I.6Перевод и языковая адаптация

aneforge/whisper-base.en — англоязычная модель распознавания речи семейства Whisper от OpenAI, опубликованная ANEForge для запуска через ANEForge на Apple Neural Engine. Репозиторий содержит байт-в-байт копию весов openai/whisper-base.en в формате safetensors; архитектура — плотная WhisperForConditionalGeneration, размер — 51,7 млн параметров. Модель преобразует аудио в текстовую расшифровку. Она принимает монофонический аудиосигнал с частотой 16 кГц; базовая модель предназначена для английской речи. ANEForge компилирует граф модели в программу для Apple Neural Engine и загружает веса из репозитория. Модель распространяется по лицензии Apache-2.0. README описывает её как неизменённую копию исходной модели, поэтому отдельное дообучение не подтверждается; назначение репозитория — совместимость с ANEForge. Подробности о точности и ограничениях распознавания следует смотреть в карточке исходной модели.

zeynepgulhan/whisper-medium-mediaspeech-cv-tr — дообученная модель распознавания речи на базе openai/whisper-medium, разработанная автором репозитория. Она предназначена для преобразования аудио в текст; в карточке приведены результаты оценки: loss 0,1813 и WER 9,9776. Модель содержит 455,8 млн параметров, построена на архитектуре Whisper и распространяется в формате PyTorch. Базовая Whisper-medium мультиязычная, однако язык и особенности обучающих данных этой дообученной версии не установлены: README ссылается на набор данных «None» и не раскрывает область применения. Лицензия — Apache-2.0. Оценка WER приведена без описания набора тестов и условий измерения, поэтому её нельзя напрямую переносить на другие данные.

eai6/whisper-tiny.en — дообученная модель распознавания речи на основе openai/whisper-tiny.en, созданная сообществом eai6 и обученная на наборе данных Azure-dataset. Модель использует архитектуру Whisper и содержит 29,4 млн параметров; она предназначена для преобразования английской речи в текст. Модель подходит для транскрибации аудиозаписей и распознавания речи в приложениях. В README приведены результаты оценки на тестовой выборке: loss 0,0680 и WER 44,3486. Весовые файлы доступны в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

Это GGUF-квантизированная версия текстовой генеративной модели 70B-L3.3-Cirrus-x1, разработанной Sao10K и подготовленной пользователем bartowski. Квантизация выполнена с помощью llama.cpp и метода imatrix; доступны варианты от Q8_0 до IQ2_XXS с разным соотношением качества, размера файла и требований к памяти. Модель предназначена для генерации текста и может запускаться локально через llama.cpp или LM Studio. В README приведён специальный формат промпта на основе шаблона Llama 3.3 с ролями system, user и assistant. Версия содержит около 70 миллиардов параметров, однако сведения об архитектуре, поддерживаемых языках, модальностях и максимальной длине контекста не указаны. Сильной стороной являются многочисленные варианты квантизации: Q6_K и Q5_K обозначены как высококачественные, Q4_K_M — как стандартный вариант для большинства сценариев, а более компактные Q3 и Q2 позволяют снизить требования к оперативной памяти ценой заметного ухудшения качества. Файлы могут занимать примерно от 19 до 75 ГБ, поэтому для запуска требуется мощное локальное оборудование; точные требования к аппаратному обеспечению и производительности не приведены. Модель распространяется по лицензии llama3.3.

Amadeus-Verbo-BI-Qwen-2.5-32B-PT-BR-Instruct-Experimental — языковая модель на базе Qwen2.5-32B, дообученная разработчиками Amadeus AI на 600 тысячах инструкций за два эпоха. Модель предназначена для диалоговой генерации текста и следования инструкциям на бразильском португальском языке. Это плотная Transformer-модель с архитектурой Qwen2, 32 млрд параметров по метаданным (в README указано 32,5 млрд), контекстом до 131 072 токенов и весами в формате Safetensors. Для загрузки используется библиотека Transformers; карточка также отмечает интерфейс вызова инструментов. Модель может подойти для длинных диалогов и задач, где нужен бразильский вариант португальского. Лицензия — Apache-2.0. Опубликована как экспериментальная версия; качество и пригодность для конкретных приложений следует проверять на целевых данных. Карточка не приводит подробностей о составе обучающего набора или результатах оценки.

amad-vlm5 — мультимодальная модель распознавания текста на арабском письме, разработанная компанией Amad Software Solutions из Ирака и дообученная на базе Qwen/Qwen2.5-VL-7B-Instruct. Модель принимает изображение и возвращает его текстовую транскрипцию; предназначена для печатных, рукописных, исторических, сканированных и синтетических материалов, включая книги, рукописи, формы, снимки экрана и заметки. Это плотная vision-language модель семейства Qwen2.5-VL с 7 млрд параметров. Для плотных страниц она может сначала выдавать блок рассуждений, а затем транскрипцию; в приложении следует извлекать текст после последнего маркера </think>. В карточке приведены результаты KITAB-Bench, однако часть изображений пересекается с обучающими данными, а две ошибки с повторяющимся текстом заметно ухудшают CER. Модель предназначена прежде всего для арабского текста; другие языки не оценивались. Лицензия — Apache-2.0.

Asherah — языковая модель ResplendentAI на архитектуре Mistral с 7,1 млрд параметров и контекстом до 8192 токенов. Модель создана слиянием четырёх моделей Sanji Watsuki, после чего дообучена на наборах Gnosis и Synthetic Soul. Модель предназначена для генерации текста и стандартного использования как LLM. В репозитории также есть mmproj для мультимодального использования в формате GGUF; автор рекомендует Koboldcpp. Мультимодальные возможности доступны только пользователям GGUF, а без них модель можно применять как обычную языковую модель. Доступны файлы Safetensors и GGUF F16. Лицензия — Apache-2.0. Карточка не приводит оценки качества или подробных ограничений генерации.

Baichuan-13B-sft — двуязычная инструкционно настроенная модель генерации текста на основе Baichuan-13B, опубликованная hiyouga. Это плотная авторегрессионная модель примерно на 12,9 млрд параметров, представленная в формате PyTorch и предназначенная для диалога и выполнения инструкций на китайском и английском языках. Для дообучения LoRA использовались наборы Alpaca, ShareGPT, OpenAssistant, LIMA и RefGPT; карточка приводит примеры ответов на вопросы и предлагает запуск через Transformers и LLaMA-Factory. Модель подходит для ответов на вопросы, диалоговых помощников и выполнения текстовых инструкций. Лицензия — Apache-2.0. Карточка демонстрирует отдельные фактические ошибки и ответы с вымышленными деталями, поэтому результаты по чувствительным к точности вопросам следует проверять.

Модель llm-book/bert-base-japanese-v3-jsts разработана авторами книги «大規模言語モデル入門» и представляет собой японскую модель BERT для оценки семантического сходства двух текстов. Она создана дообучением cl-tohoku/bert-base-japanese-v3 на наборе JGLUE JSTS и предназначена для сравнения предложений: модель возвращает числовую оценку сходства. Архитектура — BertForSequenceClassification, размер — 138,4 млн параметров, максимальная длина контекста — 512 токенов. Модель работает с японским текстом, использует Transformers и опубликована в формате PyTorch. Лицензия — Apache 2.0. Оценка является выходным баллом модели; README не задаёт шкалу или порог для принятия решений.

BitCPM-CANN-3B — языковая модель OpenBMB с плотной архитектурой Llama и 3,2 млрд параметров. Она предназначена для генерации текста и диалогового использования. Модель обучена с осведомлённым о квантовании обучением (QAT) и тернарными весами {-1, 0, 1}; README сообщает о сравнении с полноточной MiniCPM4-3B на 11 бенчмарках и сохранении 97,2% её результатов. В репозитории веса находятся в псевдоквантованном формате: значения весов уже тернарные, но хранятся в обычном формате с плавающей точкой. Для запуска через Transformers не требуются специальные библиотеки квантования или пользовательские ядра. Заявленное сокращение памяти при инференсе примерно в шесть раз относится к преимуществам тернарного представления; фактическая экономия зависит от способа хранения и исполнения весов. Модель поддерживает китайский и английский языки, имеет контекст длиной 32 768 токенов и распространяется по лицензии Apache-2.0. Она может быть полезна для диалогов и генерации текста с ограниченными ресурсами, но остаётся генеративной моделью: ответы могут содержать ошибки и требуют проверки. В README также указано, что меньшая версия семейства 0.5B заметнее теряет качество при тернарном обучении; это не отдельная оценка ограничений именно версии 3B.

CalmexperimentOgnoexperiment27multi_verse_model-7B — автоматически объединённая 7,1-миллиардная языковая модель, созданная Maxime Labonne на основе automerger/Ognoexperiment27Multi_verse_model-7B. В README указано слияние методом dare_ties с моделью allknowingroger/CalmExperiment-7B-slerp; метаданные классифицируют её как дообучение базовой модели automerger/Ognoexperiment27Multi_verse_model-7B. Архитектура — плотная MistralForCausalLM, файлы представлены в safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста. Лицензия Apache-2.0. Карточка не сообщает о специализации на конкретном языке или предметной области, поэтому модель можно описать как универсальную текстовую генеративную модель; её качество и ограничения в отдельных сценариях по предоставленным данным оценить нельзя.

ChatBLOOM-1B7-SFT — двуязычная диалоговая языковая модель Николаса Као, дообученная методом SFT на базе BLOOM. Модель содержит около 2,1 млрд параметров, использует архитектуру BLOOM и принимает текст для генерации ответов; длина контекста — 1024 токена. В карточке приведены примеры диалога на китайском языке, а также написания планов, рекламных текстов и писем; для английского показан пример проектирования веб-страницы. Модель предназначена для диалоговых сценариев и генерации текста на китайском и английском языках. Данные для обучения включают BelleGroup/train_1M_CN, BelleGroup/multiturn_chat_0.8M и jeffwan/sharegpt_vicuna. Авторы указывают, что использованные наборы данных, например BELLE, ограничивают применение исследовательскими целями и запрещают коммерческое и другое потенциально вредное использование; отдельная лицензия модели в предоставленных данных не приведена.

vudang449/chunkformer-large-vie — зеркало модели ASR для вьетнамской речи, основанной на ChunkFormer. Исходную модель разработал Khanh Le (khanhld); репозиторий сохраняет те же веса и предназначен, в частности, для voice-bench. Это CTC-модель с chunk-based encoder примерно на 110 млн параметров, принимающая аудио и выдающая распознанный текст. ChunkFormer поддерживает распознавание длинных записей без фиксированного ограничения на длительность декодирования. Модель предназначена для транскрибации коротких аудиоклипов и длинных записей на вьетнамском языке. В README приведены результаты на VIVOS и VietMed, а также замеры скорости на Mac Mini M4; автор отмечает, что обучающие данные включают VIVOS и размеченную часть VietMed, поэтому результаты на этих наборах не подтверждают качество на независимых данных. Лицензия CC-BY-NC-4.0 допускает использование с указанием авторства и ограничивает коммерческое применение.

deepthought-8b-llama-v0.01-alpha-GGUF — это набор GGUF-квантизаций языковой модели deepthought-8b-llama-v0.01-alpha, разработанной ruliad и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp или совместимые приложения, включая LM Studio. В README указан английский язык и формат промпта с ролями system, user и assistant. Модель относится к семейству Llama и имеет размер 8 миллиардов параметров. Доступны варианты от F32 и F16 до различных квантизаций Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, а также IQ-форматы; размер файлов составляет примерно от 4,45 до 32,13 ГБ. Квантизации выполнены с использованием imatrix и llama.cpp, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью локального вывода. Рекомендуемыми для большинства сценариев названы варианты Q4_K_M, Q5_K и Q6_K. Сильными сторонами являются возможность автономного запуска, широкий выбор уровней квантизации и поддержка различных аппаратных конфигураций, включая некоторые ARM-оптимизированные варианты. README не содержит сведений о контекстном окне, обучающих данных, точных архитектурных деталях, специализированных задачах, мультимодальности или ограничениях качества, поэтому оценивать эти характеристики нельзя. Модель распространяется по лицензии llama3.1; для отдельных вариантов указаны ограничения совместимости, например некоторые ARM-квантизации не предназначены для Mac или GPU.

MaziyarPanahi/Experiment26Yam_OgnoExperiment27 — слитая текстовая модель на базе двух моделей: automerger/Experiment26Yam-7B и automerger/OgnoExperiment27-7B. Она предназначена для генерации текста и диалогов. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

MaziyarPanahi/Experiment28T3q_Experiment27Experiment24 — объединённая модель семейства Mistral для генерации текста. Она создана слиянием моделей automerger/Experiment28T3q-7B и automerger/Experiment27Experiment24-7B; архитектура — плотная авторегрессионная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для генерации текста и поддерживает контекст до 32 768 токенов. В карточке указана лицензия Apache-2.0. README не описывает специализированные сценарии или дополнительные возможности, поэтому её следует рассматривать как текстовую генеративную модель общего назначения.

Open-Assistant Falcon 40B SFT OASST-TOP1 — языковая модель, созданная командой OpenAssistant дообучением Falcon 40B от TII на лучших демонстрациях из набора OpenAssistant Conversations (OASST1). Это причинный декодерный трансформер семейства RefinedWeb с 65 млрд параметров и контекстом 2048 токенов; репозиторий содержит веса PyTorch. Модель предназначена для диалоговых ответов и продолжения текста по запросу пользователя. Она рассчитана прежде всего на английский, немецкий, испанский и французский языки; также описаны ограниченные возможности для итальянского, португальского, польского, нидерландского, румынского, чешского и шведского. Для диалога используются специальные маркеры начала ходов пользователя и ассистента. Модель обучена примерно за 7,5 эпох с dropout в стиле LIMA и эффективным размером пакета 144. Возможности и качество на других задачах и языках могут быть ограничены; модель не следует считать специализированной системой для разметки или классификации. Лицензия — Apache 2.0.

Gemma-2-Ataraxy-v2-9B-GGUF — набор GGUF-квантизаций модели Gemma-2-Ataraxy-v2-9B, разработанной lemon07r и квантизированной bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, в том числе в LM Studio. В README указано использование mergekit, однако подробности исходного объединения моделей не приведены. Это текстовая модель размером 9B параметров в форматах от F16 до различных вариантов 2–8-битной квантизации. Доступны варианты с разным балансом между качеством, размером файла и требованиями к памяти; наиболее качественными названы F16, Q8_0 и Q6_K/Q6_K_L, а Q4-варианты предлагают более экономичный запуск. Отдельные форматы оптимизированы для ARM-процессоров и требуют поддержки соответствующих инструкций. Языки, размер контекста, мультимодальность и специализированные сценарии применения в README не указаны. Сильной стороной является широкий выбор квантизаций для локального инференса и совместимость с llama.cpp и LM Studio. При уменьшении разрядности снижаются требования к памяти, но может ухудшаться качество генерации; самые низкоразрядные варианты обозначены как низкокачественные или нежелательные. Лицензия модели в предоставленных данных не указана. Для работы следует использовать рекомендованный шаблон prompt format Gemma с маркерами ролей и начала/окончания хода.

Mungert/gemma-3-27b-it-GGUF — это квантованная GGUF-версия мультимодальной инструкционной модели Gemma 3 27B IT, разработанной Google и преобразованной в формат GGUF автором Mungert. Базовая модель указана как google/gemma-3-27b-pt. Модель предназначена для диалогового использования, генерации текста и анализа изображений через экспериментальную поддержку Gemma 3 Vision в llama.cpp. Из README известно, что модель поддерживает текст и изображения, а для работы с изображениями требуется отдельный файл mmproj. Предусмотрен запуск через llama-gemma3-cli; доступны команды загрузки изображения, очистки истории и выхода. Точные сведения о языках, размере контекста, параметрах конкретных квантованных файлов и их производительности для версии 27B в README не приведены. Описанный подход с IQ-DynamicGate относится к экспериментам на Llama-3-8B и не подтверждает характеристики данной модели. Основные преимущества — мультимодальность, возможность локального запуска и снижение требований к памяти благодаря квантованию. Ограничения включают экспериментальный статус поддержки Vision в llama.cpp, необходимость совместимого runtime и отдельного mmproj-файла, а также потенциальную потерю качества при низкобитном квантовании. Для доступа на Hugging Face требуется принять лицензию Google Gemma; в карточке указана лицензия gemma.

Карточка модели Audio8/GPA-v1.5 на Hugging Face совпадает с карточкой Edge0/GPA-v1.5, поэтому описание составлено по ней. GPA v1.5 — разработанная AutoArk-AI единая авторегрессионная аудиоязыковая модель для распознавания речи и синтеза речи. Репозиторий содержит чекпойнт для PyTorch и Hugging Face Transformers, а также поддерживает дообучение через Trainer. В метаданных указаны архитектура ArkASR, около 504,7 млн параметров, контекст 32 768 токенов и форматы PyTorch и Safetensors; базовая модель — Qwen/Qwen3-0.6B. Модель предназначена для преобразования речи в текст и генерации речи по тексту с условием на референсный голос. В README описаны сценарии локального запуска и развёртывания сервисов, а также приведены оценки ASR на англоязычном LibriSpeech и китайском AISHELL-1. Карточка заявляет поддержку английского и китайского языков. Указанная лицензия — Apache-2.0. В нативной версии GPA v1.5 преобразование голоса пока обозначено как планируемая функция, поэтому не следует считать его доступной возможностью этого чекпойнта. Для работы TTS требуются отдельные ресурсы токенизатора Spark; оптимизированные ONNX-файлы размещены в отдельном репозитории.

EleutherAI/Hermes-RWKV-v5-3B-HF — языковая модель с архитектурой RWKV-v5 Eagle, разработанная EleutherAI. Модель содержит 3,5 млрд параметров, предварительно обучена на многоязычных данных и дообучена на чат-датасете OpenHermes 2.5 от Nous Research. Модель предназначена для генерации текста и диалоговых ответов. Она принимает текст в формате Hugging Face; в шаблоне чата вместо специальных токенов используются ASCII-коды 0x16 и 0x17 для совместимости с токенизатором RWKV World. Карточка указывает английский язык, а предварительное обучение описано как многоязычное. Модель распространяется под лицензией Apache-2.0. В доступных сведениях не приведены результаты оценки качества или длина контекста, поэтому их нельзя использовать для сравнения с другими моделями.

Hviske v5 — модель распознавания датской речи, разработанная Syvai. Это плотная encoder-decoder архитектура Conformer с 2 млрд параметров, обученная примерно на 3,5 млн аудиозаписей общей длительностью около 16 тысяч часов из семи датских наборов данных. Модель принимает аудио и преобразует речь в текст; её основное назначение — транскрибация датской речи. В README приведены результаты оценки на парламентских записях, вещательных материалах и других датских речевых данных. Например, WER составил 6,4% на ftspeech и 5,7% на nota в указанной выборке. Для семейства уже доступна более новая версия v5.3, рекомендованная автором и показывающая лучшие результаты на тесте CoRal v3; v5 сохранена для воспроизводимости. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

InternVL-Chat-V1-1 — мультимодальная модель OpenGVLab для диалога по изображениям и тексту. Её архитектура объединяет визуальный энкодер InternViT-6B с разрешением 448 × 448, MLP-проектор и внутреннюю чат-версию LLaMA2-13B; общий размер составляет 19 млрд параметров. Изображение кодируется в 256 визуальных токенов после операции pixel shuffle. Модель предназначена для ответов на вопросы об изображениях, визуального диалога и распознавания текста на изображениях. В этой версии улучшены OCR и поддержка китайских разговоров; карточка также показывает поддержку многоязычности. Можно вести текстовый диалог без изображения. Модель работает через Transformers и требует значительных вычислительных ресурсов; авторы предупреждают, что 4-битная BNB-квантизация может ухудшить понимание изображений, а результаты при работе с несколькими изображениями и видео слабы из-за недостатка обучающих данных. Лицензия — MIT.

JetMoE-8B — открытая языковая модель семейства JetMoE, созданная Yikang Shen, Zhen Guo, Tianle Cai и Zengyi Qin. Она предназначена для генерации текста и может служить базой для дообучения и исследовательских экспериментов. Авторы сообщают, что модель обучена на 1,25 трлн токенов из общедоступных наборов данных. Архитектура состоит из 24 блоков, в каждом из которых есть слой смеси голов внимания (MoA) и слой смеси экспертов MLP (MoE). В каждом слое восемь экспертов, из которых для токена активируются два. README указывает 8 млрд параметров всего и 2,2 млрд активных параметров при выводе; метаданные Hugging Face указывают размер 1,6 млрд параметров. Модель принимает текст, генерирует текст и имеет контекстное окно 4096 токенов. Авторы заявляют о конкурентных результатах относительно ряда моделей большего размера и о сравнительно низкой стоимости обучения, однако приведённые в карточке таблицы неполны, поэтому независимо оценить эти сравнения по ней нельзя. Модель доступна в формате safetensors под лицензией Apache-2.0; карточка сообщает об открытом коде и обучении только на публичных данных.

Kiri OCR — компактная модель оптического распознавания текста для английских и кхмерских документов, разработанная автором библиотеки Kiri OCR. Она обнаруживает строки и слова на изображении документа и распознаёт печатный текст, в том числе смешанный английский и кхмерский. Модель содержит 7,6 млн параметров и использует CNN-основу для обработки изображения, трансформерный энкодер-декодер и CTC-голову. В декодировании сочетаются beam search, CTC и языковая модель. В README указано обучение на 12 млн синтетических изображений строк на кхмерском и английском; метаданные подтверждают форматы ONNX и safetensors. Модель рассчитана на компактное и быстрое распознавание текста. Модель распространяется по лицензии Apache-2.0. Описанные результаты тестирования относятся к синтетическим изображениям с популярными шрифтами; качество на реальных документах может отличаться.

Это GGUF-квантизация модели gpt-oss-120b-heretic-v2, разработанной kldzj и опубликованной в формате llama.cpp пользователем bartowski. Модель предназначена для генерации текста и может запускаться через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты с разными типами квантования, включая BF16 и MXFP4_MOE, а также семейство квантов GGUF с различными компромиссами между размером, скоростью и качеством. Полная версия BF16 имеет размер около 65,37 ГБ, вариант MXFP4_MOE — около 63,39 ГБ. Для квантования использовался imatrix с калибровочными наборами данных. Модель относится к семейству с заявленным размером 120B параметров и ориентирована на текстовые сценарии, включая диалоговую генерацию и выполнение инструкций. README не содержит достоверных сведений о точной архитектуре, поддерживаемых языках, максимальном размере контекста, мультимодальности или результатах специализированных бенчмарков, поэтому эти характеристики нельзя определить по предоставленным данным. Использование требует значительных вычислительных ресурсов, особенно для крупных вариантов; конкретные требования зависят от выбранного кванта и оборудования. Указанная лицензия — Apache-2.0.

Карточка модели jaspionjader/Kosmos-Elusive-8b на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-fmrazcr, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-fmrazcr — языковая модель на архитектуре Llama, созданная сообществом методом SLERP с помощью mergekit. В объединении использованы Khetterman/Kosmos-8B-v1 и DreadPoor/Elusive1.2-8B-Model_Stock; в конфигурации базовой указана Khetterman/Kosmos-8B-v1. Модель содержит около 7,5 млрд параметров и рассчитана на генерацию текста, включая диалоговые и творческие сценарии. Контекстное окно составляет 8192 токена. Модель принимает текст и выдаёт текст. Согласно описанию базовой модели, она предназначена для общения и творческих ролевых диалогов на русском и английском языках. Веса опубликованы в формате safetensors и представлены в bfloat16. Лицензия в предоставленных данных не указана.

Kunokukulemonchini-7b — плотная языковая модель на архитектуре Mistral, созданная автором репозитория как слияние SLERP моделей grimjim/kukulemon-7B и Nitral-AI/Kunocchini-7b-128k-test с помощью mergekit. Она предназначена для генерации текста и диалогового общения. Модель содержит 7,1 млрд параметров, принимает текст и имеет заявленное контекстное окно 32 768 токенов. Автор также описывает варианты квантизации EXL2 с разной точностью, включая 4,1 bpw для систем с 6 ГБ видеопамяти; в метаданных этой карточки указаны веса safetensors. В README приведены результаты оценок на нескольких тестах, включая средний балл 69,61, однако подробности таблицы доступны не полностью. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Lexora-Lite-3B_v2 — разговорная языковая модель на архитектуре Qwen2, опубликованная DeepMount00. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, работает через библиотеку Transformers и принимает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. В качестве данных для обучения указаны наборы инструкций и предпочтений на итальянском языке Sonnet-3.5-ITA-INSTRUCTION и Sonnet-3.5-ITA-DPO, что указывает на настройку для следования инструкциям и диалога. Лицензия в предоставленных данных не указана.

Llama3-13B-ku — объединённая языковая модель на архитектуре Llama, созданная сообществом mergekit с помощью метода passthrough из слоёв трёх моделей: mlabonne/Meta-Llama-3-120B-Instruct, NousResearch/Hermes-2-Pro-Llama-3-8B и shenzhi-wang/Llama3-8B-Chinese-Chat. В репозитории указано 37 млрд параметров; модель доступна в формате safetensors и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалогов. Состав базовых моделей указывает на поддержку китайского и английского языков, а также на возможности инструктивных ответов и чата. Она может применяться для диалоговых помощников, генерации ответов и общения на китайском и английском языках. Карточка не сообщает лицензию и не приводит отдельной оценки качества. Как результат слияния, поведение и совместимость могут отличаться от исходных моделей; перед использованием следует проверить ответы и требования к памяти для модели такого размера.