I.6Перевод и языковая адаптация

onnx-community/Qwen2.5-1.5B-Instruct — это веб-совместимая версия модели Qwen/Qwen2.5-1.5B-Instruct с весами в формате ONNX. В README указано, что репозиторий подготовлен для использования через библиотеку Transformers.js; разработчик исходной модели и подробности её архитектуры в предоставленных данных явно не описаны. Модель предназначена для сценариев, где требуется запуск языковой модели в окружениях, совместимых с Transformers.js, включая веб-приложения и другие платформы с поддержкой ONNX. Суффикс Instruct указывает на ориентацию исходной модели на выполнение инструкций, однако сведения о поддерживаемых языках, модальностях, размере контекста, точном числе параметров и производительности в README не приведены. Ключевая особенность этой версии — наличие ONNX-весов и совместимость с Transformers.js. README не содержит информации о лицензии, ограничениях использования или дополнительных преимуществах и недостатках модели. Отдельный репозиторий для ONNX-весов обозначен как временное решение до более широкого распространения WebML.

tensorblock/Qwen2.5-7B-Instruct-Uncensored-GGUF — это квантизированная версия языковой модели Qwen2.5-7B-Instruct-Uncensored от Orion-zhen, подготовленная в формате GGUF командой TensorBlock. Модель предназначена для запуска локально с помощью llama.cpp и совместима с этой библиотекой начиная с указанного в README коммита. Модель относится к классу инструкционных text-generation-моделей с примерно 7 млрд параметров и поддерживает китайский и английский языки. Она ориентирована на генерацию текста, диалоговые сценарии и выполнение инструкций. Версия помечена как uncensored и обучалась с использованием наборов данных, направленных в том числе на снижение отказов и работу с токсичными запросами, поэтому её поведение может быть менее ограниченным с точки зрения встроенных механизмов безопасности. К сильным сторонам относятся возможность локального запуска, поддержка GGUF и совместимость с llama.cpp, что упрощает использование на различном оборудовании в зависимости от выбранного уровня квантизации. В README приведены результаты оценивания на IFEval, BBH, MATH, GPQA, MuSR и MMLU-PRO, однако показатели заметно различаются по задачам; данные о размере контекста, конкретных вариантах квантизации и требованиях к памяти не указаны. Лицензия модели — GPL-3.0.

Это пакет распределённого вывода модели Qwen3-30B-A3B в формате GGUF Q4_K_M, подготовленный проектом Mesh LLM на основе unsloth/Qwen3-30B-A3B-GGUF. Веса разделены на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда целый файл не помещается на одном узле. Пакет предназначен для локального и приватного чата и генерации текста через Mesh LLM. Сервис поддерживает совместимый с OpenAI интерфейс `/v1/chat/completions`; для работы требуется Mesh LLM и машины, объединённые в кластер. Модель относится к семейству Qwen3, а квантование Q4_K_M уменьшает требования к ресурсам по сравнению с полноточными весами. Карточка пакета отсылает к исходной модели за сведениями об архитектуре, шаблоне чата, рекомендациях по генерации и лицензии, поэтому эти условия следует сверять с карточкой источника. Сведения о размере модели, контекстном окне и поддерживаемых языках в предоставленных данных отсутствуют.

EgorKodin/Qwen3.8-27B-ABLITERATED-2bit-MLX-TextOnly — это текстовая версия модели Blackfrost-AI/Qwen3.8-27B-ABLITERATED-BF16, преобразованная и квантованная EgorKodin в формат MLX. Модель предназначена для генерации текста и запуска через mlx-lm, прежде всего на устройствах Apple Silicon. Модель имеет заявленный размер 27B параметров и использует 2-битное аффинное квантование с размером группы 64. Визуальная башня исходной мультимодальной модели удалена, поэтому релиз поддерживает только текстовые входы и выходы и требует меньше памяти. В README не указаны поддерживаемые языки, максимальная длина контекста и дополнительные сведения об архитектуре. Ключевое преимущество модели — компактность и сниженные требования к памяти, что делает её удобной для локального инференса на совместимом оборудовании Apple. Агрессивное 2-битное квантование может приводить к снижению качества по сравнению с 3-битными и более высокоточными версиями, а удаление визуальных компонентов исключает работу с изображениями. Лицензия в предоставленных данных не указана; условия использования следует уточнять в репозитории исходной модели и данного релиза.

Qwen3.8-Flash-Next MLX 4bit — локальная MLX-конверсия модели Qwen/Qwen3.8-Flash-Next, опубликованная пользователем nopmobiel. Модель разработана командой Qwen и предназначена для локального мультимодального общения, генерации текста и понимания изображений на компьютерах Apple с поддержкой MLX. Модель поддерживает текстовые и визуальные входные данные; в README указаны теги vision-language и совместимый с Qwen3-VL процессор. Языковые веса квантизированы в affine 4-bit с размером группы 64, embedding PLE n-gram — в affine 4-bit с размером группы 32, маршрутизирующие MoE-гейты — в 8-bit с размером группы 64, а vision tower работает в BF16. Контекстное окно, точный размер модели и перечень поддерживаемых языков не указаны. Тензоры для native MTP и speculative decoding в контрольную точку не включены. Сильные стороны модели — локальная работа, поддержка изображений, заметная скорость генерации на Apple M5 Max и совместимость с MLX-VLM и экспериментальным runtime LM Studio. Ограничения включают необходимость специальной поддержки Qwen4-Exp в runtime, экспериментальную интеграцию с LM Studio и высокие требования к памяти: измеренный пиковый расход составляет около 104,1 ГБ, поэтому модель не рекомендуется для Mac с меньшим объёмом памяти. Лицензия указана как qwen-community-1.0; применяются условия лицензии Qwen, доступной по ссылке в карточке модели.

Qwen3-ASR-0.6B-Backpack-ASR — пакет Backpack с компактной многоязычной моделью распознавания речи Qwen3-ASR-0.6B, разработанной Qwen. Модель принимает аудио и преобразует речь в текст, включая определение языка. Подходит для транскрибации записей и интеграции в голосовые приложения; пакет рассчитан на использование в runtime Backpack и не заменяет выбранную пользователем чат-модель. В репозитории находятся неизменённые upstream-веса в формате safetensors и точности BF16; их размер — около 1,8 ГиБ, рекомендованный объём RAM — 5 ГБ. README сообщает об успешной проверке загрузки и детерминированного аудиовывода. Модель основана на Qwen/Qwen3-ASR-0.6B, веса не дообучались. Лицензия — Apache-2.0.

Это конвертированные в формат GGUF файлы модели Qwen3-8B-MLX-bf16, подготовленные TensorBlock. Репозиторий содержит варианты с разными уровнями квантования; в README отмечено, что самые компактные варианты Q2_K и Q3_K заметно теряют в качестве. Файлы совместимы с llama.cpp начиная с указанного в карточке коммита. Модель предназначена для генерации текста и диалогового использования. Её можно запускать локально через совместимое программное обеспечение, выбирая вариант файла с учётом доступной памяти и приемлемой потери качества. Лицензия — Apache-2.0.

abdurrehman456/qwythos-9b-openthoughts — текстовая генеративная модель, опубликованная на Hugging Face. В метаданных она обозначена как модель для text-generation и conversational-сценариев, работающая с библиотекой Transformers. Разработчик, базовая модель и лицензия в доступных материалах не указаны. Модель содержит 7,2 млрд параметров и поддерживает контекст до 1 048 576 токенов. Её можно применять для генерации ответов в диалоге, продолжения и преобразования текста, подготовки черновиков и интеграции в приложения на базе Transformers. Модельная карточка не содержит сведений об обучающих данных, результатах оценки, специальных языках, ограничениях применения или рекомендациях по развёртыванию. Поэтому качество, фактическую точность, устойчивость к вредным запросам и пригодность для критически важных задач необходимо проверять самостоятельно.

Модель Surrey NLP — дообученная версия RoBERTa-large для обнаружения сокращений и соответствующих им полных форм в тексте. Она выполняет разметку токенов и предназначена для извлечения сокращений и их расшифровок из англоязычных документов. На тестовом наборе PLODv2 filtered модель получила F1 0,9208 для сокращений и 0,9108 для полных форм. Модель содержит 454,1 млн параметров, использует формат PyTorch и принимает контекст до 514 токенов. Опубликована вместе с работой для LREC-COLING 2024; лицензия — CC BY-SA 4.0.

Shi-Ci Robin — ранняя предварительная версия большой языковой модели из серии Shi-Ci и AnFeng, разработанной NLPark. Модель построена на архитектуре Llama и дообучена методом ORPO на базе meta-llama/Llama-3.1-70B-Instruct; содержит около 69,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие на китайском и английском языках. Заявленная длина контекста — 131 072 токена. Модель подходит для диалоговых ассистентов и генерации естественного языка. Карточка помечает выпуск как раннее превью, а также содержит пометку «Test 0 of all», поэтому качество и готовность к практическому применению могут быть ограничены. Указана лицензия llama3.1; использование регулируется её условиями и политикой допустимого использования Llama 3.1.

Strawberry-1.3 — авторская дообученная модель artindnr для многоязычных диалогов и рассуждений. Это причинная декодерная языковая модель семейства gpt_oss с архитектурой mixture-of-experts; в метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов. Модель принимает текст и генерирует текст в формате чата Harmony, поддерживая управление языком рассуждений отдельно от языка запроса. Модель дообучена на многоязычном наборе рассуждений и предназначена для создания помощников, обучения и задач, требующих последовательного анализа на фарси, английском, немецком, испанском, французском, итальянском и других языках. README описывает её как дальнейшее дообучение Strawberry-1.2, а метаданные связывают её с Strawberry-1.1; базовая модель в каталоге указана как artindnr/strawberry-1.1. Качество и охват языков могут различаться; в сложных технических ответах возможны смешение языков, фактические ошибки и ошибки рассуждения. README также предупреждает об отсутствии дополнительной настройки безопасности сверх унаследованной от базовых моделей. Лицензия — Apache 2.0.

TheDrummer_Gemma-3-R1-12B-v1-GGUF — это набор квантизированных версий модели Gemma-3-R1-12B-v1, разработанной TheDrummer и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые приложения на базе llama.cpp. Доступны варианты от BF16 до низкобитных квантизаций размером примерно от 5,21 до 23,54 ГБ, что позволяет выбирать баланс между качеством, потреблением памяти и скоростью работы. К сильным сторонам относятся широкий выбор вариантов сжатия и применение imatrix-калибровки, призванной сохранить качество при квантизации. Рекомендуемыми обозначены, в частности, Q4_K_M, Q5_K_M, Q6_K и другие варианты Q4–Q6; низкобитные версии рассчитаны на системы с ограниченным объёмом RAM, но могут заметно уступать по качеству. В README не указаны контекстное окно, языки, поддерживаемые модальности, точная архитектура исходной модели и лицензия. Формат промпта также не приведён, поэтому его следует уточнять на странице исходной модели TheDrummer/Gemma-3-R1-12B-v1.

tolk-7B — дообученная языковая модель от RaspizdAI на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Она предназначена для многоходового диалога, общения в заданной персоне и генерации структурированного текста на русском и английском языках. Модель использует плотную архитектуру Qwen2 с причинной языковой моделью, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Модель подходит для диалоговых ассистентов, которым важно поддерживать беседу на русском или английском, придерживаться заданного образа и выдавать текст в заданной структуре. Метаданные указывают поддержку чата и интерфейса вызова инструментов; качество этих возможностей отдельно не охарактеризовано. Модель распространяется под лицензией MIT.

Typhoon2-qwen2vl-7b-vision-instruct — мультимодальная инструктивная модель компании Typhoon AI для работы с изображениями. Она дообучена на базе Qwen/Qwen2-VL-7B-Instruct и построена как плотная decoder-only модель с визуальным энкодером на архитектуре Qwen2; содержит 7,1 млрд параметров и использует библиотеку Transformers. Модель принимает текст и изображения и отвечает на вопросы о визуальном содержимом. Она оптимизирована для задач на основе изображений, включая OCR, анализ диаграмм и визуальные вопросы и ответы; README также сообщает о поддержке видеовхода базовым семейством, но выделяет изображения как основной сценарий этой модели. Основные языки — тайский и английский. Длина контекста — 32 768 токенов. В опубликованной оценке модель показывает результаты на OCRBench, MMBench и ChartQA; в частности, README приводит высокие результаты на ChartQA. Модель находится в разработке и может давать неточные, предвзятые или нежелательные ответы, поэтому результаты следует проверять. Лицензия — Apache-2.0.

kinit/whisper-small-sk — модель автоматического распознавания речи, созданная командой KInIT путём полнопараметрического дообучения openai/whisper-small на словацком речевом корпусе. Это encoder-decoder-модель семейства Whisper с 153,1 млн параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для транскрибирования словацкой речи в разных предметных областях и условиях записи. Для повышения устойчивости к реальным записям при обучении применялась аугментация фоновым шумом. В оценке на Common Voice 24.0 модель показала WER 14,15%, а на внутреннем тестовом наборе KInIT — 8,64%; результаты относятся к указанным наборам и не гарантируют аналогичное качество на других данных. Дообучение только на словацком привело к ухудшению распознавания других языков. Качество может снижаться на выраженно акцентированной, диалектной и специализированной речи; для надёжной обработки сегменты длиннее 30 секунд требуют разбиения. Потоковое распознавание без подходящей нарезки и критически важные транскрипции без проверки человеком не рекомендуются. Лицензия — Apache-2.0.

Это дообученная на неизвестном наборе данных модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и представлена в формате safetensors; библиотека для работы с ней — Transformers. Модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: loss 0,3081 и глобальный WER 46,6495. Данных о целевых языках, сценариях обучения и ограничениях применения в README нет. Лицензия — MIT.

hadiqa123 выпустил XLS-R53english — англоязычную модель автоматического распознавания речи, дообученную для декодирования аудио в текст. Она основана на facebook/wav2vec2-large-xlsr-53, использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель принимает аудио и выдаёт распознанный текст; в карточке приведена оценка WER 0,3033 на тестовом наборе, но его состав не описан. Лицензия — Apache-2.0.

X-Machina-7b-slerp-v0.0 — диалоговая языковая модель, созданная слиянием Occiglot-7b-es-en-instruct и T3Q-DPO-Mistral-7B методом SLERP с помощью LazyMergekit. Она предназначена для генерации текста и диалоговых ответов на английском и испанском языках. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Модель подходит для чат-ботов и генерации ответов на запросы. Базовая модель Occiglot ориентирована на английский и испанский языки; документация не подтверждает дополнительные языки или отдельные специализированные задачи. Лицензия — Apache-2.0.

Yamshadowexperiment28T3qm7xp-7B — автоматическое слияние языковых моделей, созданное Maxime Labonne. Модель основана на архитектуре Mistral и содержит 7,1 млрд параметров; веса сохранены в формате SafeTensors. Для слияния использован метод model_stock, а базовой моделью в конфигурации указана mistralai/Mistral-7B-v0.1. Модель предназначена для генерации текста и диалогов. Контекст составляет до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или специальных ограничений по применению.

YamshadowStrangemerges_32_Inex12Strangemerges_32 — объединённая модель для генерации текста, созданная путём слияния моделей automerger/YamshadowStrangemerges_32-7B и automerger/Inex12Strangemerges_32-7B. Она построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста с контекстом до 32 768 токенов. Веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. Доступные сведения не описывают специализацию модели или её конкретные ограничения.

YamshadowStrangemerges_32_ShadowMeliodas — объединённая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов; принимает текст и выдаёт текст. Контекстное окно составляет до 32 768 токенов. Модель объединяет automerger/YamshadowStrangemerges_32-7B и automerger/ShadowMeliodas-7B. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

YamshadowStrangemerges_32_Strangemerges_32Experiment28 — объединённая модель Mistral, созданная слиянием моделей automerger/YamshadowStrangemerges_32-7B и automerger/Strangemerges_32Experiment28-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors. Для использования доступна по лицензии Apache-2.0. В карточке не описаны специализированные области применения или дополнительные возможности, поэтому её следует рассматривать как модель общего назначения для генерации текста.

Ziya2-13B-Base — базовая предобученная языковая модель команды Fengshenbang (IDEA-CCNL), основанная на LLaMA 2. Это плотная авторегрессионная архитектура LLaMA с 12,9 млрд параметров и контекстом 4096 токенов; в репозитории представлены веса PyTorch. Модель продолжили обучать примерно на 650 млрд токенов высококачественных китайских и английских данных, оптимизировав токенизацию для китайского языка. Модель предназначена для генерации и продолжения текста, а также для адаптации под задачи понимания китайского и английского языков, математики и кода. Авторы сообщают об улучшениях относительно LLaMA 2 13B и предыдущей Ziya-LLaMA-13B на этих направлениях. Это базовая модель, а не специализированный чат-ассистент; качество ответов и следование инструкциям зависят от дополнительной настройки. Лицензия — Apache-2.0.

Alphacode-MALI-11B_slowtest — диалоговая языковая модель Alphacode AI, созданная путём слияния моделей Alphacode и дообучения на собственных данных разработчика. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM и 10,8 млрд параметров; она предназначена для генерации текста и общения в чате. Заявленная длина контекста составляет 32 768 токенов. В метаданных указан корейский язык. Модель обучали на восьми ускорителях A100 с использованием DeepSpeed, Hugging Face TRL Trainer и Accelerate. Репозиторий содержит веса в формате Safetensors. Лицензия — CC BY 4.0. Карточка не описывает конкретные области применения, результаты оценки качества или ограничения модели.

BLOOM-7b1-intermediate — промежуточный чекпойнт языковой модели семейства BLOOM, разработанной BigScience. Это авторегрессионная трансформерная модель с архитектурой decoder-only, предназначенная для генерации текста и исследований больших языковых моделей; её также можно дообучать для специализированных задач. Репозиторий содержит промежуточные версии обучения, включая шаги от 1 000 до 300 000. Модель работает с текстом и поддерживает множество языков. Для семейства BLOOM указаны позиционные кодировки ALiBi и контекст до 2 048 токенов; версия в этом репозитории имеет 7,1 млрд параметров. Метаданные также отмечают возможности работы с кодом. Чекпойнт можно применять для продолжения текста, черновой генерации и экспериментов с многоязычными языковыми моделями. Выводы могут быть фактически неверными, повторяющимися или нерелевантными, а также содержать стереотипы, оскорбительный, насильственный или сексуальный контент. Модель не предназначена для критически важных решений и использования в медицине, политике, праве или финансах. Лицензия — BigScience BLOOM RAIL License v1.0; применяются ограничения использования, изложенные в лицензии.

BLOSSOM-v5-llama3-8b — разговорная языковая модель, разработанная командой Blossom и дообученная на базе Meta-Llama-3-8B. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов; она принимает текст и генерирует текст в формате продолжения диалога. Модель предназначена для общения и ответов на вопросы на китайском и английском языках. В обучении использовались смешанные наборы Blossom Orca, Wizard, Chat и Math: сначала одноходовые инструкции, затем многоходовые диалоги. README сообщает, что данные для обучения были дистиллированы из gpt-4-0125-preview. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка описывает её как обладающую общими возможностями и пониманием контекста, но не приводит результатов независимых оценок; качество ответов может различаться в зависимости от задачи.

DeepSeek-V4-Flash-ConfigI-GGUF — квантизированная GGUF-сборка модели DeepSeek-V4-Flash, опубликованная thetom-ai. Это MoE-модель с 284 млрд параметров, из которых активно 21 млрд; в README указаны 43 слоя, 256 маршрутизируемых экспертов с выбором top-6, hash routing, MLA attention, mHC hyper-connections и DSA indexer. Гибридная квантизация Config-I имеет эффективную точность 2,88 бита на параметр и занимает около 95 GiB; веса разделены на три файла. Модель предназначена для генерации текста и диалогов, включая запуск на системах с 128 ГБ объединённой памяти. Для чтения её весов нужен форк llama.cpp с поддержкой TurboQuant TQ3_1S; стандартный llama.cpp не подходит. README рекомендует параметры генерации temperature 1.0 и top_p 0.95, отмечая, что жадное декодирование может вызывать циклы повторов. Для исходной модели в метаданных указана лицензия MIT.

Diba-Base — базовая большая языковая модель семейства Diba, разработанная Dibachain. Это плотная авторегрессионная модель с архитектурой DibaForCausalLM и 3,4 млрд параметров; она предназначена для диалога, генерации кода и работы с инструментами. Основной язык модели — персидский (фарси), также она отвечает на английском и поддерживает запросы на обоих языках. Модель ориентирована на персидскую письменную речь, знания об Иране, включая его современную историю, и написание кода, в том числе на Python и JavaScript. Её можно запускать локально и офлайн; карточка описывает запуск на CPU через GGUF, хотя в метаданных репозитория указан формат safetensors. Заявленная длина контекста — 262 144 токена. В сравнительных тестах из карточки модель показала хорошие результаты на вопросах об истории Ирана и задачах кодирования для своего размера. Это результаты автора, а не независимая оценка. Для модели такого размера важно проверять факты и сгенерированный код; ответы также отражают перспективы, представленные в обучающих данных. Лицензия — Apache-2.0.

DiscoPhoenix-7B — модель генерации текста на архитектуре Mistral, созданная mayflowergmbh. Это DPO-настроенное слияние немецкоязычной DiscoLM_German_7b_v1, Phoenix и OpenPipe/mistral-ft-optimized-1227; конфигурация также включает mistralai/Mistral-7B-v0.1. Модель предназначена для диалогов и генерации текста, в частности на немецком языке. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекст до 32 768 токенов. Для дальнейшего использования доступны веса в формате safetensors. В метаданных указана лицензия Apache-2.0. Подробные результаты оценки и ограничения качества в карточке не раскрыты.

Это пакет Mesh LLM с GGUF-весами ERNIE-4.5-21B-A3B-PT, разбитыми на артефакты по слоям для распределённого запуска на локальном кластере. Пакет подготовлен Mesh LLM на основе unsloth/ERNIE-4.5-21B-A3B-PT-GGUF и использует вариант квантования UD-Q4_K_XL. Модель предназначена для локального приватного текстового общения, генерации ответов в чатах и обслуживания запросов через локальный API, совместимый с OpenAI. Разделение слоёв позволяет распределить вычисления и память между несколькими машинами, когда запуск полного GGUF-файла на одном узле неудобен. Для работы требуется Mesh LLM; это упаковка модели для распределённого инференса, а не самостоятельная новая архитектура. README ссылается на исходную карточку модели за сведениями об архитектуре, языках, контекстном окне и лицензии, поэтому эти характеристики здесь не приводятся. Условия лицензии следует проверять в карточке исходной модели.