I.6Перевод и языковая адаптация

Это квантованная версия Qwen3-Omni-30B-A3B-Thinking, опубликованная пользователем vito95311 на Hugging Face и приписанная в карточке квантованию vito1317. В README заявлены веса INT8 с активациями FP16 и архитектура Qwen3OmniMoeForConditionalGeneration; метаданные указывают семейство Qwen3-Omni и библиотеку llama.cpp. Версия предназначена для запуска мультимодальной модели с меньшими требованиями к памяти на локальном оборудовании. README описывает настройку GPU и CPU, гибридное выполнение и ответы в режиме рассуждения; базовая модель поддерживает работу с текстом, изображениями, аудио и видео, однако каталог для этой копии подтверждает только генерацию текста. В README заявлено снижение потребления памяти примерно на 50% относительно FP16, но приведённые там цифры и показатели скорости зависят от оборудования и не сопровождаются независимой оценкой. Для применения указана лицензия Apache 2.0, при этом README отдельно оговаривает, что веса подчиняются условиям лицензии исходной модели, а калибровочные данные предназначены только для исследований и некоммерческого использования.

RWKV-7-G1k-13.3B-20260930 — официальная базовая языковая модель BlinkDL на архитектуре RWKV-7 Goose, предназначенная для генерации текста, оценки, последующего обучения и дообучения. В метаданных указано 14,6 млрд параметров; модель опубликована в формате Transformers с весами Safetensors и шаблоном для диалоговых промптов. RWKV-7 — рекуррентная архитектура без механизма внимания: её состояние имеет постоянный размер, а вычислительная работа на токен не растёт с длиной сгенерированной последовательности. Модель обучалась на веб-текстах, коде, синтетических данных, инструкциях, диалогах и материалах для рассуждений. Заявлена поддержка английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Это базовая, а не выровненная по безопасности ассистентская модель: качество следования инструкциям и поведение зависят от промпта и последующего обучения. Указаны ограничения для спекулятивного декодирования с откатом рекуррентного кэша; ускоренный запуск зависит от GPU, типа данных и размеров входа. Модель распространяется по лицензии Apache-2.0.

sat-6l — модель сегментации текста на предложения из семейства Segment Any Text, разработанная для библиотеки wtpsplit. Она определяет границы предложений и подходит для автоматического разбиения сплошного текста на фрагменты перед дальнейшей обработкой. Модель использует архитектуру SubwordXLMForTokenClassification с шестью слоями Transformer; размер — 248,6 млн параметров, длина контекста — 514 токенов. Доступны веса PyTorch и ONNX. Модель предназначена для многоязычной сегментации текста. Метаданные перечисляют поддержку ряда языков, включая английский, немецкий, французский, испанский, арабский, хинди и японский. Лицензия — MIT. Карточка связывает модель с исследовательской работой Segment Any Text.

Spaetzle-v65-7b — текстовая диалоговая модель на архитектуре Mistral с 7,1 млрд параметров, созданная cstr как слияние моделей методом DARE-TIES с помощью LazyMergekit. В конфигурации указаны Spaetzle-v62-7b и yleo/EmertonMonarch-7B; метаданные каталога связывают модель с yleo/EmertonMonarch-7B, поэтому точный состав слияния в источниках описан неодинаково. Модель предназначена для генерации текста в диалоге и ответов на запросы. Она принимает текст и выдаёт текст, использует формат чата и имеет контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель опубликована по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Качество и конкретные сильные стороны в карточке не оценены; как модель-генератор она может выдавать неточные или нежелательные ответы.

Многоязычная модель распознавания именованных сущностей на базе SpanMarker и энкодера xlm-roberta-base. Её разработчик обучил модель на наборе данных MultiNERD; она размечает сущности в тексте, включая людей, организации и места. В README приведены результаты оценки: F1 91,31 по всем языкам, 94,55 для английского и 93,77 для немецкого. Модель предназначена для извлечения сущностей из многоязычных текстов. Автор предупреждает о существенных ограничениях токенизации и рекомендует вместо неё более новую tomaarsen/span-marker-mbert-base-multinerd. Лицензия CC-BY-NC-SA-4.0 разрешает использование на условиях указания авторства и распространения производных материалов на тех же условиях, но некоммерчески.

Это квантизированная в формате NVFP4 GGUF версия Swift-Qwen3.8-27B-Genesis, подготовленная jan1k на основе весов LuffyTheFox/Swift-Qwen3.8-27B-Genesis-F16-GGUF. Модель использует архитектуру qwen35: 64 слоя, включая 48 Gated DeltaNet и 16 gated-attention, а также блок MTP для спекулятивного декодирования. Вариант v4 содержит 27 млрд параметров по названию модели и занимает около 15,76 ГБ; для совместимых мультимодальных запросов README показывает подключение отдельного mmproj-файла. Модель предназначена для генерации текста в формате чата и локального инференса через совместимые GGUF-рантаймы, включая llama.cpp и LM Studio. В README приведены настройки контекста до 131072 токенов и ускорение на видеокартах Blackwell; на Ampere используются резервные вычислительные ядра. Квантизация снижает требования к памяти, сохраняя большую часть весов в NVFP4 и отдельные чувствительные тензоры в F16 или F32. Репозиторий распространяется по лицензии Apache-2.0. Качество генерации после низкобитной квантизации может отличаться от исходного F16; для спекулятивного декодирования нужен runtime с FastMTP, а для вариантов без MTP оно не требуется. README описывает подключение проектора изображений, но отдельный vision-проектор в репозитории модели не заявлен.

Ternary-Bonsai-4B-gguf — языковая модель для генерации текста, разработанная Prism ML. Она основана на Qwen3-4B и распространяется в формате GGUF Q2_0 для запуска через llama.cpp, включая локальное и on-device использование на CPU и GPU. Модель содержит около 4 млрд параметров, из которых примерно 3,6 млрд не относятся к эмбеддингам. Архитектура включает 36 блоков Transformer-декодера, GQA с 32 query- и 8 KV-головами, SwiGLU, RoPE и RMSNorm. Контекст составляет 32 768 токенов, размер словаря — 151 936. Веса представлены в троичном виде {-1, 0, +1} с групповым масштабированием FP16; размер рекомендуемого файла Q2_0 составляет около 1,02 ГБ, что примерно в 7,3 раза меньше FP16-версии. Сильные стороны модели — существенно сниженные требования к памяти, эффективный запуск на совместимом оборудовании и практически без потерь относительно FP16-базиса для троичных весов. В опубликованных тестах она набрала средний результат 70,7 балла, однако уступила полноразмерной Qwen3-4B по большинству приведённых метрик. Для поддержки формата Q2_0 требуется форк llama.cpp от Prism ML с веткой prism, поскольку эта возможность ещё не входит в основную версию проекта. Модель распространяется по лицензии Apache 2.0; поддерживаемые языки в README не указаны.

Tess-3-Llama-3.1-70B-GGUF — набор квантизированных версий текстовой генеративной модели Tess-3-Llama-3.1-70B, разработанной migtissera. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска задач генерации текста, включая диалоговое взаимодействие и другие сценарии, поддерживаемые исходной моделью. Модель имеет размер 70B параметров и распространяется в формате GGUF с вариантами квантизации от Q8_0 до IQ1_M. Доступны версии размером примерно от 16,75 до 74,98 ГБ; наиболее сбалансированными по качеству и размеру в README названы Q6_K, Q5_K_M, Q4_K_M, Q4_K_S и IQ4_XS. Для работы рекомендуется формат prompt, совместимый с Llama 3.1, а запуск возможен, в частности, через LM Studio и llama.cpp. Сведения о поддерживаемых языках, длине контекста и мультимодальности не указаны. Главное преимущество набора — широкий выбор квантизаций, позволяющий адаптировать модель к доступному объёму памяти при сохранении приемлемого качества; высокоточные варианты обеспечивают качество, близкое к исходному. Ограничения связаны с большими требованиями к дисковому пространству и памяти, а у низкобитных версий качество заметно снижается. Модель распространяется по лицензии llama3.1.

Это 4-битная GPTQ-квантизованная версия модели TinyLlama/TinyLlama-1.1B-Chat-v1.0. В README указано, что квантизация выполнена с использованием AutoGPTQ, а формат контрольной точки — Marlin. Разработчик исходной модели отдельно не указан; идентификатор и README позволяют определить её как чат-модель семейства TinyLlama с размером около 1,1 млрд параметров. Модель предназначена для диалоговых и других текстовых сценариев, где важны сниженные требования к памяти и вычислительным ресурсам. Конфигурация использует 4-битное симметричное квантование GPTQ с group_size 128 и параметром desc_act, установленным в false. Квантизация может упростить локальный запуск и ускорить выполнение на совместимом оборудовании, однако потенциально снижает точность по сравнению с полноразмерной версией. Мультимодальность, поддерживаемые языки, размер контекстного окна и точные архитектурные характеристики в README не указаны. Лицензия обозначена как unknown.

team-lucid/trocr-small-korean — корейская модель распознавания текста на изображениях семейства TrOCR, разработанная на архитектуре VisionEncoderDecoder. Она состоит из визуального трансформерного энкодера, инициализированного весами DeiT, и текстового трансформерного декодера с собственными весами RoBERTa. Модель обучалась на 6 млн синтетических изображений, созданных с помощью SynthTiger, при поддержке Google TPU Research Cloud. Модель предназначена для извлечения текста из изображений, прежде всего для распознавания корейского текста. Может применяться для оцифровки изображений с текстом и распознавания строк. Репозиторий содержит веса PyTorch, Flax и Safetensors. Лицензия — Apache 2.0.

Это набор GGUF-квантизованных файлов модели varox34/Llama-3-Mistral-v0.2-Instruct-slerp, подготовленный организацией featherless-ai-quants. Модель предназначена для генерации текста и инструкционного взаимодействия, включая запуск локально или в совместимых средах инференса, поддерживающих формат GGUF. README не содержит сведений о точной архитектуре, числе параметров, языках, размере контекста или мультимодальности. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 2,6 до 7,35 ГБ. Разные варианты позволяют выбирать компромисс между размером файла, требованиями к ресурсам и потенциальным качеством генерации, однако конкретные характеристики производительности в README не приведены. Сильная сторона набора — широкий выбор степеней квантизации и совместимость с экосистемой GGUF. Ограничения и условия лицензирования исходной модели или квантизованных файлов в README не указаны, поэтому перед использованием необходимо проверить лицензию базовой модели отдельно.

VibeVoice-ASR-Streaming-7B — потоковая модель распознавания речи семейства VibeVoice, представленная в карточке как модель для транскрибации с указанием говорящего. Она обрабатывает поступающую речь и связывает распознанный текст с тем, кто его произнёс; пользовательские горячие слова помогают распознавать имена и специальные термины. Модель поддерживает китайский, английский, французский, немецкий, итальянский, японский, корейский, португальский, русский и испанский языки. В метаданных указаны архитектура VibeVoice, класс VibeVoiceForASRStreamingTraining, библиотека Transformers и формат safetensors. Размер 7B следует из названия модели. Лицензия — MIT. Карточка направляет к репозиторию microsoft/VibeVoice за кодом и инструкциями по использованию. Подробные сведения о контекстном окне, качестве распознавания и ограничениях в предоставленных материалах отсутствуют.

RuudVelo разработал модель автоматического распознавания речи на базе архитектуры wav2vec2. Это дообученная на Common Voice версия facebook/wav2vec2-xls-r-300m с 402,7 млн параметров. Модель принимает аудио и преобразует речь в текст; карточка указывает нидерландский язык. На тестовой выборке Common Voice указаны loss 0,3923 и WER 0,1748. Модель опубликована в формате PyTorch под лицензией Apache-2.0. В карточке нет подробных сведений о сценариях использования и ограничениях распознавания.

Модель anton-l/xtreme_s_xlsr_300m_fleurs_langid_quicker_warmup — дообученная на наборе XTREME-S модель классификации аудио на базе facebook/wav2vec2-xls-r-300m. Она предназначена для определения языка по аудиозаписи. В метаданных указаны архитектура Wav2Vec2ForSequenceClassification и 402,7 млн параметров; репозиторий содержит веса PyTorch. Модель опубликована под лицензией Apache-2.0. В README приведён результат оценки на тестовой выборке: точность 0,6199 при значении функции потерь 1,9765. Описание модели, обучающих данных и ограничений в карточке не раскрыто, поэтому её качество на других данных и набор поддерживаемых языков по имеющимся сведениям установить нельзя.

Yiet-9B — объединённая языковая чат-модель от nbeerbower, созданная методом Model Stock с помощью mergekit на базе nbeerbower/yi-gutenberg-9B. В слияние вошли девять моделей семейства Yi-9B, включая варианты для диалога, следования инструкциям и предпочтений. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 8,6 млрд параметров; репозиторий предоставляет веса в формате safetensors с точностью bfloat16. Модель предназначена для генерации текста и диалогового использования. Её можно применять для ответов на вопросы, выполнения текстовых инструкций и создания связных текстов. Метаданные описывают базовое семейство как двуязычное, ориентированное на английский и китайский языки; контекст составляет 4096 токенов. README не приводит оценок качества или результатов сравнительных испытаний, поэтому пригодность для конкретных задач следует проверять отдельно. Модель опубликована на Hugging Face; сведения о лицензии в предоставленных данных отсутствуют.

Asur4N/Apodex-1.0-mini-mlx-fp16 — конвертированная в формат MLX версия диалоговой модели apodex/Apodex-1.0-mini. README указывает, что конверсия выполнена с помощью mlx-lm 0.31.2; метаданные описывают модель как дообученную на базе Qwen3.5-35B-A3B модель семейства Qwen 3.5 MoE с поддержкой чата и генерации текста. Она предназначена для диалоговой генерации, глубокого исследования, поиска информации и работы с инструментами. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель ориентирована на английский и китайский языки. Данных о размере этой версии и длине контекста в предоставленных источниках нет. MLX-конверсия рассчитана на запуск в экосистеме MLX; доступные материалы не приводят результатов оценки качества или дополнительных ограничений.

Arabic-GLM-OCR-v1 — дообученная модель распознавания текста на изображениях, созданная на основе GLM-OCR. Она предназначена для извлечения печатного и рукописного арабского текста из структурированных и частично структурированных документов. Модель принимает изображение с текстовой инструкцией и выдаёт распознанный текст; заявлены аккуратное восстановление арабского текста, сохранение пунктуации, пробелов и форматирования. Модель использует мультимодальную архитектуру GLM-OCR и распространяется в формате safetensors. В README заявлены оптимизация для применения в производственных сценариях и обучение с учителем, однако приведённые материалы не содержат независимых оценок качества. Лицензия — Apache 2.0.

Baichuan-M2-32B-GGUF — это набор квантизированных и полноразмерных BF16-весов модели Baichuan-M2-32B, разработанной baichuan-inc и преобразованной в формат GGUF пользователем bartowski. Квантизация выполнена с использованием llama.cpp версии b6115 и метода imatrix; доступны варианты от BF16 и Q8_0 до Q3 и IQ3/IQ4 с различным соотношением качества, размера и требований к памяти. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В README не указаны архитектурные детали, поддерживаемые языки, контекстное окно, мультимодальность или рекомендуемый prompt format, поэтому эти характеристики нельзя достоверно определить по представленным данным. Доступны файлы размером примерно от 13,7 до 65,5 ГБ; варианты Q6_K и Q6_K_L отмечены как обеспечивающие почти максимальное качество, а Q4_K_M — как компромиссный вариант для большинства сценариев. Основные преимущества — широкий выбор уровней квантизации, возможность локального использования и применение imatrix для сохранения качества при уменьшении размера. Более компактные варианты требуют меньше оперативной памяти, но могут заметно уступать в качестве; низкобитные версии Q3 и IQ3 имеют ограничения и не всегда рекомендуются. Лицензия в README не указана, поэтому условия использования необходимо уточнять на странице исходной модели baichuan-inc/Baichuan-M2-32B.

Berry-Spark-7B — объединённая языковая модель на архитектуре Qwen2, созданная сообществом mergekit-community методом SLERP из Arcee-Spark и Very_Berry_Qwen2_7B. Модель содержит 6,1 млрд параметров, работает с текстом и предназначена для генерации текста и диалогов; каталог также отмечает поддержку чата. Контекстное окно составляет 32 768 токенов. Модель можно использовать для диалоговых помощников, ответов на вопросы и генерации связного текста. Arcee-Spark описана в каталоге как компактная многоязычная модель, также способная помогать с программированием, однако README Berry-Spark не приводит отдельные оценки или гарантии качества этих сценариев. Модель распространяется в формате Safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Это пакет слоёв GGUF модели Devstral-Small-2-24B-Instruct-2512 в варианте UD-Q4_K_XL, подготовленный Mesh LLM для распределённого запуска. Пакет создан на основе unsloth/Devstral-Small-2-24B-Instruct-2512-GGUF и распределяет исходную модель по артефактам слоёв для работы на нескольких машинах. Модель предназначена для локального приватного чата и генерации текста через Mesh LLM, в том числе на кластере, когда модель целиком не помещается на одном компьютере. Mesh LLM предоставляет локальный API, совместимый с OpenAI Chat Completions. Репозиторий содержит вариант квантования GGUF UD-Q4_K_XL; архитектура, число параметров, контекст и лицензия здесь не описаны. Для этих сведений следует обращаться к карточке исходной модели.

Это веса Distil-Large-v3.5, преобразованные в формат CTranslate2 для быстрого инференса через Faster-Whisper. Репозиторий подготовлен для использования с бэкендом CTranslate2; модель предназначена для автоматического распознавания речи по аудио. Карточка описывает конверсию весов, а не отдельное дообучение. Указана лицензия MIT. Подробности об архитектуре, размере, контексте и ограничениях исходной модели в этой карточке не приведены.

EVA-LLaMA-3.33-70B-v0.0-GGUF — это квантизированная версия большой языковой модели EVA-LLaMA-3.33-70B-v0.0, разработанной EVA-UNIT-01 и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, в том числе в LM Studio. В README указано использование наборов данных для инструкционного обучения, письма, ролевого взаимодействия и генерации структурированных ответов. Модель содержит 70B параметров и относится к семейству LLaMA; точная архитектура, поддерживаемые языки и размер контекстного окна в предоставленных данных не указаны. Доступны варианты квантизации от Q8_0 до Q3 и IQ3, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Наиболее качественными считаются Q8_0 и Q6_K, а Q4_K_M, Q4_K_S и IQ4_XS предназначены для более сбалансированного локального использования. Некоторые варианты оптимизированы для ARM или AVX и имеют ограничения по совместимости с устройствами Apple. Сильными сторонами являются большой размер модели, ориентация на качественную генерацию текста и широкий выбор уровней квантизации. Ограничения включают значительные требования к оперативной памяти: размер файлов составляет примерно от 27 до 75 ГБ, а снижение разрядности может ухудшать качество. Модель предназначена для текстовых задач; сведения о мультимодальности, результатах оценивания и конкретных ограничениях безопасности отсутствуют. Лицензия указана как eva-llama3.3 с типом other; дополнительные условия в README не приведены.

Experiment28M7_Experiment24Shadow — слитая языковая модель семейства Mistral, объединяющая модели automerger/Experiment28M7-7B и automerger/Experiment24Shadow-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста по текстовым запросам; заявленная длина контекста — до 32 768 токенов. Модель подходит для диалогов, черновиков и продолжения текста, а также для других задач генерации на основе текстового контекста. Веса опубликованы в формате safetensors, лицензия — Apache 2.0. В карточке нет подробных оценок качества или сведений о специализированной настройке модели.

Experiment28M7_ShadowMeliodas — объединённая модель на базе архитектуры Mistral, созданная из automerger/Experiment28M7-7B и automerger/ShadowMeliodas-7B. Она предназначена для генерации текста и диалогов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/Experiment28M7_T3qm7xExperiment26 — объединённая методом SLERP модель семейства Mistral для генерации текста. Она создана на основе automerger/Experiment28M7-7B и automerger/T3qm7xExperiment26-7B и содержит 7,1 млрд параметров. Модель принимает текстовые запросы и генерирует текст; контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Карточка не уточняет специализацию по языкам или прикладным областям. Лицензия — Apache-2.0.

silvainrichou/gemma-3b-002 — текстовая генеративная модель на архитектуре Gemma, опубликованная пользователем silvainrichou. Карточка описывает семейство Gemma от Google: компактные декодерные языковые модели, созданные на основе технологий, использованных для Gemini. В репозитории указаны 3,2 млрд параметров, формат Safetensors и контекст до 8192 токенов; модель предназначена для общения и генерации текста. Модель подходит для ответов на вопросы, суммаризации, диалоговых интерфейсов, черновиков текстов и языковых учебных инструментов. README указывает английский как язык семейства. Компактный размер позволяет запускать такие модели на локальных компьютерах или в облачной инфраструктуре с ограниченными ресурсами. Как и другие языковые модели, Gemma может ошибаться в фактах, испытывать трудности со сложными инструкциями, нюансами языка и здравым смыслом, а также воспроизводить смещения из обучающих данных. В метаданных лицензия обозначена как other; конкретные условия следует проверять в лицензии репозитория и правилах использования Gemma.

Gemma-4-E4B-Uncensored-HauhauCS-Aggressive — мультимодальная модель в формате GGUF, созданная HauhauCS на базе Google Gemma 4 E4B IT. Модель ориентирована на работу с текстом, изображениями, видео и аудио, а также на сценарии локального запуска через llama.cpp, LM Studio, Jan, koboldcpp и другие совместимые среды. Версия Aggressive модифицирована для минимизации отказов в ответах, поэтому подходит для задач, где требуется менее ограниченное следование запросам, однако может генерировать потенциально нежелательный или небезопасный контент. Модель содержит около 4 млрд параметров, включает 42 слоя со смешанной архитектурой sliding window attention с окном 512 и full attention, поддерживает контекст до 131 000 токенов и использует 18 общих KV-слоёв для снижения требований к памяти. Для мультимодальной работы требуется отдельный файл mmproj. Доступны варианты квантования от Q2 до Q8, включая оптимизированные HauhauCS K_P-кванты; размер файлов составляет примерно от 4,2 до 7,6 ГБ, не считая mmproj размером около 945 МБ. Сильными сторонами являются мультимодальность, большой контекст, возможность локального запуска и широкий выбор квантований. Ограничения включают отсутствие полноценной проверки поведения на длинном контексте, возможные редкие пограничные случаи и снижение качества при использовании более агрессивного квантования. Для llama.cpp рекомендуется включать параметр --jinja, а для изображений и аудио подключать mmproj. В README указана лицензия Gemma.

MaziyarPanahi/gemma-7b-it-GGUF — это набор файлов модели в формате GGUF для Gemma 7B Instruction Tuned, разработанной Google. Автором исходной модели указана Google, а конвертацию и квантованные варианты подготовил MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев. Модель имеет около 7 миллиардов параметров и поставляется в нескольких вариантах квантования: от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K. GGUF ориентирован на локальный запуск через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Квантование позволяет выбирать компромисс между размером файла, требованиями к памяти и качеством генерации. Сильными сторонами являются наличие разных уровней квантования и широкая совместимость с инструментами локального вывода. В README не указаны поддерживаемые языки, размер контекстного окна, точные характеристики архитектуры, результаты оценки качества или конкретные ограничения модели. Лицензия обозначена как other, но её условия в предоставленных данных не раскрыты.

Gunulhona/Gemma-System-9B — объединённая методом Model Stock модель генерации текста на базе Gemma 2 9B, созданная автором с помощью mergekit. В качестве базовой модели при слиянии использована Gunulhona/Gemma-Ko-Merge; также объединены чекпойнты SimPO и DPO, а также модели для корейского, болгарского, турецкого и художественного диалогового текста. Модель предназначена для генерации текста и диалогового общения. Она имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров, работает с текстом и поддерживает контекст длиной до 8192 токенов. Репозиторий содержит веса safetensors и использует библиотеку Transformers. В карточке не приведены сведения о лицензии и конкретных ограничениях качества или применения. Для условий использования следует учитывать лицензии исходных моделей, вошедших в слияние.

Sahajtomar/German-semantic — модель семейства BERT на базе Sentence Transformers, предназначенная для сравнения смысловой близости предложений на немецком языке. README приводит результаты на немецком наборе STS: 87,9% на dev и 84,3% на test. Модель преобразует предложения в плотные векторные представления, которые подходят для вычисления семантического сходства и поиска похожих фраз. В метаданных указаны форматы PyTorch и поддержка задач sentence-similarity и feature-extraction. Лицензия в предоставленных данных не указана.