I.6Перевод и языковая адаптация

mlx-community/MiniMax-M2.1-4bit — это квантованная 4-битная версия модели MiniMax-M2.1, разработанная сообществом mlx-community и преобразованная из исходной модели MiniMaxAI/MiniMax-M2.1 в формат MLX с использованием mlx-lm 0.29.1. Модель предназначена для генерации текста и локального запуска в экосистеме MLX, например через библиотеку mlx-lm с поддержкой chat template. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках, длине контекста или мультимодальных возможностях. Ключевое преимущество версии — 4-битное представление, потенциально снижающее требования к памяти при запуске, однако характеристики качества и совместимости относительно исходной модели не указаны. Модель распространяется по лицензии modified MIT; подробные условия доступны по ссылке на лицензию MiniMax-M2.1.

Ministral-8B-Instruct-2410-HF-GGUF-TEST — набор GGUF-квантизаций инструкционной модели Ministral-8B-Instruct-2410-HF, опубликованный bartowski и созданный с использованием llama.cpp. Исходная модель указана как prince-canuma/Ministral-8B-Instruct-2410-HF. Модель предназначена для генерации текста и диалоговых сценариев; запуск рекомендован через LM Studio или совместимые реализации llama.cpp с форматом запроса «<s> [INST] {prompt}[/INST] </s>». Архитектура, языки, модальности и размер контекста в README не указаны. Доступны варианты от полноточного F16 размером 16,05 ГБ до квантизаций IQ3_M размером 3,79 ГБ, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и другие форматы. Квантизации выполнены с использованием imatrix; варианты Q5–Q6 и некоторые Q4 отмечены как обеспечивающие высокое или хорошее качество при уменьшенном размере. Отдельные варианты оптимизированы для ARM и требуют поддержки sve или i8mm; они не рекомендуются для Mac и Windows. Существенное ограничение состоит в том, что файлы основаны на непроверенной конвертации, выполненной до завершения поддержки модели в llama.cpp, поэтому возможны проблемы при запуске. Лицензия в README не указана.

filipealmeida/Mistral-7B-v0.1-sharded — шардированная версия предварительно обученной языковой модели Mistral-7B-v0.1, разработанной командой Mistral AI. Разбиение весов на шарды позволяет загружать модель при ограниченной памяти CPU. Модель содержит 7,1 млрд параметров и построена на архитектуре Transformer с Grouped-Query Attention, Sliding-Window Attention и токенизатором byte-fallback BPE; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу и может служить базой для приложений на основе языковой модели. Это предварительно обученная модель, а не специализированный чат-ассистент. Репозиторий содержит веса в формате PyTorch. Лицензия — Apache-2.0. README сообщает о результатах сравнений с Llama 2 13B, однако конкретные условия и метрики здесь не приведены.

Модель Vkt/model-960hfacebook-2022.06.08 — версия Wav2Vec2, дообученная на наборе Common Voice на базе facebook/wav2vec2-large-960h-lv60-self. Она предназначена для автоматического распознавания речи: принимает аудио и преобразует его в текст. В карточке приведены результаты на оценочном наборе: loss 0,2907 и WER 0,1804. Модель содержит 402,7 млн параметров и распространяется в формате PyTorch. Лицензия — Apache-2.0. Карточка не уточняет языки распознавания и практические ограничения модели.

zelk12/MT3-Gen4-MU-gemma-2-Sv1IBT-9B — объединённая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из gmonsoon/SahabatAI-Lion-9B-TIES-v1 и recoilme/recoilme-gemma-2-9B-v0.3. Модель содержит 9 млрд параметров, распространяется в формате safetensors и рассчитана на генерацию текста и диалоговое взаимодействие; заявленное родное контекстное окно — 8192 токена. Её можно использовать для ответов в чате и генерации текста по запросу. Описание базовой модели указывает на ориентацию семейства на языки Юго-Восточной Азии и английский; конкретный перечень языков для этой объединённой модели не приведён. Лицензия в доступных данных не указана.

roky-dev/my-custom-llama-3.2-1b-merged — языковая модель, полученная разработчиком путём слияния моделей семейства Llama 3.2 с помощью mergekit и метода DARE TIES. В качестве базовой использована meta-llama/Llama-3.2-1B-Instruct; в слияние также вошли unsloth/Llama-3.2-1B-Instruct и meta-llama/Llama-3.2-1B. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 1,2 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогового использования. Её можно применять для ответов на вопросы, суммаризации и помощи в написании текста. Поддерживаемый контекст — до 131 072 токенов. Модель унаследовала многоязычную направленность базовой модели; конкретные языки карточка не перечисляет. Это компактная объединённая модель, поэтому качество ответов и следование инструкциям могут отличаться от исходных моделей и зависят от сценария. Лицензия в предоставленных данных не указана.

NeuralsirkrishnaShadow_Experiment28Experiment24 — объединённая языковая модель MaziyarPanahi, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment28Experiment24-7B. Она предназначена для генерации текста и может использоваться в приложениях, где требуется продолжение или создание текста по запросу. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors. Модель распространяется по лицензии Apache-2.0.

Nexim-7b — объединённая языковая модель, опубликованная пользователем gate369. Она создана методом SLERP с помощью mergekit из liminerity/m3 и liminerity/M7-7b; базовая модель в конфигурации — liminerity/m3. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и решения языковых задач общего назначения. Её можно применять для диалогов, написания черновиков и ответов на вопросы. Контекстное окно составляет 32 768 токенов. Карточка приводит результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Весы опубликованы в формате safetensors, лицензия — Apache-2.0. Данных о языковой специализации и ограничениях качества в карточке нет; результаты бенчмарков сами по себе не гарантируют качество в конкретном сценарии.

Oracle-LLaMa-70B — экспериментальное слияние пяти языковых моделей семейства Llama, опубликованное TareksGraveyard. Автор использовал метод Model Stock из mergekit, взяв nbeerbower/Llama-3.1-Nemotron-lorablated-70B за основу и добавив EVA-LLaMA-3.33-70B, Cirrus-x1, Euryale-v2.3, Anubis-70B-v1 и Negative_LLAMA_70B. Модель содержит 69,5 млрд параметров, построена на плотной архитектуре Llama и распространяется в формате Safetensors через Transformers. Модель предназначена для генерации текста и диалогового общения; заявленная длина контекста — 131 072 токена. Карточка описывает её как один из экспериментов автора по слиянию моделей и оценивает результат как достойный, без конкретных бенчмарков или гарантий качества. Указана лицензия llama3.3; следует учитывать условия лицензий исходных компонентов слияния.

google/paligemma-3b-ft-ocrvqa-224 — разработанная Google дообученная модель PaliGemma для визуальных вопросов и ответов, связанных с чтением текста на изображениях (OCRVQA). Это компактная модель зрения и языка на 3 млрд параметров с разрешением изображения 224 пикселя: она принимает изображение и текстовый запрос и генерирует текстовый ответ. Архитектура объединяет визуальную модель SigLIP и языковую модель Gemma; для работы предусмотрена библиотека Transformers. Модель предназначена для одношагового распознавания текста на изображениях и ответов на вопросы по их содержимому. Она не рассчитана на многоходовый диалог и лучше подходит для конкретных задач с ясными инструкциями, чем для открытого общения. Лицензия — Gemma. Ответы могут содержать фактические ошибки; модель может испытывать трудности с неоднозначными или сложными запросами и унаследовать смещения из обучающих данных. Для критичных сценариев ответы следует проверять.

Это GGUF-квантизированная версия языковой модели r1-1776, разработанной Perplexity AI и подготовленной пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на его основе. README не содержит подробностей о базовой архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Доступны варианты квантизации от Q8_0 до IQ1_M с размером файлов примерно от 174 до 713 ГБ; файлы могут быть разделены на несколько частей. Более высокие уровни квантизации обычно обеспечивают лучшее качество, но требуют больше памяти, тогда как низкие уменьшают требования к ресурсам за счёт качества. Для квантизации использовалась llama.cpp версии b4738 и метод imatrix. Указан формат промпта со специальными токенами r1-1776. Сильной стороной сборки является возможность запуска крупной модели локально в экосистеме llama.cpp при выборе подходящего компромисса между качеством и объёмом памяти. Ограничениями являются очень большие требования к дисковому пространству и оперативной или видеопамяти, а также снижение качества у низкобитных вариантов. Лицензия указана как MIT; сведения об условиях использования исходной модели в README не приведены.

PP-OCRv5_mobile_det — модель обнаружения текста из семейства PP-OCRv5_det, разработанная командой PaddleOCR. Она предназначена для эффективного и точного определения текстовых областей на изображениях в системах OCR и анализа документов, включая распознавание текста на сценах и номерных знаках. Модель поддерживает различные сценарии и формы текста: рукописный, вертикальный, повернутый и изогнутый текст, сложные макеты, разные размеры символов и неоднородный фон. В README указана поддержка упрощённого и традиционного китайского, английского и японского языков. Для запуска доступен формат ONNX через движок ONNX Runtime; модель можно использовать из PaddleOCR через CLI или Python API. Размер модели и точная архитектура не указаны. Среднее значение приведённых метрик составляет 0,770; сильными сторонами являются универсальность для разнообразных текстовых сценариев и сочетание эффективности с точностью. Показатели различаются в зависимости от типа данных: наиболее высокие значения указаны для печатного английского и китайского текста, а более низкие — для художественного текста, пиньиня и древних текстов. Модель распространяется по лицензии Apache-2.0.

Qwen3-30B-A1.5B-High-Speed — текстовая MoE-модель, которую DavidAU дообучил на основе Qwen/Qwen3-30B-A3B-Base. Вариант использует четыре эксперта из 128 вместо восьми, что, по заявлению автора, примерно вдвое повышает скорость генерации; README сообщает об использовании 1,5 млрд активных параметров из 30 млрд, тогда как метаданные указывают 2,6 млрд параметров. Модель предназначена для диалогов и генерации текста, а также поддерживает интерфейс вызова инструментов. Автор сообщает о контексте 32K токенов и дополнительных 8K для вывода; метаданные каталога указывают нативное окно в 40 960 токенов. Репозиторий содержит веса SafeTensors для использования через Transformers и как исходник для создания квантованных вариантов. Автор приводит примеры прироста скорости на CPU и GPU, но отмечает, что тестирование качества было ограниченным и более сложные задачи могут лучше работать на обычном варианте или версии с большим числом активных экспертов. Для запуска предлагается использовать шаблон Jinja или ChatML. Модель многоязычная, но конкретные языки в карточке не перечислены. Лицензия в предоставленных данных не указана.

Qwen3.8-27B-Abliterated-GGUF — это квантизированная GGUF-сборка модели windowsxp811203/Qwen3.8-27B-Abliterated, основанной на Qwen/Qwen3.8-27B. Модель предназначена для локального запуска через llama.cpp и ориентирована на генерацию текста без стандартных отказов по запросам, связанных с удалённым механизмом отказа. В поставку включены MTP draft head для speculative decoding и vision projector для обработки изображений. Доступны варианты квантизации от IQ4_XS размером 15,3 ГБ до Q8_0 размером 29 ГБ; для видеокарт с 24 ГБ памяти рекомендуется Q4_K_M размером 16,8 ГБ. Поддерживаются текстовая и визуальная модальности, английский и китайский языки, режим рассуждений, контекст до 256K токенов в пределах заявленного максимума, а также MTP-ускорение без отдельной draft-модели. Проверки показывают близкое к BF16 качество на perplexity-тестах, работоспособность обработки изображений и извлечения данных из длинного контекста, однако результаты за пределами 256K являются экстраполяцией. Ключевое преимущество модели — практически полное отсутствие отказов на наборах AdvBench и HarmBench safety categories даже в 4-битных вариантах, что делает её подходящей для исследовательских, экспериментальных и локальных сценариев, где требуется более свободная генерация. Ограничения включают необходимость значительного объёма памяти, зависимость визуального режима от отдельного файла mmproj, возможные особенности поведения базовой модели в длинных сессиях и отсутствие обычных защитных отказов. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-MLX-5bit — мультимодальная instruction-tuned модель для преобразования изображений и текста в текст. Оригинальную модель разработала команда Qwen, а данную 5-битную MLX-квантизацию подготовила команда LM Studio с использованием mlx_vlm. Модель предназначена для локального запуска на устройствах Apple Silicon. Модель основана на Qwen3-VL-30B-A3B-Instruct и поддерживает сценарии, требующие анализа визуальной и текстовой информации, включая обработку изображений и генерацию ответов по инструкциям. Из технических характеристик указаны размер 30B и конфигурация A3B, 5-битное квантование, архитектура и формат MLX, а также специализация на Apple Silicon. Языки, размер контекстного окна и точный перечень поддерживаемых модальностей в README не уточняются. Ключевые преимущества модели — мультимодальные возможности, instruction-tuned поведение и снижение требований к памяти благодаря 5-битному квантованию, что делает её подходящей для локального использования. Ограничения включают возможную потерю качества из-за квантования и зависимость производительности от оборудования Apple Silicon; конкретные показатели качества и скорости не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-32B-Instruct-MLX-4bit — это 4-битная MLX-квантизированная версия мультимодальной модели Qwen3-VL-32B-Instruct, разработанной командой Qwen. Квантизацию подготовила команда LM Studio с использованием mlx_vlm; модель предназначена для запуска на устройствах с Apple Silicon и относится к классу image-text-to-text, то есть обрабатывает изображения и текст и генерирует текстовые ответы. Модель имеет размер 32 млрд параметров в исходной версии и ориентирована на выполнение инструкций и мультимодальные сценарии, включая анализ визуального содержимого в сочетании с текстовыми запросами. 4-битное представление уменьшает требования к памяти и оптимизировано для MLX, что делает модель более подходящей для локального использования на совместимых компьютерах Apple Silicon. К ограничениям относятся потеря части точности по сравнению с исходной полноразмерной моделью из-за квантизации, зависимость от совместимого окружения MLX и преимущественная ориентация на Apple Silicon. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-8B-Instruct-MLX-5bit — это 5-битная квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, разработанной командой Qwen. Квантизация выполнена командой LM Studio с использованием mlx_vlm, а формат MLX оптимизирован для работы на устройствах Apple Silicon. Модель предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуальной информации и формирование текстовых ответов. Модель основана на Qwen3-VL-8B-Instruct и относится к классу image-text-to-text. Известен размер исходной модели — 8B параметров; поддерживаемые языки, максимальная длина контекста и дополнительные архитектурные характеристики в представленном описании не указаны. Квантизация снижает требования к ресурсам и ориентирована на локальный запуск на Apple Silicon, однако может сопровождаться некоторой потерей точности по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0. Она создана сторонними разработчиками и может генерировать неточные, вредные или неподходящие ответы, поэтому результаты следует проверять перед использованием.

Qwen-Qwen1.5-1.8B-GGUF — набор GGUF-квантизированных версий языковой модели Qwen1.5-1.8B, разработанный и подготовленный Featherless AI Quants на основе Qwen/Qwen1.5-1.8B. Модель предназначена для генерации текста и локального или ресурсоэффективного запуска сценариев обработки естественного языка. В репозитории представлены 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 807 МБ до 1,87 ГБ. Формат GGUF обеспечивает совместимость с программным обеспечением, поддерживающим этот формат, а выбор уровня квантизации позволяет балансировать между размером файлов, требованиями к памяти и сохранением качества. Архитектура, число параметров, поддерживаемые языки и размер контекста в README не указаны. Сильной стороной набора является наличие нескольких вариантов квантизации для разных аппаратных ограничений и требований к качеству. Ограничения включают отсутствие подробной информации о характеристиках базовой модели, её языках, производительности и рекомендуемых сценариях применения. Лицензия в README не указана; условия использования следует уточнять в материалах базовой модели Qwen/Qwen1.5-1.8B.

Qwen-Qwen2-1.5B-Instruct-GGUF — набор квантованных файлов модели Qwen2-1.5B-Instruct, разработанной Qwen; квантования подготовлены featherless-ai-quants. Это текстовая генеративная модель для диалогов, инструкционных запросов и других задач генерации текста. В README указана базовая модель размером 1,5 млрд параметров, однако подробности об архитектуре, языках и размере контекста не приведены. Модель распространяется в формате GGUF и доступна в вариантах квантования 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. Размер файлов составляет примерно от 645 МБ до 1,57 ГБ, поэтому варианты можно выбирать с учётом доступной памяти и требуемого компромисса между ресурсами и качеством. Ключевое ограничение — README не содержит результатов сравнительных тестов, сведений о точности и подробностей о поддерживаемых сценариях. Лицензия модели в README не указана. Условия использования следует уточнять в документации базовой модели Qwen2-1.5B-Instruct и для выбранного файла GGUF.

Qwen-Qwen3.8-27B-MTPLX — квантованная модель на базе Qwen/Qwen3.8-27B, опубликованная пользователем ben0112 и подготовленная с помощью MTPLX Forge. Модель предназначена для генерации текста и диалогового использования на компьютерах Apple Silicon через библиотеку MLX и среду выполнения MTPLX. Модель использует подход multi-token prediction (MTPLX) и 4-битное квантование; заявленный размер базовой модели — 27B параметров. Для неё указан лучший уровень глубины D3. В ходе проверки на Apple M5 Max модель показала множитель 2,58× по сравнению с авторегрессионным базовым режимом. Верификация проводилась с параметрами temperature 0.6, top_p 0.95 и top_k 20. К ограничениям относятся отсутствие в представленном README информации о поддерживаемых языках, размере контекстного окна, точной архитектуре базовой модели и качестве на других устройствах. Результаты производительности подтверждены только для Apple M5 Max, поэтому они не гарантируют аналогичные показатели на других конфигурациях Apple Silicon. Модель распространяется по лицензии Apache-2.0.

Qwen_Qwen3-VL-2B-Instruct-GGUF — это GGUF-квантизированная версия мультимодальной модели Qwen3-VL-2B-Instruct, разработанной Qwen и подготовленной пользователем bartowski. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Она может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты весов от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3/Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер исходной модели — 2B параметров; отдельные файлы занимают примерно от 0,85 до 3,45 ГБ. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K и Q6_K; низкобитные варианты экономят память, но снижают качество. Контекст, поддерживаемые языки и точные архитектурные характеристики в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в карточке исходной модели Qwen/Qwen3-VL-2B-Instruct.

RWKV-7 Goose 1.5B — базовая языковая модель, официальный выпуск BlinkDL в формате Transformers. Это плотная причинная языковая модель на рекуррентной архитектуре RWKV-7 без attention: размер рекуррентного состояния постоянен, а вычислительная работа на каждый новый токен не растёт с длиной последовательности; обучение можно распараллеливать. Модель содержит 1,5 млрд параметров, веса представлены в safetensors, для работы предусмотрена библиотека Transformers и собственная интеграция RWKV-7. Чекпойнт предварительно обучен на веб-текстах, коде, синтетических, инструкционных, чатовых и рассуждательных данных. Он предназначен для генерации текста, оценки, последующего обучения и дообучения; шаблон чата задаёт формат запросов, но сам по себе не означает, что модель настроена как безопасный ассистент. В карточке заявлена поддержка английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Лицензия — Apache-2.0. К ограничениям относятся зависимость качества следования инструкциям и языкового поведения от конкретного чекпойнта, промптинга и последующего обучения, отсутствие заявленных оценок безопасности, предвзятости, токсичности и фактической точности, а также отсутствие поддержки отката рекуррентного кэша для некоторых режимов спекулятивного декодирования без сохранения состояний. Оптимизированный запуск зависит от оборудования и конфигурации; для полного TileLang-режима требуется проверка численного соответствия.

pyannote/speaker-diarization-3.0 — открытый конвейер для автоматической диаризации речи, разработанный Séverin Baroudi с использованием pyannote.audio 3.0.0. Модель определяет временные интервалы речи и связывает их с отдельными говорящими, формируя разметку Annotation. Она предназначена для анализа разговоров, встреч, интервью, совещаний и других многоголосых аудиозаписей, в том числе как этап подготовки данных для автоматического распознавания речи. Конвейер принимает монофонический звук с частотой 16 кГц; стерео- и многоканальные записи автоматически сводятся в моно, а аудио с другой частотой дискретизации пересчитывается в 16 кГц. В состав входят автоматическое обнаружение речи, обнаружение смены говорящего и обработка перекрывающейся речи. Количество говорящих обычно определяется автоматически, но его можно задать или ограничить параметрами min_speakers и max_speakers. Обучение проводилось на комбинации наборов AISHELL, AliMeeting, AMI, AVA-AVD, DIHARD, Ego4D, MSDWild, REPERE и VoxConverse. Сильные стороны модели — полностью автоматическая обработка без ручного VAD и обязательного указания числа говорящих, поддержка перекрывающейся речи и возможность ускорения на GPU. В README указано, что на Nvidia Tesla V100 и Intel Cascade Lake обработка занимает примерно 1,5 минуты на час разговора. Ограничения включают необходимость работы через pyannote.audio 3.0, использование токена Hugging Face и принятие условий доступа для связанных моделей. Модель распространяется по лицензии MIT, однако для её использования требуется пройти gated-доступ на Hugging Face.

Community-1 — конвейер для диаризации речи от pyannote. Он принимает аудио и определяет, кто и когда говорит; результат включает временные интервалы с метками говорящих. Для входа используется монофоническое аудио с частотой 16 кГц: многоканальные записи автоматически сводятся к моно, а записи с другой частотой дискретизации пересчитываются до 16 кГц. По карточке модели, Community-1 улучшает назначение и подсчёт говорящих по сравнению с предыдущей версией pyannote speaker-diarization-3.1 и предоставляет эксклюзивную диаризацию, упрощающую сопоставление временных меток говорящих с временными метками транскрипции. Конвейер можно запускать локально, в том числе без подключения к интернету, или использовать через облачный сервис pyannoteAI. Для работы локально требуется pyannote.audio и токен Hugging Face с принятыми условиями доступа. Модель предназначена для анализа речи в записях с несколькими участниками, включая случаи перекрывающейся речи. В README приведены результаты на академических бенчмарках, но качество зависит от условий записи и домена. Метаданные указывают лицензию CC BY 4.0; при использовании следует соблюдать её условия.

ctaguchi/ssc-tob-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи на основе facebook/mms-1b-all. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2 с CTC-выходом, размер — 1,3 млрд параметров. Базовая модель поддерживает более тысячи языков, но язык и состав данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,1791 и WER 0,6105. Эти метрики указывают на ошибки распознавания, однако без описания набора данных и протокола оценки их нельзя напрямую переносить на другие условия. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Stheno-Hercules-3.1-8B-GGUF — это квантованная GGUF-версия текстовой генеративной модели Stheno-Hercules-3.1-8B, разработанной ZeroXClem. Модель создана как merge-модель на основе Locutusque/Hercules-6.1-Llama-3.1-8B и Sao10K/Llama-3.1-8B-Stheno-v3.4. Квантование выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального инференса, в том числе через LM Studio и совместимые инструменты на базе llama.cpp. Доступны варианты от F16 до низкобитных квантований Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Версии Q6_K_L, Q6_K, Q5 и Q4 отмечены автором как рекомендуемые; отдельные варианты оптимизированы для ARM-процессоров. Известно, что модель относится к семейству Llama 3.1 и имеет размер 8B параметров, однако сведения о точной архитектуре, максимальном контексте, поддерживаемых языках, мультимодальности, результатах оценки и специализированных сценариях в README не приведены. Квантование уменьшает требования к памяти, но может снижать качество по сравнению с исходными весами, особенно в вариантах с низкой точностью. Модель распространяется по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_Experiment27Inex12 — объединённая языковая модель на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment27Inex12-7B. Разработчик карточки — MaziyarPanahi. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста составляет 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированных областях применения или отдельных ограничениях качества.

Tess-70B-v1.6 — универсальная языковая модель из серии Tess, разработанной migtissera. Она дообучена на базе Miqu/LLaMA-2-70B и предназначена для генерации текста и диалогового общения. Модель использует плотную архитектуру LlamaForCausalLM и содержит 68,7 млрд параметров. Модель принимает текст и генерирует текст. Контекстное окно составляет 32 764 токена. В карточке указан формат safetensors и лицензия Llama 2. Для общения README задаёт формат с метками SYSTEM, USER и ASSISTANT; сведения о поддерживаемых естественных языках и специализированных областях применения не приведены.

Synthia-S1-27b-GGUF — это квантованная версия модели Synthia-S1-27b, разработанной Tesslate и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель распространяется в вариантах от BF16 до различных квантовок Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Размер исходной модели составляет 27 млрд параметров, однако сведения об архитектуре, языках и максимальной длине контекста в README не указаны. Модель предназначена для задач генерации текста и мультимодального сценария image-text-to-text согласно метаданным репозитория. Готовые файлы можно запускать локально через llama.cpp, LM Studio и другие совместимые проекты. Для работы рекомендуется использовать указанный формат prompt с маркерами ролей user и model. Сильная сторона сборки — широкий выбор квантовок: варианты Q6_K_L и Q6_K обеспечивают близкое к исходному качество, Q4_K_M предлагают распространённый компромисс между качеством и размером, а более компактные варианты подходят для систем с ограниченной памятью, но могут заметно уступать по качеству. Ограничения включают отсутствие в README подробных данных о фактических возможностях, поддерживаемых языках, контекстном окне и мультимодальной конфигурации. В метаданных указана лицензия Gemma; условия её применения следует уточнять по лицензии исходной модели и соответствующим условиям распространения.

Это GGUF-квантизированная версия языковой модели Snowpiercer-15B-v3, разработанной TheDrummer и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Модель имеет размер 15 миллиардов параметров и представлена в нескольких вариантах точности и квантизации: от BF16 размером около 30 ГБ до компактных Q2–Q8-вариантов размером примерно от 6,45 до 15,92 ГБ. Квантизация выполнена с использованием imatrix на базе llama.cpp, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью инференса. Наиболее качественными и рекомендуемыми в README названы варианты Q5, Q6 и Q4_K_M; для систем с ограниченным объёмом RAM доступны варианты Q3 и Q2. Сильная сторона модели — возможность локального запуска на широком спектре оборудования благодаря большому выбору квантизаций. Ограничения включают отсутствие в README сведений о базовой архитектуре, поддерживаемых языках, длине контекста, мультимодальности, специализированных сценариях обучения и формате промпта; его рекомендуется уточнять на странице оригинальной модели. Лицензия в предоставленных данных не указана.