I.6Перевод и языковая адаптация

GLM-5.3-MLX-4bit — это сборка базовой модели GLM-5.3, разработанная сообществом PipeNetwork для запуска на устройствах Apple Silicon с использованием MLX. Исходная модель создана zai-org. Модель предназначена для генерации текста и локального инференса; она может применяться в сценариях, где требуется запуск крупной языковой модели на совместимом Mac с ограниченными требованиями к размеру по сравнению с полной версией в формате bfloat16. Модель содержит 744 млрд параметров и использует архитектуру mixture-of-experts glm_moe_dsa с 256 экспертами, из которых для каждого шага выбираются 8. В архитектуре применяются MLA и разреженное внимание в стиле DeepSeek-V3.2. Веса преобразованы из bfloat16 в формат MLX и квантизированы до 4 бит с размером группы 64; объём на диске составляет около 418,6 ГБ, а для работы требуется примерно 512 ГБ оперативной памяти. Поддерживается текстовая генерация; сведения о языках и максимальном контексте в README не указаны. К сильным сторонам относятся сохранение исходной архитектуры, совместимость с MLX и возможность локального запуска на Apple Silicon, а также измеренная perplexity 2,8636 на тестовой части wikitext-2. Ограничения связаны с очень высокими требованиями к памяти, потерями качества из-за 4-битного квантования и тем, что многофазовый слой предсказания токенов не включён. Для последовательностей длиннее 2048 токенов часть индексаторов разреженного внимания использует случайно инициализированные проекции, что может влиять на качество. Для запуска требуется mlx-lm и разрешение удалённого кода. Используется лицензия GLM-5.3, указанная в файле LICENSE исходного проекта.

Gukbap-Gemma2-9B — разговорная языковая модель HumanF-MarkrAI для генерации ответов на корейском языке. Она основана на google/gemma-2-9b-it и дообучена методом supervised fine-tuning на собственном наборе из 1 849 обучающих и 200 валидационных примеров, сформированных с помощью открытых моделей. Архитектура — плотная Gemma 2 с 9 млрд параметров; модель использует контекст до 8 192 токенов и распространяется в формате safetensors. Модель предназначена для диалога и общих текстовых задач на корейском: ответов на вопросы, рассуждений, математики, письма, программирования и понимания текста. Авторы сообщают о внутренней оценке LogicKor с результатом 8,77 для режима zero-shot; это заявление основано на собственной оценке и не гарантирует аналогичных результатов в других тестах или приложениях. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Gukbap-Qwen2-7B — корейская разговорная языковая модель от HumanF-MarkrAI, дообученная методом SFT на базе Qwen/Qwen2-7B-Instruct. Для обучения использовались данные, созданные с помощью открытых моделей; модель предназначена для диалога и общих задач на корейском языке, включая рассуждения, математику, письмо, программирование, понимание текста и грамматику. Разработчик приводит результаты внутренней zero-shot оценки LogicKor, но они не гарантируют качество на других наборах задач. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров и работает через Transformers в формате safetensors. Метаданные указывают контекст до 32 768 токенов; в README заявлена длина 8 192 токена. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но не коммерческое использование.

Huihui-gpt-oss-20b-mxfp4-abliterated-v2 — текстовая генеративная модель, разработанная huihui-ai. Она представляет собой версию модели Huihui-gpt-oss-20b-BF16-abliterated-v2, преобразованную в формат mxfp4 с использованием quantization-aware training (QAT) для более компактного хранения и развёртывания. Модель предназначена для генерации текста и может использоваться через библиотеку Hugging Face Transformers, Ollama и llama.cpp в формате GGUF. Указан размер класса 20B, однако точная архитектура, максимальная длина контекста, поддерживаемые языки и набор модальностей в README не раскрыты. Формат mxfp4 потенциально снижает требования к памяти по сравнению с BF16, но фактические скорость и качество зависят от оборудования и используемого средства запуска. Модель помечена как abliterated и uncensored, поэтому её поведение и ограничения безопасности могут отличаться от исходной модели. README не содержит результатов бенчмарков, подробной оценки качества или гарантий надёжности. Распространяется по лицензии Apache-2.0.

Ko-Mixtral-v1.3-MoE-7Bx2 — языковая модель Seungyoo Lee (DopeorNope) и Kyujin Han, построенная на архитектуре Mixtral с разреженной смесью экспертов. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста с контекстом до 32 768 токенов. Модель обучали на корпусе AI Hub: сначала проводили непрерывное предварительное обучение, затем настройку на инструкциях. В карточке описаны задачи предсказания пропусков, выравнивания текста и его продолжения, включая примеры на корейском языке. Метаданные указывают корейский и английский как языки карточки; это не подтверждает одинаковый уровень качества для обоих языков. Веса опубликованы в формате safetensors. Лицензия CC BY-NC-SA 4.0 требует указания авторства и распространяет производные работы на тех же условиях, а также ограничивает коммерческое использование.

Kosmos-EVAA-gamma-ultra-light-8B — объединённая методом SLERP языковая модель на архитектуре Llama, созданная автором jaspionjader с помощью mergekit. В объединении использованы модели jaspionjader/Kosmos-EVAA-gamma-light-8B и jaspionjader/Kosmos-EVAA-v12-8B. Модель содержит 7,5 млрд параметров и предназначена для генерации текста; она принимает текст и выдаёт текст. Модель работает через библиотеку Transformers и распространяется в формате safetensors. Длина контекста составляет 8192 токена. Лицензия в предоставленных данных не указана.

clibrain/Llama-2-13b-ft-instruct-es — языковая модель на архитектуре Llama 2, дообученная Clibrain на испанском наборе инструкций. Она предназначена для генерации текста и выполнения инструкций на испанском языке, например для диалога и подготовки текстовых ответов. Модель содержит 12,9 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и генерирует текст; контекст — до 4096 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка краткая и не приводит оценки качества или подробностей обучения; результаты могут зависеть от формулировки запроса и не гарантируют фактическую точность.

Llama-3.2-Kapusta-JapanChibi-3B-v1 — диалоговая языковая модель, созданная Khetterman слиянием трёх моделей с помощью mergekit и метода model_stock: Khetterman/Llama-3.2-Kapusta-3B-v8, AELLM/Llama-3.2-Chibi-3B и AXCXEPT/EZO-Llama-3.2-3B-Instruct-dpoE. Это плотная авторегрессионная модель семейства Llama 3.2 с 3,2 млрд параметров, предназначенная для генерации текста и общения. Модель работает с текстом, поддерживает английский и русский языки; в карточке отмечены японские задачи и хорошая работа с другими языками, но автор сообщает, что сам не понимает японский. Для весов указан формат safetensors и точность bfloat16, а заявленная длина контекста — 131072 токена. Модель подходит для диалогов и творческой генерации текста. Лицензия в предоставленных данных не указана.

Llama-3-8B-Dolphin-Portuguese-v0.2 — разговорная языковая модель на архитектуре Llama, опубликованная adalbertojunior. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; для диалога она отмечена как conversational и поддерживает чат. Контекст — до 8192 токенов. Модель обучена на переведённой версии набора данных Dolphin и ориентирована на генерацию ответов в диалоге на португальском языке. Она может использоваться для создания чат-ботов и ответов на текстовые запросы. Указанная лицензия в предоставленных данных не приводится.

Llama-Salad-8x8B-GGUF — это набор GGUF-квантизаций текстовой языковой модели Llama-Salad-8x8B, опубликованный и квантизированный пользователем bartowski. Исходная модель разработана HiroseKoichi. Модель предназначена для генерации текста и локального запуска через llama.cpp или совместимые инструменты инференса. В метаданных указаны архитектура MoE и семейство Llama 3; точное число параметров, размер контекста и список поддерживаемых языков не приведены. Модель работает с текстовой модальностью и использует формат промпта Llama 3 с системными, пользовательскими и ассистентскими сообщениями. Доступно множество вариантов квантизации от Q8_0 до IQ2_XS с размером файлов примерно от 14,33 до 50,47 ГБ. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной или видеопамяти, но заметно уступают по качеству; Q6_K, Q5_K_M, Q5_K_S и Q4_K_M обозначены как рекомендуемые. Ключевое преимущество — возможность подобрать компромисс между качеством, скоростью и требованиями к памяти для локального использования. Ограничения включают снижение качества при низких уровнях квантизации и отсутствие в README подробных данных о результатах тестирования, производительности и безопасностных свойствах; модель помечена тегами nsfw и not-for-all-audiences. Лицензия указана как llama3. Квантизации выполнены с использованием llama.cpp release b3086 и метода imatrix.

LongWriter-llama3.1-8b-GGUF — квантизированные версии языковой модели LongWriter-llama3.1-8b, разработанной THUDM и опубликованной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая работу с длинным контекстом. Указаны поддерживаемые языки английский и китайский, а также использование через llama.cpp и LM Studio. В основе лежит модель размером 8 млрд параметров; точные сведения об архитектуре и максимальной длине контекста в README не приведены. Доступны варианты от F32 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3, Q2 и IQ, что позволяет выбирать между качеством генерации и требованиями к памяти. Варианты с более высокой точностью обеспечивают лучшее сохранение качества, а компактные версии подходят для систем с ограниченными ресурсами, но могут заметно уступать по качеству. Квантизация выполнена с использованием imatrix в llama.cpp на основе набора данных LongWriter-6k. Для взаимодействия рекомендуется формат промпта, указанный в карточке модели; шаблон чата автоматически не задан. Модель распространяется по лицензии llama3.1. Ограничения включают отсутствие заявленной поддержки изображений и других модальностей, а также неизбежные компромиссы в качестве у наиболее компактных вариантов.

Luth-LFM2-350M — компактная языковая модель для диалогов, созданная Kurakurai в сотрудничестве с Liquid AI на базе LiquidAI/LFM2-350M. Модель полностью дообучена на наборе Luth-SFT и затем объединена с исходной LFM2-350M; архитектура — плотная LFM2 с причинной языковой моделью. В репозитории указаны 444,6 млн параметров и контекст до 128 000 токенов. Модель предназначена для следования инструкциям, ответов на общие вопросы и решения математических задач на французском и английском языках. Дообучение улучшило французские возможности, а английские, согласно README, остались на прежнем уровне. Модель доступна в формате safetensors для Transformers; лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория.

Luth-LFM2-700M — франкоязычная дообученная версия LFM2-700M, созданная kurakurai в сотрудничестве с Liquid AI. Модель обучена полным дообучением на наборе Luth-SFT с помощью Axolotl, после чего веса объединены обратно с LFM2-700M. Это плотная авторегрессионная модель семейства LFM2 с 956,3 млн параметров, доступная в формате Safetensors; метаданные указывают контекст до 128 000 токенов и возможность диалогового использования. Модель предназначена для генерации текста и диалогов, особенно для следования инструкциям, решения математических задач и ответов на вопросы на французском языке. Английские возможности, согласно карточке, сохранились; приведённые в README оценки показывают улучшения на ряде французских тестов относительно исходной LFM2-700M при в целом близких результатах на английских тестах. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

MiniMax-M2.5-MLX-4bit — это 4-битная квантованная версия языковой модели MiniMax-M2.5, разработанной MiniMaxAI. Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для запуска на устройствах Apple Silicon через фреймворк MLX. В каталоге Transformers она относится к моделям генерации текста. Модель предназначена для локальной генерации текста и диалоговых сценариев, где важны экономия памяти и эффективное выполнение на Apple Silicon. Ключевая особенность — 4-битное представление, обычно позволяющее снизить требования к ресурсам по сравнению с полноразмерной версией, однако README не содержит данных о размере исходной модели, объёме контекста, поддерживаемых языках, точных характеристиках производительности или конкретных прикладных тестах. Для использования действуют условия лицензии modified MIT; подробности приведены в лицензии MiniMax-M2.5.

ayoubkirouane/Mistral-SLERP-Merged7B — объединённая методом SLERP языковая модель на архитектуре Mistral, созданная из MetaMath-Mistral-7B и NeuralHermes-2.5-Mistral-7B. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев; объединение сводит в одном чекпойнте возможности математической модели MetaMath и разговорной NeuralHermes. Возможные задачи — ответы на вопросы, объяснение решений математических задач и ведение диалога. В метаданных указана поддержка английского, французского и арабского языков. Вес опубликован в формате safetensors, библиотека для работы — Transformers. Лицензия Apache-2.0. Карточка не приводит отдельных оценок качества или подробных результатов тестирования.

NbAiLab/nb-wav2vec2-300m-bokmaal-v2 — модель распознавания речи, разработанная лабораторией искусственного интеллекта Национальной библиотеки Норвегии (NbAiLab). Она преобразует аудиозаписи на норвежском букмоле в текст и предназначена, в частности, для транскрибирования речи из парламентского корпуса NPSC. Модель основана на архитектуре wav2vec 2.0 с CTC-выходом и содержит около 402,7 млн параметров. В репозитории также доступны файлы языковой модели 5-граммного типа для декодирования. Модель принимает аудио и выдаёт текст; лицензия — Apache-2.0.

bartowski/NuExtract-v1.5-GGUF — это набор GGUF-квантизаций модели NuExtract-v1.5, разработанной numind и подготовленной для запуска через llama.cpp. Модель относится к классу text-generation, поддерживает мультиязычные сценарии и распространяется под лицензией MIT. Модель предназначена для задач обработки и генерации текста, включая использование в локальных приложениях и средах, совместимых с GGUF, например LM Studio. Доступны варианты от F16 размером 7,64 ГБ до компактных Q2-квантизаций размером около 1,3–1,5 ГБ, а также многочисленные промежуточные форматы. В README указан специальный формат промпта с ролями system, user и assistant. Основное преимущество набора — широкий выбор уровней квантования, позволяющий выбирать баланс между качеством, размером файла и требованиями к памяти; для ARM-процессоров предусмотрены отдельные варианты с требованиями к поддержке SVE или i8mm. Ограничения связаны с тем, что более сильное квантование снижает качество, а некоторые ARM-варианты не рекомендуются для Mac и Windows. Архитектура, число параметров, максимальный контекст и точный перечень поддерживаемых языков в README не указаны.

Это пакет слоёв GGUF для Mesh LLM, созданный Mesh LLM на основе unsloth/Ornith-1.0-35B-GGUF в варианте UD-Q4_K_XL. Он предназначен для распределённого запуска модели Ornith-1.0-35B на локальном кластере Mesh LLM: слои можно распределить между несколькими машинами, чтобы обслуживать модель, не размещая весь пакет на одном узле. Модель поддерживает диалоговую генерацию текста и может использоваться через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Пакет включает раздельные артефакты слоёв и общие файлы GGUF, в том числе эмбеддинги. Сведения об архитектуре, языках, контекстном окне и условиях лицензии следует сверять с карточкой исходной модели; README этого пакета их не приводит.

QuantFactory/Qwen2.5-7B-Instruct-Uncensored-GGUF — квантованная версия модели Orion-zhen/Qwen2.5-7B-Instruct-Uncensored, созданная QuantFactory с использованием llama.cpp. В основе лежит Qwen2.5-7B-Instruct от Qwen. Исходная модель дообучалась методами SFT и DPO на наборах данных с токсичными, нерефусальными и китайско- и англоязычными инструкциями. Модель предназначена для генерации текста, диалоговых сценариев, выполнения инструкций, ролевых взаимодействий и задач, где требуется меньше ограничений на содержание ответов. Заявлены языки zh и en. Архитектура — языковая модель Qwen2.5 с 7 миллиардами параметров; формат GGUF подходит для запуска через совместимые инструменты экосистемы llama.cpp. Точная схема квантования и размер контекстного окна в карточке не указаны. К сильным сторонам относятся сохранение исходных возможностей Qwen2.5-7B-Instruct при снижении склонности к отказам и возможность локального запуска в квантованном формате. Ограничение модели состоит в том, что даже после дообучения она может не создавать подробные описания некоторых экстремальных сценариев; кроме того, характеристики производительности зависят от конкретного варианта квантования и аппаратного обеспечения. Модель распространяется по лицензии GPL-3.0.

Qwen3.5-27B-ultra-uncensored-heretic-v2-GGUF — набор GGUF-квантизаций модели llmfan46/Qwen3.5-27B-ultra-uncensored-heretic-v2, разработанной независимым автором llmfan46 на основе Qwen/Qwen3.5-27B. Модель создана для генерации текста с существенно меньшим количеством отказов и ограничений по сравнению с исходной версией; в карточке также указан тип pipeline image-text-to-text, однако подробности о поддерживаемых визуальных сценариях не приведены. Декодирование выполнено с помощью Heretic v1.2.0 методом Arbitrary-Rank Ablation с сохранением норм строк. Изменения затрагивают компоненты attn.out_proj и attn.o_proj в слоях 17–45. Заявленный размер базовой модели — 27B параметров. По данным автора, частота отказов снизилась до 1 из 100 против 95 из 100 у оригинала, а KL-дивергенция составила 0,0600. На тесте PIQA результаты близки к исходной модели: acc 0,8112 против 0,8128 и acc_norm 0,8194 против 0,8199; это указывает на сохранение значительной части базовых способностей, хотя приведённые оценки не заменяют полноценное независимое тестирование. Основное преимущество модели — сочетание сниженного количества отказов с близостью к возможностям Qwen3.5-27B. Ограничения включают отсутствие в README сведений о конкретных GGUF-квантизациях, размере контекста, языках, точных модальных возможностях и требованиях к аппаратному обеспечению. Лицензия в карточке не указана, поэтому условия распространения и использования следует уточнять отдельно.

Репозиторий содержит веса Qwen3.8-27B в формате native 8-bit tiled, упакованные для запуска через Splash и ускорения генерации с помощью Multi-Token Prediction и speculative decoding. В README заявлены 27 млрд параметров, 64 слоя и оптимизация для Apple Silicon с Metal; состав файлов также включает черновую модель, vision-модель, токенизатор и manifest. Метаданные классифицируют модель как плотную causal language model семейства splash-packed-q8 с архитектурой Qwen38ForCausalLM и задачей text-generation. Модель предназначена для генерации текста и высокопроизводительного вывода на Apple Silicon. README сообщает о проверенной полноте файлов и приводит результаты бенчмарка для Apple M-series с 64 ГиБ памяти, но эти цифры зависят от оборудования и указанной реализации Splash. Для запуска требуется совместимая Q8-версия Metal runtime: upstream Splash 1.0, по заявлению карточки, поддерживает только форматы Q4 и не принимает этот пакет. Лицензия репозитория — Apache-2.0.

Карточка модели etiennebamas/qwen3-lr-1-e-5-neat на Hugging Face совпадает с карточкой etiennebamas/qwen3-step32k-1e5, поэтому описание составлено по ней. 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.

rwkv7-2.9B-g1 — мультиязычная плотная авторегрессионная модель семейства RWKV-7 для генерации текста и диалога. В карточке разработчиками указаны Bo Peng, Yu Zhang, Songlin Yang, Ruichong Zhang и Zhiyuan Li; проект финансировался RWKV Project при LF AI & Data Foundation. Модель дообучена на BlinkDL/rwkv7-g1 и опубликована в формате safetensors. В README указано 2,9 млрд параметров и токенизатор RWKV World со словарём из 65 536 токенов; метаданные каталога оценивают размер в 3,1 млрд параметров. Нативная длина контекста по метаданным — 2048 токенов. Модель рассчитана на многоязычную генерацию и диалог; среди языков в метаданных перечислены английский, китайский, японский, корейский, французский, арабский, испанский и португальский. Для запуска README рекомендует flash-linear-attention и transformers версии 4.48.0 или новее. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о данных дообучения, поэтому пригодность для конкретного языка и задачи следует проверять на собственных примерах.

BlossomsAI разработала Sailor2-8B-Chat-Uncensored на основе sail/Sailor2-8B-Chat: в модели применены направленные интервенции, изменяющие поведение отказа. Это плотная авторегрессионная модель семейства Qwen2 для диалогов и генерации текста; размер составляет 8 млрд параметров, контекст — до 32 768 токенов. Карточка базовой модели указывает особую ориентацию на языки Юго-Восточной Азии; метаданные этой модели отмечают английский и вьетнамский языки. Модель подходит для чат-ботов и генерации текстовых ответов. README также сообщает о квантованных вариантах в формате GGFU для экономичного развёртывания, а метаданные репозитория указывают на наличие весов safetensors. Лицензия — MIT. Изменение поведения отказа может повысить вероятность выдачи ответов на запросы, которые базовая модель отклоняла.

Stockmark-2-VL-100B-beta — мультимодальная модель компании Stockmark Inc. с 100 млрд параметров, предназначенная прежде всего для понимания японских документов и ответов на вопросы по изображениям. Она построена на архитектуре LLaVA-OneVision: использует Stockmark-2-100B-Instruct-beta как языковую основу и визуальный энкодер SigLIP2. Модель поддерживает диалоговый режим и визуальное рассуждение с цепочкой мыслей. Модель рассчитана на чтение документов, деловых слайдов и диаграмм, а также на задачи визуальных вопросов и ответов общего назначения. В оценках авторов она показала высокие результаты на японских бенчмарках понимания документов и VQA. Карточка перечисляет японский и английский языки; основная специализация — японский. Это beta-версия, которая продолжает проходить улучшения и оценивание. Она может не соблюдать требования к формату ответа и включать в него ход рассуждений; также авторы предупреждают, что модель не полностью откалибрована с точки зрения социальных норм, этики и законодательства. Репозиторий распространяется под лицензией Qwen; конкретные условия следует сверять с текстом лицензии в репозитории.

Tess-2.0-Mixtral-v0.2-GGUF — набор GGUF-квантизаций текстогенеративной модели Tess-2.0-Mixtral-v0.2, разработанной migtissera и преобразованной в квантизированный формат bartowski. Модель предназначена для генерации текста при локальном запуске через llama.cpp; в README указан рекомендуемый формат промпта с ролями SYSTEM, USER и ASSISTANT. Доступны варианты квантизации от Q8_0 до IQ1_S, различающиеся размером файлов и ожидаемым качеством. Наиболее качественными названы Q8_0 и Q6_K, а варианты Q5 и Q4 также отмечены как рекомендуемые благодаря компромиссу между качеством и требованиями к памяти. Более компактные варианты Q3, Q2 и IQ1 позволяют снизить требования к RAM или VRAM, но характеризуются заметно более низким качеством; IQ1-варианты не рекомендуются. Ключевые параметры архитектуры, число параметров, поддерживаемые языки, модальности и размер контекста в карточке не указаны. Модель распространяется по лицензии Apache-2.0. Для запуска требуется совместимое программное обеспечение, например llama.cpp, а выбор файла зависит от доступного объёма RAM и/или VRAM.

Tess-3-Llama-3.1-405B-GGUF — это квантизированная версия дообученной текстовой генеративной модели Tess-3-Llama-3.1-405B, разработанной migtissera и преобразованной в формат GGUF пользователем bartowski. Модель основана на Llama 3.1 с 405 миллиардами параметров и предназначена для генерации текста при локальном запуске через llama.cpp, в том числе в LM Studio. В README приведён формат промпта с системным сообщением, запросом пользователя и ответом ассистента. Модель доступна в вариантах квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, IQ4_XS и других, размером примерно от 95 до 436 ГБ. Более высокие разрядности обычно обеспечивают лучшее качество, но требуют значительно больше оперативной памяти; низкоразрядные варианты экономичнее, однако могут заметно уступать в качестве. Для ARM-процессоров отдельно рекомендуется вариант Q4_0_4_4. Конкретные поддерживаемые языки, размер контекста и специализированные сценарии обучения в README не указаны. Модель распространяется по лицензии llama3.1.

TigerResearch/tigerbot-13b-chat-v2 — диалоговая языковая модель TigerBot, представленная как основа для создания собственных LLM-приложений. Это плотная авторегрессионная модель семейства Llama с 13 млрд параметров; репозиторий содержит веса PyTorch. Модель предназначена для генерации текста в чате и других сценариях, где требуется продолжать текстовый диалог. README указывает на использование через infer.py из связанного GitHub-репозитория. В метаданных заявлены китайский и английский языки, а максимальный нативный контекст составляет 2048 токенов. Модель распространяется по лицензии Apache-2.0. Данных о специализированных предметных областях или дополнительных возможностях в карточке нет.

mohammadalihumayun/trocr-ur-v2 — дообученная модель распознавания текста на изображениях на урду. Она использует архитектуру vision-encoder-decoder и предназначена для OCR: на вход принимает изображение с текстом, на выходе генерирует его текстовую расшифровку. В метаданных указаны библиотека Transformers и формат весов safetensors. На тестовом наборе в README приведены значения loss 2,2939 и CER 0,2622; набор данных не описан. Модель может применяться для распознавания урду в изображениях и сканах, однако карточка не раскрывает ограничения по качеству, условиям съёмки или способам использования. Сведения о лицензии отсутствуют в предоставленных данных.

Waqf-AI разработала PaddleOCR Arabic Handwritten OCR — модель распознавания арабского рукописного текста на изображениях. Это дообученная версия PaddlePaddle/PaddleOCR-VL-1.6 на наборе khatt-augmented-arabic-20k-s3, содержащем около 20 тысяч синтетически дополненных изображений арабского рукописного текста. Модель использует архитектуру PaddleOCR-VL и поддерживает диалоговый интерфейс; веса доступны в формате Safetensors. Модель предназначена для преобразования изображений рукописных строк на арабском языке в текст. В карточке приведены результаты оценки на 200 отложенных изображениях: для исходной PaddleOCR-VL-1.6 указаны WER 0,8057 и CER 0,3690, а для дообученной версии заявлены значительные улучшения. Apache-2.0 разрешает использование и распространение модели на условиях этой лицензии. Оценка проведена на ограниченной выборке из того же набора данных, поэтому результаты могут не отражать качество на других почерках и источниках изображений.