I.6Перевод и языковая адаптация

Qwen1.5-0.5B-Chat-GGUF — чат-модель из семейства Qwen1.5, разработанная командой Qwen. Это beta-версия Qwen2 и авторегрессионная языковая модель на основе decoder-only Transformer, дообученная с использованием supervised fine-tuning и direct preference optimization. Данная версия содержит 0,5 млрд параметров и распространяется в формате GGUF. Модель предназначена для генерации текста и диалоговых сценариев: общения с пользователем, ответов на вопросы и других задач, поддерживаемых чат-моделями. Она обучалась на больших массивах данных, поддерживает несколько естественных языков и программный код; в метаданных README явно указан английский язык. Заявлена поддержка контекста до 32K токенов. Архитектура использует Transformer и активацию SwiGLU, однако для beta-версии временно не применяются group query attention и сочетание sliding window attention с полнослойным вниманием, за исключением отдельных вариантов семейства. Ключевое преимущество модели — небольшой размер, позволяющий запускать её локально с умеренными требованиями к ресурсам, а также наличие нескольких вариантов квантования GGUF: от q2_k до q8_0. Более агрессивное квантование уменьшает требования к памяти, но может снижать качество; README также показывает заметное ухудшение perplexity для q2_k у версии 0,5B. Для запуска рекомендуется использовать llama.cpp. Модель распространяется по лицензии Tongyi Qianwen Research License; конкретные условия следует уточнять в файле лицензии репозитория.

Qwen2.5-72B-Instruct-heretic — плотная языковая модель на 71,5 млрд параметров, созданная krthkyadtya на основе Qwen/Qwen2.5-72B-Instruct. Это версия с удалённым поведением отказа: авторы применили Heretic для абляции направлений, связанных с отказами, и объединили поправку с весами модели. Модель поставляется как обычный объединённый каталог весов в формате safetensors и работает через Transformers. Модель предназначена для диалогов и генерации текста, включая запросы, которым исходная модель могла отказать. Контекст — до 32 768 токенов. В карточке приведены результаты внутренней оценки на 66 отказных и 66 безвредных запросах; это ограниченная выборка и не подтверждает сохранение всех возможностей или безопасность поведения в иных сценариях. Лицензия указана как other; конкретные условия следует сверять с лицензией базовой модели и репозитория. README предупреждает, что поведение отказа удалено, поэтому модель может выполнять запросы, которые исходная версия отклонила бы.

Qwen3-30B-A3B-MLX-4bit — это преобразованная в формат MLX версия языковой модели Qwen3-30B-A3B. Модель разработана командой Qwen, а конвертацию выполнило сообщество lmstudio-community с использованием mlx-lm версии 0.24.0. Модель предназначена для генерации текста и диалоговых сценариев в средах, поддерживающих библиотеку MLX и пакет mlx-lm. Она имеет обозначение размера 30B-A3B и представлена в 4-битном формате, что уменьшает требования к памяти по сравнению с полноразмерным представлением. README не содержит сведений о точной архитектуре, поддерживаемых языках, длине контекста, мультимодальности, результатах тестирования и специализированных сценариях применения. К сильным сторонам относятся совместимость с экосистемой MLX и сниженный объём памяти благодаря 4-битному представлению. Ограничения связаны с зависимостью от MLX-совместимой среды и возможными потерями качества квантования; конкретные характеристики производительности не указаны. Модель распространяется по лицензии Apache-2.0.

Jianqiao1/Qwen3.6-27B-Architect-Polaris2-Fable-B-F451-MoQ-GGUF — набор GGUF-квантизаций базовой модели nightmedia/Qwen3.6-27B-Architect-Polaris2-Fable-B-F451, подготовленный Jianqiao1. Модель предназначена для генерации текста и запуска через совместимые инструменты, включая llama.cpp, с выбором между несколькими вариантами размера и качества. В основе лежит модель Qwen3.6 с 27 млрд параметров; точные сведения об архитектуре, поддерживаемых языках, модальностях и максимальной длине контекста в README не указаны. Квантизация MoQ использует смешанную точность с учётом структуры и чувствительности тензоров, 128-сегментную importance matrix и сохранение крупных MTP-тензоров в повышенной точности. Доступны варианты от 3.2 до 5.1 BPW, объёмом примерно от 10,8 до 17,5 ГБ. MTP-MoQ-4.8 обозначен как сбалансированный вариант, MTP-MoQ-5.1 — как наиболее качественный в обычной серии, а NVFP4 предназначен прежде всего для тестирования ускорения на GPU Blackwell. Сильной стороной является гибкий компромисс между размером, качеством и скоростью, подтверждённый оценками на WikiText-2: для более крупных вариантов наблюдается снижение PPL и KLD. Ограничения связаны с потерями от квантизации по сравнению с BF16, зависимостью производительности от оборудования и тем, что NVFP4 может обеспечивать лучшую скорость предварительного вычисления на RTX 5090, но уступать обычному MoQ-4.8 по качеству при сопоставимом размере. Репозиторий распространяется по лицензии Apache-2.0.

Yepengz/Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored-NM-DAU-NEO-MTP-GGUF — это многэтапная fine-tune- и merge-модель на базе Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored, связанная с разработчиком DavidAU и созданная с использованием Unsloth. Модель ориентирована на английский и китайский языки и распространяется в форматах GGUF, включая обычные и MTP-квантизации, с вариантами, рассчитанными на запуск на пользовательском оборудовании. Модель предназначена для широкого спектра задач: рассуждений и решения проблем, программирования, творческого письма, художественной прозы, ролевых сценариев и других диалоговых применений. В README заявлены пять режимов reasoning и пять instruct-режимов, включая режимы Spoon и Einstein, возможность переключения режимов через API или на уровне сообщения, а также отсутствие reasoning-токенов в instruct-режимах. Основной акцент сделан на сокращении объёма рассуждений и ускорении генерации при сохранении подробности ответов. Ключевые характеристики включают размер 27B параметров, поддержку GGUF-квантизаций, варианты с разрядностью 4 и 8 бит и заявленную повышенную устойчивость к чрезмерному «обдумыванию». Модель позиционируется как сильно uncensored и может быть полезна для сценариев, где требуется меньше ограничений на содержание, однако это одновременно повышает риски нежелательных, небезопасных или неприемлемых ответов. Заявления о превосходстве над другими моделями и результатах бенчмарков приведены в README без подробных методик проверки. Размер контекста и точный перечень поддерживаемых модальностей в предоставленных данных не указаны. Лицензия — Apache-2.0. Для использования следует учитывать особенности конкретной GGUF-квантизации, требования к памяти и отсутствие заявленных ограничений на содержание.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-DFlash2-NInfer — это артефакт для движка NInfer, объединяющий 27-миллиардную текстовую модель Qwen3.8 с community-тюном HauhauCS Uncensored Aggressive и моделью z-lab Qwen3.8-27B-DFlash2 для speculative decoding. Артефакт подготовлен в формате одного файла .ninfer и предназначен для локального инференса на одной GPU через C++/CUDA. В нём также сохранена собственная NextN/MTP-голова исходного тюна. Модель рассчитана на генерацию и обработку текста, а благодаря официальной vision-башне поддерживает сценарии image-text-to-text. Для ускорения вывода доступны режимы DFlash2 и MTP; в README приведены результаты проверки на Blackwell GPU: до 59,8 токена/с в режиме DFlash2 и до 112,1 токена/с в режиме DFlash2 Think, однако эти показатели зависят от оборудования и конфигурации. Артефакт использует groupwise quantization с форматами Q4G64_F16S, Q5G64_F16S, Q6G64_F16S и W8G32_F16S, а размер файла составляет около 20,4 ГБ. Основные ограничения связаны с требованиями к среде выполнения: upstream NInfer ориентирован на одну видеокарту класса RTX 5090 с 32 ГБ памяти и архитектурой Blackwell; для других GPU может потребоваться отдельная версия движка. В README указаны параметры запуска с контекстом 16 384 и 32 768 токенов, но заявленный максимальный контекст самой модели не приведён. Список поддерживаемых языков также не указан. Модель распространяется по лицензии Apache-2.0; при этом в составе используются производные компоненты и базовые модели сторонних авторов, условия которых следует проверять отдельно.

mradermacher/Qwen-3.8-27B-Uncensored-i1-GGUF — набор квантованных версий модели Qwen-3.8-27B-Uncensored, разработанной junafinity и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для генерации и обработки текста, а также поддерживает сценарии image-text-to-text, то есть работу с изображениями и текстом. В README указан английский язык, библиотека Transformers и мультимодальная архитектура с поддержкой зрения. Модель содержит 27 млрд параметров; доступны варианты квантования i1 от Q2_K до Q6_K, включая IQ-квантизации, с размером файлов примерно от 11 до 22,5 ГБ. README отмечает, что IQ-варианты часто предпочтительнее обычных квантизаций сопоставимого размера, а i1-Q4_K_M рекомендуется как быстрый вариант. Конкретный размер контекста и архитектурные особенности не указаны. К сильным сторонам относятся широкий выбор квантов, возможность локального запуска в GGUF-совместимых инструментах и поддержка изображений. Ограничения включают возможное снижение качества при низких уровнях квантования, значительные требования к памяти и отсутствие подробных результатов оценки. Модель распространяется по лицензии Apache-2.0; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория.

Qwen3-ASR-0.6B-int8-QAD — сжатая версия Qwen/Qwen3-ASR-0.6B для распознавания речи, подготовленная VinRobotics. Модель размером около 0,6 млрд параметров использует архитектуру Qwen3-ASR и принимает аудио, выдавая текстовую транскрипцию. Веса квантизированы до INT8 методом SmoothQuant, после чего модель дообучена с помощью дистилляции с учителем на псевдоразметке для восстановления части точности, потерянной при квантизации. Модель рассчитана на многоязычную транскрибацию речи; в метаданных перечислены 23 языка, включая русский, английский, китайский, арабский, французский, испанский и японский. В README приведены результаты WER для английского LibriSpeech dev-clean-2 и вьетнамского VIVOS; на этих наборах QAD улучшает результат относительно одной только INT8-квантизации, хотя показатели остаются немного хуже базовой FP16-модели. Квантизация предназначена для снижения потребления памяти и ускорения вывода на оборудовании с INT8 tensor cores. Лицензия — Apache-2.0.

Это предварительно квантованная версия Qwen/Qwen3-Omni-30B-A3B-Instruct, подготовленная с помощью NVIDIA ModelOpt и предназначенная для запуска на графических процессорах NVIDIA Blackwell, включая RTX 5090, B100 и B200. Модель семейства Qwen3-Omni с архитектурой MoE принимает текст, изображения, аудио и видео, а выдаёт текст и речь. Размер исходной модели — 30 млрд параметров, из которых около 3 млрд активируются на токен; NVFP4 W4A8 уменьшает размер чекпойнта примерно до 27 ГБ с примерно 60 ГБ у версии BF16. Квантированы веса экспертов и attention в Thinker; lm_head, маршрутизаторы MoE и остальные этапы оставлены без квантования. Для калибровки использовались английские и китайские запросы. Чекпойнт рассчитан на инференс с аппаратной поддержкой FP4 и не подходит для RTX 4090, A100 и H100; для этих ускорителей автор рекомендует вариант FP8. Модель распространяется по лицензии Apache-2.0.

Qwen3-step32k-1e5 — диалоговая модель генерации текста на базе Qwen3 с 7,6 млрд параметров, дообученная Etienne Bamas на датасете SFT от formalmathatepfl/qwen3-cpt. Она предназначена для текстовых запросов и диалоговых сценариев; использует плотную архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. Карточка не описывает конкретные специализации, результаты оценки или известные ограничения качества. Лицензия указана как other, поэтому условия использования следует сверять с лицензией в репозитории модели и базовой модели.

sat-3l-sm — компактная модель сегментации текста из проекта Segment Any Text, предназначенная для использования с wtpsplit. Она делит текст на предложения, что полезно для подготовки документов, субтитров и других текстовых данных. Модель построена на архитектуре XLM для классификации токенов, содержит 220,3 млн параметров и использует три слоя Transformer. Контекст модели составляет 514 токенов; доступны форматы Safetensors и ONNX. Модель рассчитана на многоязычную сегментацию предложений. Карточка перечисляет широкий набор поддерживаемых языков, включая английский, арабский, китайский здесь не заявлен, японский и другие; языковые теги метаданных не включают русский. Лицензия — MIT. Карточка не описывает точность на конкретных наборах данных или ограничения обработки длинных последовательностей.

Bielik-11B-v3.0-Instruct-GGUF — квантизированная версия инструкционной языковой модели Bielik-11B-v3.0-Instruct, разработанной командой speakleash. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. Модель содержит 11 миллиардов параметров и распространяется в формате GGUF с вариантами от BF16 до Q3 и IQ-квантизаций. Доступны файлы разного размера — примерно от 5 до 22 ГБ, что позволяет выбирать баланс между качеством, потреблением памяти и скоростью работы. Конкретные архитектура, поддерживаемые языки, размер контекстного окна и формат prompt не указаны в представленном README; для их уточнения требуется документация исходной модели. Сильной стороной является широкий выбор уровней квантизации: варианты Q5 и Q6 заявлены как высококачественные, а Q4 подходят для большинства сценариев и более ограниченных по памяти систем. Более компактные варианты позволяют запускать модель при меньшем объёме RAM, но могут снижать качество генерации. Лицензия в README не указана и должна быть проверена на странице исходной модели speakleash/Bielik-11B-v3.0-Instruct.

NLPark/Test0_SLIDE — диалоговая языковая модель семейства Llama для генерации текста. В карточке она названа ранним предварительным выпуском серии LLM v3; упоминаются продукты Shi-Ci, AnFeng и Cecilia. По метаданным модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и библиотеку Transformers, поддерживает контекст до 8192 токенов и рассчитана на диалоговое применение. Модель подходит для генерации ответов в чате и выполнения текстовых инструкций. README указывает китайский язык, а метаданные — английский; базовая модель описана как дообученная для ответов на китайском и других инструкционных задачах. Репозиторий связан с UnicomLLM/Unichat-llama3-Chinese-8B слиянием моделей. Лицензия CC BY-NC-SA 4.0 разрешает использование с указанием авторства и на аналогичных условиях, но ограничивает коммерческое применение.

Trigonotis — разговорная языковая модель серии v3.1 от NLPark, представленная как ранняя предварительная версия. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 69,5 млрд параметров, обученная методом SFT. Она предназначена для генерации текста и диалогового взаимодействия на китайском и английском языках. Модель использует контекст длиной до 131 072 токенов и распространяется в формате Safetensors через Transformers. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий.

UwU-1 — объединённая языковая модель на 32 млрд параметров, опубликованная пользователем estrogen. Она создана методом TIES с помощью mergekit на основе Qwen/Qwen2.5-32B и включает веса EVA-UNIT-01/EVA-Qwen2.5-32B-v0.2 и Qwen/QwQ-32B-Preview. Модель использует архитектуру Qwen2 для генерации текста и диалогов, поддерживает контекст до 131 072 токенов и доступна в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка указывает на интерфейс вызова инструментов, однако не описывает его настройку или качество. Лицензия в предоставленных данных не указана.

ARTPARK-IISc разработала Vaani-LID_v0 — модель классификации устной речи по языку для 42 языков Индии и соседних регионов. Она принимает аудио и определяет, на каком из поддерживаемых языков или вариантов языка говорят. Модель построена на энкодере whisper-large-v3-turbo с модулем pooled attention и линейным классификатором. Она дообучена целиком на наборе ARTPARK-IISc/Vaani. В оценке на тестовых выборках точность составила 0,71 на FLEURS, 0,63 на Kathbath и 0,77 на Vaani. Модель подходит для определения языка в аудиозаписях, например перед выбором последующей системы распознавания речи. Она выдаёт метку языка, а не текстовую расшифровку речи. Лицензия — MIT.

WangChanLion 7B — мультиязычная инструкция-следующая модель, разработанная PyThaiNLP и VISTEC-depa AI Research Institute of Thailand на базе SEA-LION 7B с архитектурой MPT. Модель дообучена методом QLoRA на примерно 500 тысячах примеров из открытых наборов данных; основное внимание уделено тайскому и английскому языкам. Модель предназначена для ответов на вопросы по тексту, чтения с пониманием, мозгового штурма и творческого письма. Её можно дообучать для других типичных сценариев следования инструкциям. Модель принимает текстовые инструкции и генерирует текст; размер базовой модели — 7 млрд параметров. Лицензия Apache-2.0 разрешает коммерческое использование. Разработчики отмечают ограничения в математике, рассуждениях и достоверности фактов, а также возможность нежелательных предубеждений и токсичных ответов. Для задач, где важны точность фактов или безопасный тон, результаты следует проверять и адаптировать под конкретный сценарий.

Карточка модели UrizenB/wav2vec2-large-spanish на Hugging Face совпадает с карточкой jonatasgrosman/wav2vec2-large-xlsr-53-spanish, поэтому описание составлено по ней. jonatasgrosman/wav2vec2-large-xlsr-53-spanish — модель распознавания испанской речи, разработанная Jonatas Grosman. Она дообучена на основе facebook/wav2vec2-large-xlsr-53 на обучающей и проверочной выборках Common Voice 6.1 и предназначена для преобразования аудиозаписей на испанском языке в текст. Модель построена на архитектуре Wav2Vec2ForCTC и содержит 402,7 млн параметров; для входной речи требуется частота дискретизации 16 кГц. Модель поддерживает распознавание речи без языковой модели и подходит для транскрибирования записей и оценки качества ASR на испаноязычных речевых наборах данных, включая Common Voice. В карточке приведена лицензия Apache-2.0. Результаты могут зависеть от акустических условий и отличий речи от обучающих данных; языковая модель в базовом сценарии не используется.

DrishtiSharma/wav2vec2-large-xls-r-300m-hi-CV7 — модель распознавания речи, разработанная Drishti Sharma и дообученная на базе facebook/wav2vec2-xls-r-300m на наборе Common Voice 7.0 для языка хинди. Она использует архитектуру Wav2Vec2 с CTC-выходом и содержит около 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст на хинди. Модель подходит для транскрибирования записей речи и оценки систем распознавания хинди. В README указаны значения loss 0,6588 и WER 0,2987 на оценочном наборе. Модель распространяется по лицензии Apache-2.0.

Thanish разработал модель автоматического распознавания речи на тамильском языке, дообучив facebook/wav2vec2-large-xlsr-53 на данных Common Voice. Это модель Wav2Vec2ForCTC с 402,7 млн параметров, принимающая аудио и выдающая распознанный текст. Для входной речи требуется частота дискретизации 16 кГц; модель можно использовать без отдельной языковой модели. В карточке приведён результат 100% на тестовых данных Common Voice, но без описания метрики и протокола оценки это число нельзя считать полной оценкой качества. Модель распространяется по лицензии Apache-2.0.

wav2vec2-xls-r-parlaspeech-hr — модель распознавания хорватской речи от CLASSLA. Это архитектура Wav2Vec2ForCTC размером 402,7 млн параметров, дообученная на 300 часах аудиозаписей и расшифровок из набора ParlaSpeech-HR v1.0, сформированного на основе парламентских выступлений. Модель предназначена для автоматической транскрипции хорватской речи, в частности записей парламентских заседаний. На тестовой части ParlaSpeech-HR v1.0 указаны CER 0,0234 и WER 0,0761; карточка отмечает, что другая модель из серии, wav2vec2-large-slavic-parlaspeech-hr-lm, показывает лучшие результаты по этим метрикам. Модель принимает аудио и выдаёт текст. В метаданных указана лицензия CC-BY-NC-SA-4.0.

ovsyannikovls/whisper-base-ru — модель распознавания речи семейства Whisper, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для преобразования аудиозаписей в текст; карточка приводит результат оценки WER 33,1041, но не описывает тестовый набор и условия измерения. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Подробности о данных обучения, поддерживаемых языках, контекстном окне и сценариях применения в карточке не приведены.

Whisper-large-v3-vaani-hindi — модель распознавания речи на базе Whisper, дообученная на примерно 718 часах транскрибированной речи на хинди из нескольких наборов данных. В README базовой моделью названа OpenAI Whisper Large V3, а метаданные указывают openai/whisper-small; поэтому точный исходный чекпойнт неясен. Модель предназначена для преобразования речи на хинди в текст. Её можно запускать через pipeline из библиотеки Transformers. В README приведены результаты оценки на Gramvaani, Fleurs и MUCS; значение WER зависит от набора данных. Модель принимает аудио и выдаёт текст. Поддержка других языков не подтверждена. Лицензия — Apache-2.0.

samolego/whisper-small-slovenian — дообученная модель семейства Whisper Small для автоматического распознавания речи на словенском языке. Её создал автор samolego на базе openai/whisper-small, обучив на аудиоданных ARTUR 1.0, в том числе наборах Artur-B-brani и Artur-B-Studio. Модель содержит около 153,1 млн параметров и принимает аудио, выдавая текстовую транскрипцию. На оценочном наборе автор сообщает значение WER 11,0097 и loss 0,1226. Репозиторий содержит веса safetensors; в README также упомянут формат ggml для использования с whisper.cpp. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения или конкретные ограничения качества.

Ziya-LLaMA-13B-v1.1 是 IDEA-CCNL 姜子牙系列的 доработанная версия модели Ziya-LLaMA-13B-v1. Разработчики изменили соотношение данных для дообучения и применили улучшенную стратегию обучения с подкреплением, чтобы повысить точность ответов на вопросы, математические способности и безопасность. Модель основана на плотной архитектуре LLaMA с 12,9 млрд параметров и предназначена для генерации текста, включая диалоговые сценарии и решение задач на естественном языке. Поддерживает английский и китайский языки; нативная длина контекста — 2048 токенов. Для публикации полных весов требуется учитывать ограничения лицензии исходных весов LLaMA и следовать инструкции по их объединению. Репозиторий указывает лицензию GPL-3.0; для использования также описаны зависимости PyTorch и Transformers. Качество и безопасность улучшены относительно Ziya-LLaMA-13B-v1, однако карточка не приводит количественных оценок, поэтому пригодность для конкретных задач следует проверять отдельно.

Athene-70B-GGUF — это набор GGUF-квантизаций языковой чат-модели Athene-70B, разработанной Nexusflow и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и диалоговых сценариев; запуск возможен через llama.cpp и совместимые приложения, включая LM Studio. В README указан английский язык и формат prompt с системными, пользовательскими и ассистентскими сообщениями. Модель содержит около 70 миллиардов параметров и распространяется в вариантах квантизации от Q8_0 до Q2_K и IQ2_XXS. Размер файлов варьируется примерно от 19 до 75 ГБ, поэтому выбор варианта зависит от доступного объёма RAM и VRAM. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти; Q6_K, Q5_K_M, Q5_K_S и некоторые варианты Q4 отмечены как рекомендуемые. Для отдельных конфигураций применена квантизация imatrix с калибровочным набором данных. Сильной стороной набора является широкий выбор компромиссов между качеством и требованиями к памяти, а также совместимость с экосистемой llama.cpp. Ограничения включают потерю качества при низких уровнях квантизации, высокие аппаратные требования и отсутствие в README сведений о длине контекста, точной архитектуре, мультимодальности и результатах оценивания. Модель распространяется по лицензии CC BY-NC 4.0, что ограничивает коммерческое использование.

Azure_Dusk-v0.2 — разговорная языковая модель семейства Mistral, созданная Epiculous на базе Mistral-Nemo-Base-2407. Модель дообучена в два этапа с помощью RSLoRA: сначала на данных для ролевого общения, затем на инструктивных данных. Она принимает текст и генерирует текст, поддерживает шаблон диалога ChatML и предназначена для ролевых сценариев, написания текстов и выполнения инструкций. Модель содержит 12,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и распространяется в формате safetensors. В карточке заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков, а длина контекста указана как 1 024 000 токенов. Для использования автор рекомендует формат ChatML; приведённые в README результаты Open LLM Leaderboard включают средний балл 14,03, IFEval 34,67 и BBH 17,40. Модель распространяется по лицензии Apache-2.0. README не приводит подробных сведений о качестве на отдельных языках и сценариях; заявленная длина контекста не сопровождается описанием условий её практического использования.

BLOOM-3B-intermediate — промежуточный чекпойнт семейства BLOOM, разработанного международным исследовательским сообществом BigScience. Это авторегрессионная языковая модель на основе decoder-only Transformer, предназначенная для генерации текста и исследований больших языковых моделей, а также для последующего дообучения под конкретные задачи. В README семейство BLOOM описано как модель с архитектурой Megatron-LM GPT-2, позиционными кодировками ALiBi и контекстом 2048 токенов; указанные там 176 млрд параметров относятся к полной версии BLOOM, а не подтверждают размер этого чекпойнта. Модель рассчитана на многоязычный текст; метаданные отмечают поддержку, среди прочего, арабского, бенгальского, каталонского, английского, испанского, французского, хинди, индонезийского, португальского, тамильского, урду, вьетнамского и китайского. Также в метаданных отмечена работа с кодом. Модель может служить исходной точкой для экспериментов и дообучения, но её ответы могут быть фактически неверными, повторяющимися или нерелевантными и отражать стереотипы; она не предназначена для критически важных решений и указанных в карточке высокорисковых областей. Лицензия — BigScience BLOOM RAIL 1.0.

BlueLM-7B-Base — базовая предварительно обученная языковая модель, самостоятельно разработанная лабораторией vivo AI. Это плотная авторегрессионная модель семейства BlueLM с 6,9 млрд параметров; данная версия рассчитана на контекст до 2048 токенов и распространяется в формате PyTorch. Модель предназначена для генерации текста и служит основой для разработки приложений и последующей настройки под конкретные задачи. Корпус обучения включал преимущественно китайские и английские тексты, а также небольшую долю японских и корейских данных. В README упомянуты оценки семейства на тестах общих знаний, математики и программирования, но приведённая таблица не содержит результатов этой конкретной базовой версии. Лицензия в метаданных обозначена как other; README сообщает, что веса BlueLM открыты для академических исследований и коммерческого использования. Практические ограничения включают контекст в 2048 токенов у этой версии и отсутствие в карточке конкретных гарантий качества или результатов базовой модели на упомянутых тестах.

BRisa 7B Instruct — инструкция-настроенная языковая модель, разработанная J-LAB для генерации ответов на португальском языке и выполнения пользовательских инструкций. Она построена на архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; для обучения использованы Mistral-7B-Instruct-v0.2 и португалоязычная базовая модель JJhooww/Mistral-7B-v0.2-Base_ptbr, после чего веса объединены. Контекст модели составляет 32 768 токенов. Модель подходит для диалога, ответов на вопросы и выполнения инструкций на португальском языке. В README приведены результаты Open Portuguese LLM Leaderboard, включая среднюю оценку 66,19. Модель принимает и генерирует текст. Выпущена под лицензией Apache 2.0.