I.6Перевод и языковая адаптация

French Aya Expanse 8B — франкоязычная дообученная версия Aya Expanse 8B от Cohere For AI, созданная на основе CohereLabs/aya-expanse-8b. Это плотная авторегрессионная языковая модель с архитектурой CohereForCausalLM и 8 млрд параметров. Она принимает текст и генерирует текст; контекстное окно составляет 8 192 токена. Модель предназначена для диалогов и генерации ответов на французском языке. Базовая Aya Expanse поддерживает 23 языка, включая французский, английский и русский, однако эта версия специально сфокусирована на французском. В карточке указано, что базовая модель проходила supervised fine-tuning, обучение предпочтениям и слияние моделей; эта версия дообучена на наборе french-multilingual-reward-bench-dpo. Весами можно пользоваться по лицензии CC-BY-NC с соблюдением Acceptable Use Policy Cohere For AI. Лицензия ограничивает коммерческое использование. Качество модели за пределами французского фокуса отдельно не описано.

cstr/funasr-nano-GGUF — это GGUF-версия модели Fun-ASR-Nano-2512, разработанной Alibaba и FunAudioLLM и перепакованной для работы с backend funasr в CrispASR. Модель предназначена для автоматического распознавания и транскрибации речи на китайском (мандарин и кантонский), английском, японском и корейском языках. Архитектура включает 70-блочный SANM-энкодер SenseVoiceSmall, двухблочный Transformer-аудиоадаптер и декодер на базе Qwen3-0.6B с 28 слоями и GQA. Речь передаётся в языковую модель через ChatML-промпт, а генерация выполняется авторегрессионно с использованием KV-кэша. В репозитории доступны варианты F16, Q8_0 и Q4_K; последний имеет размер около 897 МБ и рекомендован как вариант по умолчанию. Опубликованные веса используют только путь через LLM-декодер, без рабочего CTC-декодера. Модель подходит для локальной транскрибации аудиозаписей и интеграции в приложения через CrispASR. Сильными сторонами являются компактный размер, поддержка нескольких языков и близкое к исходному качество у квантованных вариантов. Ограничение — английский вывод может быть в верхнем регистре и без пунктуации; для нормализации регистра и расстановки знаков препинания требуется отдельная модель. Код распространяется по Apache-2.0, а веса — по FunASR Model License v1.1: коммерческое использование разрешено при указании авторства Alibaba и FunAudioLLM.

G2-9B-Blackout-R1-GGUF — набор GGUF-квантизаций модели G2-9B-Blackout-R1, разработанной inflatebot и подготовленной пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp или совместимые приложения, включая LM Studio. Доступны варианты от полноточного F16 размером 18,49 ГБ до компактных форматов с 2–8-битным квантованием и размерами примерно от 3,81 до 9,83 ГБ. Квантизация выполнена с использованием imatrix; наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5 и Q4. Для ARM-процессоров предусмотрены специальные варианты Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4, отличающиеся требованиями к поддержке инструкций. Сильная сторона набора — широкий выбор компромиссов между качеством, размером файлов и требованиями к памяти, что позволяет запускать модель на различных локальных системах. Точные архитектура, поддерживаемые языки, размер контекста и формат промпта в представленном README не указаны; формат промпта рекомендуется уточнять на странице исходной модели. Лицензия также не указана.

Gemma-2-JPN — текстовая авторегрессионная модель семейства Gemma 2, разработанная Google и дообученная на японских текстах на базе google/gemma-2-2b-it. Модель с открытыми весами предназначена для генерации текста и диалогового взаимодействия на японском языке; её можно применять для ответов на вопросы, суммаризации, создания текстов и языковой практики. Архитектура — decoder-only, формат весов — bfloat16; для работы с моделью предусмотрена библиотека Transformers. Модель поддерживает ввод и вывод текста. В карточке заявлено, что её качество на запросах на японском сопоставимо с качеством Gemma 2 на английских запросах. Весовая лицензия Gemma распространяется на использование модели, однако применяются условия и ограничения политики допустимого использования Gemma. Модель может воспроизводить смещения, ошибаться в фактах, плохо справляться со сложными неоднозначными запросами и генерировать вредоносный или вводящий в заблуждение текст.

GLM-5.3-UD-Q4_K_XL-layers — пакет GGUF-слоёв модели GLM-5.3 для распределённого запуска в Mesh LLM. Пакет создан на основе unsloth/GLM-5.3-GGUF и разбивает исходную GGUF-модель на отдельные артефакты по слоям, чтобы распределять вычисления между несколькими локальными компьютерами. Модель предназначена для локального диалогового использования, в том числе через совместимый с OpenAI API интерфейс Mesh LLM. Такой запуск подходит, когда полный файл модели не помещается на одном компьютере или требуется выполнять инференс на собственном оборудовании. Репозиторий содержит вариант UD-Q4_K_XL в формате GGUF; сведения об архитектуре, контекстном окне и поддерживаемых языках следует смотреть в карточке исходной модели. Лицензия указана как other, поэтому перед использованием нужно проверить условия исходной модели unsloth/GLM-5.3-GGUF.

Goekdeniz-Guelmez_Josiefied-Qwen3-8B-abliterated-v1-GGUF — это набор GGUF-квантизаций модели Josiefied-Qwen3-8B-abliterated-v1, разработанной Goekdeniz-Guelmez и подготовленной пользователем bartowski. Модель предназначена для генерации текста и чат-сценариев, а также для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В набор входят варианты от исходных весов BF16 размером 16,39 ГБ до квантизаций с меньшим потреблением памяти, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, IQ4_XS и другие. Квантизация выполнена с использованием imatrix и llama.cpp b5270. Для диалогов используется шаблон с ролями system, user и assistant в формате ChatML. Архитектура, размер контекста, поддерживаемые языки и модальности в README не указаны; по описанию это текстовая модель без заявленной поддержки изображений или других非текстовых данных. Сильная сторона набора — широкий выбор уровней квантизации для разных объёмов памяти и оборудования. В README Q6_K_L, Q6_K, Q5_K_L, Q5_K_M и Q4_K_M отмечены как рекомендуемые варианты с хорошим балансом качества и размера, а Q3_K_XL и компактные форматы подходят для систем с ограниченной оперативной памятью. Ограничения включают возможную потерю качества при низких уровнях квантизации, а также отсутствие в README сведений о лицензии, результатах тестирования, языковых возможностях и безопасностных характеристиках модели.

Gradience-T1-3B-preview — экспериментальная многоязычная чат-модель Tesslate, дообученная на Qwen/Qwen2.5-3B-Instruct с использованием набора данных Tesslate/Gradient-Reasoning. Она предназначена для генерации текста и ответов с пошаговым разбором задач; авторы описывают её как попытку ускорить рассуждения и предлагают включать такой режим системным запросом. Модель содержит 3,1 млрд параметров, использует плотную архитектуру Qwen2 и принимает контекст до 32 768 токенов. Модель поддерживает английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Доступна в формате safetensors через Transformers. Лицензия — Apache-2.0. Версия обозначена как preview/beta, поэтому качество и скорость рассуждений могут быть нестабильными.

Это GGUF-квантизированная версия языковой модели granite-4.0-h-small, разработанной IBM Granite и подготовленной пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В репозитории представлены варианты от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и Q3_K. Квантизация выполнена с использованием imatrix на базе llama.cpp, что позволяет выбирать компромисс между качеством, размером файла и требованиями к памяти. Размер доступных файлов составляет примерно от 14,42 до 64,45 ГБ. Более лёгкие варианты подходят для систем с ограниченным объёмом RAM, но обеспечивают более низкое качество; наиболее качественными считаются BF16, Q8_0, Q6_K и Q5_K. README не содержит достоверных сведений об архитектуре исходной модели, числе параметров, размере контекста, поддерживаемых языках, дополнительных модальностях, точных сценариях применения или лицензии. Формат промптов также не указан, поэтому его следует уточнять на странице исходной модели. Ограничениями являются требования к значительной объёмной памяти даже для компактных квантизаций и возможная потеря качества в низкобитных вариантах.

Это GGUF-квантизированная версия языковой модели Granite 4.0 H Tiny, разработанной IBM Granite и опубликованной в исходном виде под идентификатором ibm-granite/granite-4.0-h-tiny. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других совместимых проектах. Доступны варианты от исходных весов в формате BF16 размером 13,89 ГБ до компактных квантов размером примерно от 3,15 до 7,39 ГБ. Предлагаются форматы Q8_0, Q6_K, Q5_K, Q4_K, IQ4, Q3_K и другие, что позволяет выбирать между качеством, скоростью и требованиями к оперативной памяти. Для большинства сценариев автор рекомендует варианты Q4_K_M, Q5_K, Q6_K и близкие к ним; низкобитные варианты подходят для систем с ограниченными ресурсами, но дают более низкое качество. README не содержит сведений об архитектуре, числе параметров, поддерживаемых языках, размере контекста, мультимодальности или лицензии исходной модели. Также формат приглашений не указан, поэтому его следует уточнять на странице оригинальной модели. Ключевые ограничения связаны с потерями качества при использовании сильной квантизации и отсутствием в данной карточке подробных характеристик базовой модели и условий лицензирования.

LFM2.5-350M-MLX-bf16 — экспорт модели LiquidAI LFM2.5-350M в формате MLX для инференса на компьютерах Apple с Apple Silicon. Это компактная плотная языковая модель с гибридной архитектурой, сочетающей свёрточные и attention-слои; в репозитории указаны точность bf16 и размер 676 МБ. Контекстная длина составляет до 128 000 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В метаданных указана поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Репозиторий помечен лицензией other; конкретные условия следует сверить с лицензией проекта перед использованием.

dealignai подготовила Ling-2.6-flash-JANGTQ2-CRACK на базе Ling-2.6-Flash от InclusionAI. Это языковая MoE-модель с 35 млрд параметров и гибридной архитектурой Bailing: Multi-Latent Attention сочетается с линейным вниманием, а из 256 маршрутизируемых экспертов для каждого токена активируются 8 и один общий эксперт. По метаданным, размер модели составляет 6,4 млрд параметров; контекст — до 131 072 токенов. Модель предназначена для генерации текста, диалога, следования инструкциям и вызова инструментов на английском и китайском языках. Веса сжаты в формате JANGTQ2: маршрутизируемые эксперты используют 2-битное TurboQuant-кодирование, а ряд других компонентов — аффинную 8-битную квантизацию. README указывает размер 29 ГБ и запуск на Apple Silicon через MLX Studio или пакет jang-tools. CRACK — необратимое изменение весов, направленное на удаление усвоенных отказов; модель может выдавать ответы на запросы, которые базовая модель отклонила бы. Приведённые в карточке результаты тестов не гарантируют качество на других задачах. Лицензия — MIT.

Это испаноязычная модель генерации текста на основе архитектуры Llama 2, дообученная Clibrain на собственном наборе инструкций на испанском языке. Она предназначена для диалогового взаимодействия и выполнения текстовых инструкций на испанском. Модель содержит 6,6 млрд параметров, принимает текст и выдаёт текст; максимальный контекст составляет 2048 токенов. Для работы используется библиотека Transformers, веса представлены в формате PyTorch. В README указано, что для исправленной и обновлённой версии следует использовать clibrain/Llama-2-7b-ft-instruct-es. Модель опубликована под лицензией Apache-2.0.

Llama3-12B-wwe — объединённая языковая модель на архитектуре Llama, созданная сообществом mergekit-community методом passthrough из трёх моделей: hfl/llama-3-chinese-8b-instruct-v2, NousResearch/Hermes-2-Pro-Llama-3-8B и shenzhi-wang/Llama3-8B-Chinese-Chat. Она предназначена для генерации текста и диалогов; базовые модели ориентированы в том числе на китайский и английский языки, а Hermes-2-Pro добавляет разговорные возможности. Модель содержит 13,2 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; заявленная длина контекста — 8192 токена. В README описано объединение диапазонов слоёв трёх исходных моделей с точностью float16. Модель подходит для ответов в чате и продолжения текста. Лицензия в предоставленных данных не указана.

onnx-community/Llama-3.2-3B-Instruct-ONNX — это ONNX-версия модели Llama-3.2-3B-Instruct, разработанной Meta, подготовленная сообществом onnx-community для совместимости с библиотекой Transformers.js. Репозиторий содержит ONNX-веса базовой модели и предназначен прежде всего для использования в веб-среде и других сценариях, где требуется формат ONNX. Модель ориентирована на задачи генерации текста и диалогового применения в соответствии с возможностями Llama-3.2-3B-Instruct. Из карточки известно, что размер модели составляет 3 млрд параметров, однако сведения о поддерживаемых языках, длине контекста, модальностях и конкретных вариантах архитектуры не указаны. Преобразование в ONNX облегчает интеграцию с Transformers.js, но README не содержит данных о производительности, требованиях к оборудованию или сравнительных преимуществах. Модель распространяется по лицензии Llama 3.2. Условия лицензии и ограничения использования следует уточнять в документации Meta. Отдельный репозиторий ONNX-весов обозначен как временное решение до более широкого внедрения WebML.

Llama-3-8B-Instruct-Portuguese-v0.4 — языковая модель на архитектуре Llama, представленная пользователем adalbertojunior. Она предназначена для генерации текста и диалоговых сценариев на португальском языке. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст, а её контекст составляет 8192 токена. В метаданных указан обучающий набор adalbertojunior/openHermes_portuguese. Модель опубликована в формате safetensors и помечена лицензией из метаданных?

Llama-3-Open-Ko-8B-Instruct-kookmin2 — дообученная языковая модель, опубликованная sungjineeee на основе beomi/Llama-3-Open-Ko-8B. Она предназначена для генерации текста и диалогового общения. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекстное окно 8192 токена. Модель принимает текст и генерирует текст. Базовая модель продолжила предобучение на корейских и англоязычных текстах; карточка этой версии не уточняет языковой охват дообучения. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Лицензия — Apache-2.0. README не приводит оценок качества или конкретных ограничений применения.

Llama-3SOME-8B-v2-GGUF — это набор квантизированных версий языковой модели Llama-3SOME-8B-v2, опубликованный bartowski. Исходная модель разработана TheDrummer, а квантизация выполнена с использованием llama.cpp версии b3197 и метода imatrix. Модель предназначена для генерации текста и локального запуска через совместимое программное обеспечение, включая llama.cpp. Модель имеет размер 8 миллиардов параметров и представлена в формате GGUF с вариантами квантизации от Q8_0 до Q2_K и IQ2/IQ3/IQ4. Доступны версии с различным соотношением качества, размера и требований к оперативной памяти; наиболее качественными автор README называет варианты Q6_K, Q6_K_L, Q5_K и Q4_K. Для взаимодействия используется шаблон промпта в формате Llama 3. Языки, размер контекста, поддерживаемые модальности и точная архитектура в README не указаны. Сильной стороной набора является широкий выбор квантизаций, включая варианты для устройств с ограниченной памятью и экспериментальные версии с f16-весами для embedding и output. Ограничения связаны с потерей качества при более агрессивной квантизации; версии Q3 и ниже описаны как менее качественные, а некоторые — как экспериментальные. Распространение осуществляется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование на условиях этой лицензии.

MeliodasPercival_01_Percival_01Experiment26 — объединённая модель на архитектуре Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Percival_01Experiment26-7B. Модель содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста; максимальная длина контекста составляет 32 768 токенов. Модель предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате safetensors, лицензия — Apache 2.0. README не сообщает о специальных настройках, оценках качества или дополнительных возможностях модели.

MeliodasPercival_01_T3qm7xpExperiment26 — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/T3qm7xpExperiment26-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов по текстовым запросам. Распространяется в формате Safetensors по лицензии Apache-2.0. README не описывает специализацию, обучение или результаты оценки модели.

MaziyarPanahi/MeliodasPercival_01_YamT3qm7x — объединённая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана путём слияния моделей automerger/MeliodasPercival_01-7B и automerger/YamT3qm7x-7B. Модель предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст длиной до 32 768 токенов, что позволяет использовать её для многоходовых бесед и работы с длинными текстовыми запросами. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README не описывает специализированные области применения или дополнительные возможности модели.

MiniMax M2.5 JANG_3L-CRACK — модель от Jinho Jang на основе MiniMaxAI/MiniMax-M2.5, представленная как смешанно-квантованный вариант для генерации текста и диалогов. В основе лежит архитектура MiniMax M2 MoE: 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен; заявлены стандартное внимание и цепочка рассуждений. В метаданных указано 2,9 млрд параметров, что расходится с размером базовой модели, заявленным в README. Веса обработаны профилем JANG_3L со смешанной точностью 8/4/3 бита; README указывает размер 89 ГБ и запуск на Apple Silicon через MLX Studio или пакет jang-tools. CRACK — заявленное авторами удаление отказов в ответах на уровне весов. Модель предназначена для диалогов и генерации ответов; метаданные указывают интерфейс вызова инструментов. Заявлены английский, китайский и корейский языки, контекст 196 608 токенов. README приводит результаты MMLU, но это заявления авторов карточки. Удаление защитных механизмов может приводить к выдаче опасного или неприемлемого контента. Лицензия в метаданных — Apache-2.0; карточка рекомендует запускать модель в vMLX.

Herry443/Mistral-7B-KNUT-ref-ALL — разговорная языковая модель на базе Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев; в карточке указана базовая модель Herry443/Mistral-7B-KNUT-ref и обучение на выборках из KoBEST, AI2 ARC, HellaSwag и MMLU. Модель принимает текст и выдаёт текст. Метаданные указывают поддержку корейского и английского языков и контекст до 32 768 токенов. Веса опубликованы в формате safetensors, библиотека — Transformers. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

NbAiLab создала эту модель распознавания речи на норвежском языке букмол для проекта Robust Speech Event. Это дообученная версия экстрактора признаков VoxRex Национальной библиотеки Швеции на архитектуре Wav2Vec2 с CTC-декодированием; в метаданных указано 402,7 млн параметров. Основным источником обучающих данных был корпус парламентских выступлений NPSC. Модель преобразует аудио в текст и рассчитана прежде всего на автоматическую транскрипцию речи на букмоле, в том числе парламентских выступлений. На тестовом наборе она показала WER 7,03% и CER 2,69% с 5-граммовой языковой моделью KenLM; без неё показатели составили 9,79% и 3,11%. Использование языковой модели улучшает результат. Репозиторий содержит веса в форматах PyTorch и Safetensors, лицензия — Apache-2.0.

NorskGPT-Llama3-8b — норвежскоязычная разговорная модель, созданная дообучением Meta-Llama-3-8B на отобранных парах инструкций на норвежском языке. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров и контекстом 8192 токена; модель предназначена для генерации текста, диалога и следования инструкциям. Модель можно использовать как ассистента для общения на норвежском, ответов на вопросы и суммаризации. Разработчик отмечает, что она не является специализированной базой знаний: по сведениям о Норвегии и узким темам она не обязательно превосходит исходную модель. Для оптимального результата может потребоваться настройка промптов. Модель выпущена по лицензии CC-BY-NC-SA-4.0; коммерческое применение требует коммерческой лицензии.

Parrot-7B — мультиязычная мультимодальная языковая модель, разработанная авторами проекта Parrot. Она использует текстовые инструкции для выравнивания визуальных токенов на уровне языка и архитектуру Mixture-of-Experts для согласования визуальной информации с языковыми представлениями. Модель дообучена методом supervised fine-tuning на базе Qwen-1.5-7B-Chat и использует визуальный энкодер CLIP-ViT-Large-patch14-336; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалоговых сценариев с изображениями и мультиязычных вопросов и ответов по визуальному содержимому. В README описан мультиязычный бенчмарк MMMB: 6 языков, 15 категорий и 12 000 вопросов. Репозиторий использует Transformers и формат safetensors. Лицензия — Apache-2.0. Авторы отмечают, что не могут гарантировать полное отсутствие проблемного или нарушающего авторские права контента.

radlab/pLLama3.2-1B — польская версия Meta Llama 3.2 1B, дообученная командой radlab для более точного общения с пользователем. Это плотная авторегрессионная языковая модель с 1,2 млрд параметров и контекстом до 131 072 токенов, предназначенная для генерации текста и диалоговых сценариев. В обучении использованы 650 тысяч инструкций на польском языке; карточка описывает именно этап дообучения инструкциями, без DPO для этой версии. Модель принимает текст и генерирует текст. В метаданных указаны польский, английский, испанский и немецкий языки; основная специализация модели — польский. Рекомендованные авторами параметры генерации: temperature 0,5 и repetition_penalty 1,2. Лицензия — Llama 3.2; использование регулируется её условиями.

Модель mukowaty/punctuate-16 восстанавливает пунктуацию в тексте, выполняя поклассовую разметку токенов. Она основана на XLM-RoBERTa и работе Oliver Guhr; в модели около 305,2 млн параметров, а максимальный контекст составляет 514 токенов. В метаданных указана поддержка болгарского, английского, немецкого, французского, испанского, итальянского, польского, нидерландского, чешского, португальского, словенского, греческого, шведского, венгерского, румынского, словацкого и датского языков. Модель подходит для автоматического восстановления знаков препинания в текстах, где пунктуация была удалена или утрачена, например при подготовке распознанной речи к чтению. Она выпущена в формате PyTorch. Сведения о лицензии в доступных источниках отсутствуют.

Qwen2.5-3B-Instruct-KAI — дообученная чат-модель на базе Qwen/Qwen2.5-3B-Instruct, разработанная KAI Lab. Она предназначена для понимания и генерации текста на вьетнамском языке, включая ответы на вопросы, извлечение информации, понимание прочитанного и суммаризацию. Модель использует плотную архитектуру Qwen2ForCausalLM и содержит 3,1 млрд параметров. Принимает текстовые запросы и генерирует текст; заявленная длина контекста — 32 768 токенов. Для загрузки указана библиотека Transformers, веса представлены в формате safetensors. Модель оптимизирована для вьетнамского языка. В README приведены результаты оценки на вьетнамских бенчмарках и указано, что модель может ошибаться в вопросах, связанных с культурной спецификой, и хуже справляться со специализированными техническими темами. Лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

denial07/Qwen2-72B-Instruct-kor-dpo — диалоговая языковая модель на архитектуре Qwen2, улучшенная для корейского языка на основе Qwen2-72B-Instruct. Модель содержит 71,5 млрд параметров, использует плотную архитектуру и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов в диалоге на корейском языке. В карточке приведены результаты оценки на корейских бенчмарках LogicKor и KMMLU, включая задания на рассуждение, математику, письмо, программирование, понимание и грамматику. Метаданные указывают на поддержку генерации текста и чат-возможностей. Модель основана на Qwen2-72B-Instruct и, согласно карточке, улучшена для корейского языка. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other; конкретные условия использования следует проверить в карточке модели.

unsloth/Qwen3-1.7B-Base-unsloth-bnb-4bit — 4-битная версия базовой языковой модели Qwen3-1.7B-Base, разработанной командой Qwen. Модель относится к causal language models и предназначена для предобучения, генерации и продолжения текста, а также для адаптации под прикладные задачи с помощью дополнительного обучения или тонкой настройки. Модель содержит 1,7 млрд параметров, из которых 1,4 млрд не относятся к embedding, и включает 28 слоёв. Она использует Grouped-Query Attention с 16 головами для Q и 8 для KV, поддерживает контекст длиной до 32 768 токенов и обучалась на данных на 119 языках, включая материалы по программированию, STEM, рассуждениям и мультиязычным задачам. README не указывает полный перечень поддерживаемых языков и модальности, поэтому модель следует считать текстовой. Ключевые преимущества — компактный размер, сниженные требования к памяти благодаря 4-битному представлению и поддержка длинного контекста. Это делает модель подходящей для локального запуска и ресурсоограниченных сред, однако по возможностям и качеству она уступает более крупным моделям, а как базовая предобученная версия не предназначена непосредственно для диалогового использования без дополнительной настройки. Для работы рекомендуется актуальная версия библиотеки transformers; версия ниже 4.51.0 вызывает ошибку распознавания архитектуры Qwen3. Модель распространяется по лицензии Apache-2.0.