I.6Перевод и языковая адаптация

Trendyol LLM v1.0 — базовая генеративная языковая модель, разработанная Trendyol и дообученная на основе Mistral-7B-v0.1. Это авторегрессионный трансформер Mistral с 7,2 млрд параметров; модель принимает текст и генерирует текст. Для версии base указано дообучение с LoRA на 10 млрд токенов, а максимальная длина последовательности при обучении составляла 1024 токена. В метаданных указан нативный контекст 32 768 токенов. Модель предназначена для продолжения текста и может служить основой для приложений генерации текста и диалоговых сценариев на английском и турецком языках. Карточка также упоминает варианты chat и DPO. Модель распространяется по лицензии Apache-2.0. Качество не проверено в широком круге реальных сценариев: возможны фактические ошибки, предвзятые или токсичные ответы. Понимание сленга и языков, кроме английского и турецкого, может быть ограниченным; результаты следует проверять.

Карточка модели lmsys/vicuna-13b-v1.1 на Hugging Face совпадает с карточкой lmsys/vicuna-7b-v1.1, поэтому описание составлено по ней. Vicuna-7B-v1.1 — авторегрессионная языковая модель-чат-ассистент, разработанная LMSYS на основе архитектуры Transformer семейства LLaMA. Модель содержит 6,6 млрд параметров и дообучена на пользовательских диалогах, собранных из ShareGPT. Модель предназначена для генерации ответов в диалоге, а также для исследований и создания чат-ботов. Её могут использовать исследователи и энтузиасты в области обработки естественного языка, машинного обучения и искусственного интеллекта. Контекст модели составляет 2048 токенов. Модель работает с текстом и распространяется в формате PyTorch. В README указана некоммерческая лицензия; там же отмечено, что доступна более новая версия весов.

Wav2Vec2-Large-960h — модель распознавания речи, разработанная Facebook. Она основана на архитектуре wav2vec 2.0 и содержит 402,7 млн параметров; веса представлены в формате PyTorch. Модель предварительно обучена на речевых аудиозаписях, а затем дообучена на 960 часах размеченной речи из LibriSpeech. Модель предназначена для преобразования английской речи в текст. Она принимает аудио с частотой дискретизации 16 кГц и подходит для транскрибирования записей и аудиофайлов. В статье об архитектуре wav2vec 2.0 описан подход с маскированием речевого сигнала в латентном пространстве и контрастивным обучением; для этой модели в карточке приведены результаты на тестовых наборах LibriSpeech. Модель рассчитана на английскую речь и не заявлена как многоязычная. Для корректной работы входное аудио должно иметь частоту 16 кГц. Лицензия — Apache-2.0.

Это конверсия модели Whisper large-v3-turbo в формат MLX, предназначенная для распознавания речи. Репозиторий описывает использование через библиотеку mlx-whisper; метаданные указывают на архитектуру Whisper и веса в формате safetensors. Модель принимает аудио и преобразует речь в текст. Её можно применять для транскрибации записей и распознавания речи в поддерживаемых Whisper языках. README не приводит сведений о разработчике конверсии, размере модели, конкретных поддерживаемых языках или лицензии.

aaron-di/Yamshadowexperiment28M70.8-0.49-0.98-0.33-0.09-0.16-7B — объединённая текстовая модель семейства Mistral, созданная на основе AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Она содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; в карточке показан пример работы через Transformers с шаблоном чата и генерацией ответа на вопрос. Заявленная длина контекста — 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. README не описывает результаты оценки качества или специализированную предметную область.

YamshadowStrangemerges_32_Experiment26Strangemerges_32 — объединённая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель объединяет automerger/YamshadowStrangemerges_32-7B и automerger/Experiment26Strangemerges_32-7B. Данные карточки не описывают специальные предметные области или конкретные языки, поэтому её можно характеризовать только как текстовую модель общего назначения. Веса доступны в формате safetensors, лицензия — Apache-2.0.

YamshadowStrangemerges_32_YamT3qm7xp — объединённая модель семейства Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/YamT3qm7xp-7B. Она предназначена для генерации текста и имеет 7,1 млрд параметров и контекстное окно до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает специализацию по языкам или предметным областям.

YamT3qm7xp_YamExperiment24 — объединённая модель для генерации текста, построенная на архитектуре Mistral. Она создана слиянием моделей automerger/YamT3qm7xp-7B и automerger/YamExperiment24-7B. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации продолжений текста и диалоговых ответов. Она принимает текст и выдаёт текст. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

ishikaa/acquisition_generator_AS_gradient_numina_qwen14b — текстовая генеративная модель из семейства Qwen2, опубликованная на Hugging Face. В метаданных указаны 14 млрд параметров, поддержка библиотеки Transformers и максимальный контекст 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Модель можно применять для создания ответов на запросы, ведения диалогов, подготовки черновиков текста и других сценариев, основанных на text-generation. Метка conversational указывает на пригодность к разговорным сценариям, однако README не содержит сведений о разработчике, точной специализации, языках обучения или результатах оценки. Лицензия в доступных данных не указана. README также не описывает датасеты, процедуру обучения, ограничения, риски и рекомендуемые параметры использования.

Это набор GGUF-квантизованных версий модели AXCXEPT/Llama-3.1-8B-EZO-1.1-it, подготовленный организацией featherless-ai-quants. Модель предназначена для генерации текста и может использоваться в сценариях локального или совместимого с GGUF запуска, включая диалоговые приложения и другие задачи текстовой генерации. README не содержит подробного описания исходной модели, её обучения или разработчика AXCXEPT/Llama-3.1-8B-EZO-1.1-it. Модель относится к семейству Llama 3.1 и имеет 8 миллиардов параметров. 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; их размеры варьируются примерно от 3 до 8 ГБ. Квантизация позволяет выбирать компромисс между требованиями к памяти и сохранением качества, однако конкретные характеристики производительности и качества в README не указаны. Данные о поддерживаемых языках, размере контекста, модальностях и архитектурных деталях отсутствуют. Лицензия также не указана.

Baichuan-Omni-1.5 — открытая мультимодальная модель команды Baichuan, представленная в карточке репозитория baichuan-inc/Baichuan-Omni-1d5. Это плотная модель с 7,1 млрд параметров и контекстом 65 536 токенов, предназначенная для диалогов и взаимодействия с текстом, изображениями, видео и аудио. Модель принимает эти четыре типа входных данных и формирует текстовые и аудиовыходы; заявлены потоковая обработка аудио и видео и голосовое общение в реальном времени. Модель рассчитана на понимание изображений и видео, распознавание и понимание речи, генерацию речи, а также мультимодальные диалоги. В README отдельно отмечены двуязычные голосовые сценарии на китайском и английском, управление стилем голоса и понимание медицинских изображений. Заявления о сравнительных результатах приведены разработчиками и здесь не подтверждены независимой проверкой. Репозиторий содержит веса в формате safetensors; метаданные указывают Apache-2.0. Для развёртывания и оценки медицинских выводов необходима отдельная проверка качества в целевом сценарии; README также предостерегает от использования в интернет-сервисах без соответствующих проверок и согласований.

BLOOM-v3.1-mistral-7b — разговорная языковая модель, разработанная проектом Blossom и дообученная на Mistral-7B-v0.1. Это плотная авторегрессионная модель на 7,1 млрд параметров для генерации ответов в формате продолжения диалога; её контекстное окно составляет 32 768 токенов. Обучение проходило в два этапа на смешанных наборах Blossom Chat, Math, Wizard и Orca: использовались одноходовые инструкции, многоходовые диалоги и примеры математических рассуждений. Модель рассчитана на китайский и английский языки и предназначена для чат-ботов, ответов на вопросы, следования инструкциям и решения математических задач. В README отмечены широкие разговорные возможности и понимание контекста. При этом авторы предупреждают, что базовая Mistral-7B-v0.1 слабее знает китайский язык, и рекомендуют для китайских сценариев другую модель Blossom. Весы доступны в формате PyTorch по лицензии Apache-2.0.

Это GGUF-квантизированная версия модели ThinkingCap-Qwen3.6-27B, разработанной bottlecapai и подготовленной квантизатором bartowski с использованием llama.cpp и imatrix-квантизации. Модель относится к классу image-text-to-text, то есть предназначена для задач преобразования изображений и текста в текстовый ответ. Указанный размер базовой модели — 27B параметров; доступны варианты квантизации от Q3 до Q8 с размером файлов примерно от 14,61 до 29,12 ГБ. Модель ориентирована на генерацию текста, мультимодальные сценарии с изображениями, а также задачи, требующие рассуждений и более эффективного использования токенов. Для запуска поддерживаются llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В README приведён формат промпта с секцией рассуждений <think>, что указывает на использование режима пошагового мышления. К сильным сторонам относятся широкий выбор квантизаций, возможность локального запуска и сохранение высокого качества в вариантах Q5–Q8; варианты Q6_K и Q6_K_L обозначены как близкие к исходному качеству. Более компактные варианты требуют меньше оперативной памяти, но могут снижать качество. Языки, размер контекстного окна, точные архитектурные особенности, требования к оборудованию и результаты оценки в README не указаны. Модель распространяется по лицензии Apache-2.0.

Brezn-7B — разговорная немецкоязычная языковая модель на архитектуре Mistral, созданная Mayflower GmbH как DPO-ориентированный merge трёх моделей: FelixChao/WestSeverus-7B-DPO-v2, mayflowergmbh/Wiedervereinigung-7b-dpo-laser и cognitivecomputations/openchat-3.5-0106-laser. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для диалогов и ответов на инструкции на немецком языке. В README авторы называют её своей лучшей немецкоязычной моделью на 7B и приводят среднюю оценку 7,49 на mt-bench-de. Для инструкционного формата рекомендуется обрамлять запросы токенами [INST] и [/INST]. Модель распространяется под лицензией Apache-2.0.

inferencerlabs/DeepSeek-V4-Flash-MLX-Q2.8-INF — квантизированная версия модели DeepSeek-V4-Flash, разработанная inferencerlabs на базе исходной модели DeepSeek. Сборка предназначена для генерации текста и запуска локального вывода на системах Apple с использованием библиотеки MLX и модифицированного варианта MLX. Модель сжата методом Q2.8-INF — data-agnostic подходом, настроенным на общую точность при ограничении памяти до 128 ГиБ. В README указано, что на M3 Ultra с 512 ГиБ памяти и приложением Inferencer скорость текстового вывода составляла около 30 токенов в секунду при последовательности длиной примерно 2000 токенов; потребление памяти достигало около 95,49 ГиБ. Ключевое преимущество сборки — возможность запуска в пределах 128 ГиБ RAM при сохранении связности ответов. Из-за сильного уровня сжатия общая точность модели снижена. README не содержит достоверных сведений об архитектуре, количестве параметров, поддерживаемых языках, максимальном контексте и мультимодальных возможностях. Лицензия также не указана, поэтому условия распространения и коммерческого использования необходимо уточнять отдельно для данной сборки и базовой модели.

mradermacher/dots.ocr-GGUF — это GGUF-квантизированная версия мультимодальной модели dots.ocr, разработанной dots-studio и конвертированной в GGUF пользователем mradermacher. Модель предназначена для распознавания текста на изображениях и разбора документов с учетом структуры, включая анализ макета, таблиц и математических формул. Модель поддерживает работу с текстом и изображениями, заявлена для английского, китайского и других многоязычных сценариев. Точные сведения об архитектуре, количестве параметров и размере исходной модели в README не указаны. Доступны варианты квантизации GGUF от Q2_K до Q8_0, а также F16; размеры файлов составляют примерно от 0,9 до 3,7 ГБ. Для мультимодального ввода предусмотрены дополнительные файлы mmproj-Q8_0 и mmproj-f16. К сильным сторонам относятся специализированная обработка документов, поддержка структуры страниц, таблиц и формул, а также возможность выбора между компактностью, скоростью и качеством через разные варианты квантизации. Более низкие уровни квантизации могут снижать качество распознавания, а для работы с изображениями требуется совместимый мультимодальный проектор и программная среда с поддержкой GGUF. Модель распространяется по лицензии MIT.

ERNIE-4.5-VL-28B-A3B-PT — мультимодальная MoE-модель Baidu для диалогового взаимодействия с текстом и изображениями. Это вариант с весами PyTorch в формате Transformers; модель прошла постобучение с использованием SFT и методов оптимизации предпочтений. Архитектура относится к семейству ERNIE 4.5 MoE VLM: всего 28 млрд параметров, из которых для каждого токена активируется около 3 млрд. Контекст — до 131 072 токенов. Модель предназначена для понимания изображений и текста, ответов на вопросы о визуальном содержимом, мультимодальных рассуждений и генерации текста в чате. Поддерживает английский и китайский языки. В карточке указана совместимость с Transformers; для запуска приведён пример с vLLM и параметром доверия к удалённому коду. Модель распространяется по лицензии Apache-2.0. Карточка не приводит конкретных оценок качества или подробного списка ограничений, поэтому результаты для целевых сценариев следует проверять отдельно.

EVA-Qwen2.5-7B-v0.1-GGUF — набор GGUF-квантизаций языковой модели EVA-Qwen2.5-7B-v0.1, подготовленный bartowski с использованием llama.cpp и метода imatrix. Исходная модель разработана EVA-UNIT-01. Это текстовая генеративная модель с примерно 7 млрд параметров, предназначенная для локального запуска и генерации текста; README отдельно указывает совместимость с LM Studio и формат промпта в стиле ChatML. Модель обучалась на наборах данных, включающих instruct-примеры, написание текстов, ролевые сценарии, короткие рассказы и синтетические данные. Поэтому она ориентирована на диалоговые задачи, следование инструкциям, творческое письмо и roleplay. Поддерживаемые языки, размер контекстного окна и точные архитектурные характеристики в README не указаны. Доступны варианты от F16 до Q2_K_L, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ-квантизации. Более качественные варианты требуют больше памяти, а низкоразрядные предназначены для систем с ограниченным объёмом RAM, но снижают качество генерации. Специальные варианты Q4_0 оптимизированы для ARM; для некоторых требуется поддержка SVE или i8mm. Модель распространяется по лицензии Apache-2.0.

Experiment26Yamshadow_NeuralsirkrishnaExperiment26 — слитая текстовая модель семейства Mistral, созданная на основе automerger/Experiment26Yamshadow-7B и automerger/NeuralsirkrishnaExperiment26-7B. Она предназначена для генерации текста по текстовому запросу. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Experiment28T3q_Experiment29Pastiche — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment28T3q-7B и automerger/Experiment29Pastiche-7B. Она содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста, включая диалоги. Контекст составляет до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. README не описывает специальные сценарии применения или сравнительные преимущества модели.

flammen11X-mistral-7B — слитая с помощью mergekit модель на архитектуре Mistral, созданная объединением предварительно обученных языковых моделей nbeerbower/flammen11-mistral-7B и ChaoticNeutrals/Prima-LelantaclesV5-7b методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; заявленная длина контекста составляет 32 768 токенов. Модель принимает текст и выдаёт текст. Карточка не сообщает о специализации на конкретной области или языке. Распространяется в формате safetensors; лицензия — Apache-2.0. README не приводит оценок качества или дополнительных ограничений применения.

FrankywestKunai-hermes-1-7b — слитая языковая модель, созданная автором репозитория с помощью mergekit из saishf/West-Hermes-7B и seyf1elislam/KunaiBeagle-Hermes-7b. При слиянии методом passthrough использованы слои 0–19 первой модели и слои 20–31 второй; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель предназначена для генерации текста по запросу и может использоваться в диалоговых и других текстовых сценариях. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия в предоставленных данных не указана.

sapkotapraful/FullyOCR-2-dev — дообученная с помощью TRL модель на базе unsloth/Qwen3.5-0.8B. По метаданным это плотная мультимодальная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration, предназначенная для обработки изображений с формированием текстового ответа. В карточке Hugging Face указана задача image-text-to-text и возможность работы с изображениями. Модель можно применять для извлечения текста и сведений из изображений, а также для вопросов и ответов по визуальным материалам. README содержит пример диалоговой генерации текста, но не описывает специализированные OCR-возможности, обучающие данные, качество распознавания, поддерживаемые языки или длину контекста. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

Это GGUF-квантизированная версия модели gemma-2b-aps-it, первоначально разработанной Google. Репозиторий подготовлен bartowski с использованием llama.cpp и метода imatrix; доступны варианты от F16 до низкоразрядных IQ3 и Q3–Q8-квантизаций. Модель относится к классу генеративных текстовых моделей и предназначена для запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель рассчитана на задачи генерации текста с использованием диалогового шаблона Gemma, поддерживающего системные инструкции, пользовательские запросы и ответы ассистента. Варианты различаются размером файлов и компромиссом между качеством и требованиями к оперативной памяти: F16 занимает около 5,02 ГБ, а наиболее компактные представленные варианты — примерно 1,31–1,49 ГБ. Некоторые сборки используют Q8_0 для embedding- и output-весов, что потенциально помогает сохранить качество. Ключевое преимущество репозитория — широкий выбор квантизаций для локального запуска, включая варианты, оптимизированные для ARM. При этом качество уменьшается в более компактных форматах, а отдельные ARM-варианты требуют поддержки инструкций sve или i8mm и не рекомендуются для Mac или Windows. В README не указаны контекстное окно, поддерживаемые языки, точные архитектурные характеристики базовой модели и лицензия, поэтому эти сведения нельзя определить по представленным данным.

Это объединённый чекпойнт дообучения Gemma 4 E4B Instruct, опубликованный tensorfiend после обучения на GPU. Модель основана на плотной архитектуре Gemma4 и предназначена для генерации текста в диалоговом формате. В карточке указаны шаг обучения 564 и лучшая оценка eval loss 0,338. Метаданные отмечают поддержку чата и формат safetensors. Базовая Gemma 4 E4B Instruct также поддерживает работу с изображениями и аудио, однако карточка этого чекпойнта не подтверждает сохранение или проверку этих возможностей после дообучения. Лицензия указана как other; README требует соблюдать лицензионные условия Gemma и не распространять её веса вне разрешённого ими использования. Данных о целевых языках и специализации на конкретной области нет.

Это GGUF-квантизация модели Huihui-gpt-oss-20b-BF16-abliterated-v2, опубликованная noctrex. Репозиторий содержит вариант MXFP4_MOE; метаданные указывают на поддержку текстовой генерации и диалогового взаимодействия. Модель предназначена для генерации текста и ведения диалогов. Её можно использовать в приложениях, которым нужна локально запускаемая GGUF-модель, совместимая с подходящими инструментами для этого формата. В README не описаны конкретные ограничения качества или условия лицензии. Связь с Huihui-gpt-oss-20b-BF16-abliterated-v2 указана в метаданных как дообучение, а представленный репозиторий содержит MXFP4_MOE-квантизацию.

Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated-GGUF — набор квантованных версий мультимодальной модели Huihui-Qwen3-VL-30B-A3B-Instruct-abliterated, разработанной huihui-ai. Модель предназначена для задач image-text-to-text: обработки изображений вместе с текстовыми запросами и генерации текстовых ответов. Модель основана на архитектуре Qwen3-VL и имеет конфигурацию 30B-A3B; точные характеристики архитектуры, поддерживаемые языки и размер контекста в README не указаны. Распространяется в формате GGUF для запуска через llama.cpp; для работы требуется актуальная версия llama.cpp и соответствующий мультимодальный проектор mmproj. Указано, что приоритет качества обычно имеют варианты mmproj в порядке F32, BF16, F16. В наборе применена imatrix от unsloth, что связано с оптимизацией квантования. Основные ограничения — зависимость доступного качества и производительности от выбранного уровня квантования и аппаратных ресурсов, а также необходимость отдельного mmproj. Лицензия в README не указана; условия использования следует уточнять на странице исходной модели и репозитории квантованных версий.

KafkaLM-Mixtral-8x7B-V0.2 — языковая модель Seedbox, обученная Деннисом Дикманном на базе Mixtral 8x7B от Mistral AI. Это разреженная архитектура Mixture of Experts (MoE) для генерации текста и диалогового общения; версия V0.2 содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель дообучена на наборах инструкций с открытым исходным кодом, переведённых с английского на немецкий, и дополнительно выровнена с помощью изменённой немецкоязычной версии UltraFeedback. Она предназначена для повседневных задач на немецком языке, в том числе для применения в немецкоязычной деловой среде; метаданные также отмечают английский язык. Весы доступны в формате safetensors, лицензия — Apache-2.0. Разработчик отмечает, что модель может отвечать творчески и склонна к языковым вольностям. Карточка не приводит результатов оценки качества или более подробных ограничений применения.

Kanana 1.5 8B Base — базовая языковая модель семейства Kanana, разработанная Kakao Corp. Это плотная авторегрессионная модель на архитектуре Llama с 7,5 млрд параметров, предназначенная для генерации текста и использования в качестве основы для прикладных решений и дальнейшей настройки. Метаданные также указывают поддержку диалогового сценария. Модель подходит для продолжения и генерации текста на английском и корейском языках, включая задачи, связанные с кодом и математикой. Контекстная длина составляет 32 768 токенов; README описывает расширение до 128K с применением YaRN и изменением конфигурации. Kanana 1.5 развивает возможности семейства в программировании, математике и вызове функций, однако в этой карточке приведён именно вариант Base, поэтому качество этих сценариев не следует считать гарантированным без дополнительной настройки. Модель распространяется по лицензии Apache-2.0.

Модель arnavgrg/llama-2-13b-chat-nf4-fp16-upscaled — вариант Llama 2 13B Chat, подготовленный автором как upscaled fp16 после загрузки исходной модели с 4-битной NF4-квантизацией через bitsandbytes. Линейные слои Linear4bit преобразованы в fp16, чтобы не выполнять повторную квантизацию и деквантизацию при каждом проходе во время инференса. Модель имеет плотную архитектуру LlamaForCausalLM, около 12,9 млрд параметров и контекст 4096 токенов. Предназначена для генерации текста в диалоговом формате и может загружаться через Transformers с точностью fp16. README указывает, что веса линейных слоёв после квантизации NF4 являются lossy, поэтому качество может быть ниже официальной базовой модели. Репозиторий распространяется по лицензии Apache-2.0.