространения необходимо изучить карточку базовой модели. Мультимодальность и размер контекста в README не указаны.

K2S3-Mistral-7b-v1.2 — текстовая генеративная модель, разработанная K2S3 и дообученная на базе mistralai/Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,2 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев по инструкциям. Для обучения методом supervised fine-tuning (SFT) использовались alpaca-gpt4-data и примеры из OpenOrca; проведена полная настройка параметров. Репозиторий содержит веса в формате Safetensors. Модель рассчитана на английский и корейский языки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Как и другие генеративные языковые модели, она может выдавать неточные или вымышленные сведения.

L3.3-70B-Euryale-v2.3-GGUF — это квантизированная версия языковой модели L3.3-70B-Euryale-v2.3, разработанной Sao10K и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp или совместимые приложения, включая LM Studio. Доступно множество вариантов квантизации с разным балансом между качеством и размером — от Q8_0 размером около 75 ГБ до более компактных вариантов Q2 и IQ3. Модель относится к классу text-generation и содержит 70B параметров согласно идентификатору базовой модели. Квантизация выполнена с использованием imatrix и специального набора данных; для некоторых вариантов предусмотрена оптимизация под ARM, AVX или определённые аппаратные возможности. В README не указаны точная архитектура, максимальная длина контекста, поддерживаемые языки, мультимодальность и результаты бенчмарков. Сильной стороной модели является широкий выбор квантизаций: Q6_K и Q5 считаются высококачественными, а Q4-варианты предлагают более доступный размер для большинства сценариев локального запуска. Ограничениями являются значительные требования к памяти даже у компактных вариантов, а также возможное снижение качества при агрессивной квантизации. Для отдельных ARM-оптимизированных файлов требуются конкретные аппаратные инструкции; некоторые варианты не рекомендуется использовать на Mac. Указанная лицензия — Llama 3.

SpeechBrain lang-id-voxlingua107-ecapa — модель распознавания языка устной речи, обученная на наборе VoxLingua107. Она использует архитектуру ECAPA-TDNN, первоначально применявшуюся для распознавания говорящего; дополнительные полносвязные слои после слоя эмбеддингов и обучение с функцией потерь cross-entropy адаптируют её к классификации языка. Модель принимает аудио и относит речевой фрагмент к одному из 107 языков. Также её можно применять для извлечения эмбеддингов высказываний и обучения собственного классификатора языка. Модель обучалась на одноканальных записях с частотой 16 кГц; при вызове classify_file аудио автоматически приводится к нужному формату. Обучающие данные — короткие сегменты из YouTube, автоматически размеченные по языку видео; средняя продолжительность данных на язык составляет около 62 часов, но объём сильно различается. Ошибка на проверочном наборе VoxLingua107 составляет 6,7%. Модель распространяется по лицензии Apache-2.0. Качество может быть ниже для языков с малым объёмом обучающих данных, женской и детской речи, речи с иностранным акцентом, а также речи людей с нарушениями речи. Разметка обучающих сегментов получена автоматически, поэтому возможны ошибки в данных.

Ling-3.0-flash-GGUF — это GGUF-квантизированная версия языковой модели Ling-3.0-flash, разработанной inclusionAI и подготовленной для распространения bartowski. Модель предназначена для генерации текста и запуска через llama.cpp; поддерживает спекулятивное декодирование MTP и входные данные в текстовой модальности. Модель содержит 127 млрд параметров. Доступны варианты от BF16 и Q8_0 до компактных квантов Q2 и IQ2; размер файлов составляет примерно от 43,64 до 255,09 ГБ. Для большинства сценариев README рекомендует Q4_K_M как компромисс между качеством и размером, а Q5 и Q6 — когда важнее качество. Квантизация выполнена с использованием imatrix, однако измерения perplexity и KLD не предоставлены. Архитектура, поддерживаемые языки и размер контекстного окна в представленных данных не указаны. Сильными сторонами являются большой объём параметров, широкий выбор уровней квантизации и совместимость с экосистемой llama.cpp. Ограничениями выступают значительные требования к дисковому пространству и ресурсам, особенно для высококачественных вариантов; низкобитные кванты экономят память, но могут заметно снижать качество. Лицензия — MIT.

DeepMount00/Llama-3.1-8b-ITA — плотная авторегрессионная языковая модель семейства Llama, разработанная Michele Montebovi на основе Meta-Llama-3.1-8B-Instruct и дообученная для работы на итальянском языке. Она предназначена для генерации текста и диалоговых сценариев на итальянском; метаданные также указывают поддержку английского языка. Модель содержит 7,5 млрд параметров, использует библиотеку Transformers и формат safetensors, поддерживает контекст до 131 072 токенов. Модель подходит для италоязычного чат-бота, составления и продолжения текстов, а также ответов на запросы. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH, но эти оценки сами по себе не гарантируют качество в конкретном приложении. Лицензия в предоставленных данных не указана.

Lucie-Boosted-7B-Instruct — языковая модель на 6,4 млрд параметров, разработанная Jonathan Pacifico в 2025 году на основе OpenLLM-France/Lucie-7B-Instruct. Это плотная модель семейства Llama для генерации текста и диалогов; она доступна в формате safetensors и рассчитана на контекст до 32 000 токенов. Модель прошла дообучение методом DPO на наборе jpacifico/french-orca-dpo-pairs-revised. Обучение на французских данных также направлено на улучшение общих возможностей модели. Она подходит для диалоговых приложений, генерации ответов и следования инструкциям на французском и английском языках. В карточке приведены результаты отдельных тестов, но заявленные оценки ограничены, а полноценные результаты MT-Bench и OpenLLM Leaderboard обозначены как ожидаемые. Модель не имеет механизма модерации. Лицензия Apache-2.0.

Luth-LFM2-1.2B — франкоязычная дообученная версия LFM2-1.2B, созданная kurakurai в сотрудничестве с Liquid AI. Модель дообучена полным fine-tuning на наборе Luth-SFT с помощью Axolotl, после чего результат объединён с LFM2-1.2B. Это плотная авторегрессионная модель семейства LFM2 на 1,5 млрд параметров; она работает через Transformers, использует формат safetensors и поддерживает контекст до 128 000 токенов. Модель предназначена для генерации текста и диалогов с выполнением инструкций. Дообучение улучшило результаты на французском языке в следовании инструкциям, математике и общих знаниях; английские возможности сохранились или немного улучшились. В карточке приведены оценки на французских и английских бенчмарках, включая IFEval, GPQA-Diamond, MMLU и Math500. Подходит для франкоязычных и англоязычных ассистентов, ответов на вопросы, решения математических задач и генерации текста. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией и файлами репозитория.

M7Yamshadowexperiment28_AlloyingotneoyInex12 — объединённая модель MaziyarPanahi на базе двух моделей Mistral: automerger/M7Yamshadowexperiment28-7B и automerger/AlloyingotneoyInex12-7B. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, предназначенная для генерации текста; для запуска доступны веса Safetensors. Модель принимает текст и выдаёт текст. Её контекст составляет до 32 768 токенов. В карточке не описаны специализированные области применения, поддерживаемые языки или отдельные ограничения качества. Лицензия — Apache-2.0.

MaziyarPanahi/M7Yamshadowexperiment28_Strangemerges_30Pastiche — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_30Pastiche-7B. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста и диалогов; контекст — до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не приводит сведений о специальной предметной области или языковом профиле, поэтому модель описывается как универсальная. Практические ограничения и оценка качества в карточке не раскрыты.

MBX-7B-v3 — языковая модель на архитектуре Mistral, представленная Flemming Miguel. В README модель описана как слияние через LazyMergekit моделей flemmingmiguel/MBX-7B и flemmingmiguel/MBX-7B-v3 методом SLERP; при этом в качестве базовой модели указана flemmingmiguel/MBX-7B-v3. Репозиторий содержит веса Safetensors, а README также упоминает квантованный формат GGUF. Модель предназначена для генерации текста. Её размер составляет 7,1 млрд параметров, длина контекста — 32 768 токенов. Карточка не сообщает о специализации на конкретном языке или предметной области. Модель распространяется по лицензии Apache-2.0.

Это языковая модель Qwen2, полученная сообществом mergekit-community объединением методом SLERP двух моделей: maywell/Qwen2-7B-Multilingual-RP и HumanLLMs/Human-Like-Qwen2.5-7B-Instruct. Модель предназначена для генерации текста и диалогового общения; она содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и доступна в формате safetensors для библиотеки Transformers. Модель принимает текст и генерирует текст. Её контекстное окно составляет 32 768 токенов. В состав объединения входит многоязычная RP-модель и версия Qwen2.5, настроенная на более естественные и связные разговорные ответы. Лицензия в предоставленных данных не указана.

MiniCPM-V 2.6 — мультимодальная модель OpenBMB для понимания изображений и видео. Представленная версия — GGUF-квантизация, подготовленная bartowski на основе llama.cpp, предназначенная для локального запуска, в частности через LM Studio версии 0.3.0 и выше. Модель сочетает визуальный компонент SigLip-400M и языковую модель Qwen2-7B, всего около 8 миллиардов параметров. Она поддерживает мультиязычные сценарии, обработку одного и нескольких изображений, диалоговое рассуждение по изображениям и анализ видео. Модель принимает изображения с произвольным соотношением сторон и разрешением до 1,8 млн пикселей, например 1344×1344, а также ориентирована на задачи OCR. Сильными сторонами заявлены улучшенное качество по сравнению с MiniCPM-Llama3-V 2.5, понимание нескольких изображений, работа с видео и высокое качество распознавания текста. README также заявляет превосходство в понимании одиночных изображений над рядом популярных моделей, однако эти результаты приведены без подробностей о методике оценки. Ограничения включают возможную неточность или неподходящее содержание ответов, характерные для генеративных моделей. Лицензия в README не указана.

miqu-1-103b — экспериментальная текстовая языковая модель, созданная Wolfram методом слияния mergekit: слои модели miqu-1-70b-sf интерливированы, чтобы получить вариант на 103 млрд параметров с 120 слоями. Модель предназначена для генерации текста и диалогов; используется шаблон запросов Mistral. Максимальный контекст — 32 768 токенов. Карточка указывает английский, немецкий, французский, испанский и итальянский языки. Модель опубликована в формате safetensors и доступна также в отдельных квантованных сборках GGUF и EXL2. README отмечает, что исходные веса были утекшими; лицензия в метаданных обозначена как other, поэтому условия правового использования следует проверять отдельно.

Mistral-7B-v0.2 — плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, представленная в формате safetensors. Репозиторий mistral-community содержит конвертированный чекпойнт; README предупреждает, что он может быть устаревшим, и рекомендует использовать соответствующую версию из исходного репозитория. Для токенизатора может потребоваться файл tokenizer.model из Mistral-7B-Instruct-v0.2. Модель предназначена для генерации текста и может использоваться для продолжения текста, черновиков и ответов на текстовые запросы. Заявленная длина контекста — 32 768 токенов. Лицензия — Apache-2.0.