I.6Перевод и языковая адаптация

Это пакет квантованной модели Llama 3.2 1B Instruct от Mesh LLM: веса в формате GGUF Q4_K_M разделены на артефакты по слоям для распределённого инференса на кластере Mesh LLM. Исходная модель — unsloth/Llama-3.2-1B-Instruct-GGUF; модель предназначена для диалоговой генерации текста и запуска локальных чат-сервисов с OpenAI-совместимым API. Пакет подходит для приватного инференса на собственном оборудовании и для объединения памяти и вычислительных ресурсов нескольких машин, когда полная модель не помещается на одном узле. Он поддерживает чат-сценарии; размер контекста и список языков в предоставленных сведениях не приведены. Репозиторий содержит лицензию llama3.2; условия лицензии следует сверять с исходной карточкой Llama 3.2.

LLaMa-3.2-Instruct-JankMixBread-v0.1-3B — объединённая диалоговая языковая модель, созданная с помощью mergekit на основе Meta Llama 3.2. В состав слияния вошли meta-llama/Llama-3.2-3B-Instruct и PJMixers-Dev/LLaMa-3.2-Instruct-JankMix-v0.1-SFT-3B; использован метод breadcrumbs_ties. Модель имеет плотную архитектуру LlamaForCausalLM и около 3,2 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы и следование инструкциям. Заявленный размер контекста — 131 072 токена; репозиторий содержит веса safetensors и использует библиотеку Transformers. Метаданные указывают на мультиязычную основу, но конкретный перечень языков для этой модели не приведён. Модель распространяется по лицензии Llama 3.2. В README приведены результаты Open LLM Leaderboard, включая IFEval 50,41 и BBH 22,76; подробные результаты в доступной карточке отсутствуют. Слияние моделей не гарантирует улучшения качества относительно исходных чекпойнтов.

Mahou-1.5-mistral-nemo-12B-lorablated — объединённая языковая модель на базе Mistral, созданная с помощью mergekit из flammenai/Mahou-1.5-mistral-nemo-12B и nbeerbower/Mistral-Nemo-12B-abliterated-LORA. Модель содержит 12,1 млрд параметров и использует архитектуру MistralForCausalLM; веса опубликованы в формате safetensors и представлены в библиотеке Transformers. Модель предназначена для генерации текста, диалогов и ролевого общения. В метаданных заявлено контекстное окно до 1 024 000 токенов. Слияние выполнено методом task arithmetic с типом данных bfloat16. Модель распространяется по лицензии Apache-2.0. Карточка приводит результаты оценки на IFEval и BBH, но не описывает подробно условия тестирования или ограничения качества.

MeliodasPercival_01_T3qm7xPercival_01 — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Веса объединяют automerger/MeliodasPercival_01-7B и automerger/T3qm7xPercival_01-7B, а формат хранения — safetensors. Модель предназначена для генерации текста и диалогов. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В метаданных указана лицензия Apache-2.0. README не приводит дополнительных сведений о специализации, языках или ограничениях модели.

MeliodasT3qm7_ShadowStrangemerges_32 — объединённая модель на архитектуре Mistral, созданная слиянием automerger/MeliodasT3qm7-7B и automerger/ShadowStrangemerges_32-7B. Она предназначена для генерации текста и диалоговых ответов, включая сценарии с длинным контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors. Модель принимает текст и выдаёт текст. В карточке не описаны специальные предметные области или дополнительные возможности. Лицензия — Apache 2.0.

alicecomfy/miqu-openhermes-full — чат-модель на архитектуре Llama с 68,7 млрд параметров и контекстом 32 764 токена. По карточке, это слияние LoRA с дообученной моделью на основе Miqu 70B, которую автор README называет утечкой Mistral AI; базовую модель предварительно деквантизировал пользователь 152234h. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста в диалогах. Автор сообщает, что результаты выглядят хорошо, но работа с промптами может быть нестабильной. Для генерации в его окружении потребовалась поддержка Flash Attention 2; также указано высокое требование к видеопамяти — около 130 ГБ. Лицензия в предоставленных данных не указана.

Mistral-12.25B-v0.2 — плотная авторегрессионная языковая модель семейства Mistral, созданная Joseph717171 методом depth-up scaling на основе alpindale/Mistral-7B-v0.2-hf. Слои исходной модели переставлены методом passthrough mergekit: конфигурация README задаёт 56 слоёв, а метаданные указывают 12,3 млрд параметров и контекст до 32 768 токенов. Модель предназначена для дальнейшего дообучения и как замена Mistral-7B-v0.2 в сценариях генерации текста. README описывает её как эксперимент для сравнения вариантов depth-up scaling; оптимальность выбранных параметров не установлена. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

RESMPDEV/Mistral-7B-v0.2 — конвертированная сборка весов Mistral AI на основе Mistral-7B-v0.2. Репозиторий содержит плотную авторегрессионную модель MistralForCausalLM примерно с 7,1 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате PyTorch и safetensors. Модель предназначена для генерации текста и диалогового использования. Автор карточки сообщает, что веса FP16 были напрямую преобразованы из монолитного файла pickle в safetensors с построением индекса. В README отмечены неоптимальность конвертации и возможное смешение файлов Mistral-7B-v0.1 и v0.2; эту сборку автор описывает как предварительную и рекомендует дождаться официального релиза весов FP16 от Mistral AI. Лицензия — Apache-2.0.

MoMo-70B-V1.1 — языковая модель семейства Llama, опубликованная пользователем bongchoi. Это плотная авторегрессионная модель для генерации текста с 68,7 млрд параметров и контекстом до 4096 токенов. В метаданных указаны Transformers, формат safetensors и лицензия Llama 2. Модель обучалась на наборах данных в стиле Orca и Alpaca; README сообщает, что другие наборы данных не использовались. Она подходит для генерации текста и диалоговых сценариев общего назначения. Карточка не приводит результатов оценки качества или дополнительных характеристик обучения.

Mohamed-Gamil/multilingual-e5-small-JapaneseTeacher — модель Sentence Transformers, дообученная на базе intfloat/multilingual-e5-small для создания эмбеддингов предложений и абзацев. Она использует архитектуру BERT с усреднением токенных представлений и нормализацией, выдаёт плотные векторы размерности 384 и сравнивает их с помощью косинусного сходства. Максимальная длина последовательности — 512 токенов; число параметров — 124,3 млн. Модель предназначена для семантического поиска и сопоставления текстов, включая оценку сходства, поиск перефразировок, кластеризацию и классификацию на основе эмбеддингов. В README указаны английский язык и обучающие пары anchor-positive; примеры обучающих данных содержат японский текст и грамматические пояснения, поэтому возможна специализация на сопоставлении японских учебных материалов, но её охват не подтверждён отдельным описанием. Доступна по лицензии Apache-2.0.

mschiesser/ner-bert-german — модель для распознавания именованных сущностей в немецком тексте. Она основана на bert-base-multilingual-cased, дообучена на немецком наборе WikiANN и использует архитектуру BERT для классификации токенов. Модель содержит 205,1 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов. Модель предназначена для выделения сущностей типов «человек», «организация» и «место» в немецких текстах. На оценочной выборке WikiANN указаны F1 0,8829 в целом, 0,9152 для персон, 0,8278 для организаций и 0,9067 для мест; точность составляет 0,9606, полнота — 0,8893. Опубликована под лицензией Apache-2.0.

NeuralsirkrishnaShadow_Experiment24Yam — объединённая языковая модель MaziyarPanahi на базе двух моделей: automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment24Yam-7B. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и предназначена для генерации текста. Модель принимает текст и выдаёт текст; контекст поддерживает до 32 768 токенов. Веса доступны в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

DevQuasar/nex-agi.Nex-N2-Pro-GGUF — квантизированная версия модели Nex-N2-Pro, разработанной nex-agi и опубликованной DevQuasar. Модель предназначена для генерации текста; формат GGUF ориентирован на использование в совместимых средах локального запуска и инференса. В предоставленном README не указаны архитектура, размер, поддерживаемые языки, объём контекста, модальности, конкретные сценарии применения, количественные характеристики и преимущества квантизации. Лицензия также не указана, поэтому условия использования требуют уточнения по исходной модели и странице публикации.

iljab/omniASR-CTC-3B-v2 — преобразованный в формат Hugging Face чекпойнт omniASR-CTC-3B-v2 от Meta. Модель предназначена для автоматического распознавания речи и выдаёт текстовую расшифровку аудио. В Transformers используется класс Wav2Vec2ForCTC; энкодер содержит 60 слоёв со скрытым размером 2048. В репозитории указаны веса safetensors и лицензия Apache-2.0. Модель подходит для транскрибации аудиозаписей и интеграции распознавания речи в приложения на базе Transformers. README не сообщает поддерживаемые языки, ограничения по качеству, требования к аудио или длину контекста, поэтому эти характеристики здесь не уточняются.

Ornith-1.5-35B-A3B-GGUF — это набор GGUF-квантизованных производных модели Ornith-1.5-35B-A3B, разработанной ornith-ai. Конвертацию в GGUF, квантизацию и публикацию выполнил NANI-Nithin с использованием upstream llama.cpp. Модель предназначена для генерации текста и локального инференса в llama.cpp и совместимых приложениях, включая LM Studio, KoboldCpp, Open WebUI, Jan и Text Generation WebUI с бэкендом llama.cpp. Базовая модель представляет собой vision-language модель архитектуры Qwen3.5-MoE с 40 трансформерными слоями, гибридным вниманием на основе Gated DeltaNet linear attention и full attention, 256 маршрутизируемыми экспертами, из которых 8 активируются для каждого токена, одним MTP-слоем и позиционным кодированием MRoPE. Однако опубликованные GGUF-файлы являются текстовыми: vision tower исходной VLM-модели пропущена при конвертации, поэтому обработка изображений в них не поддерживается. Указан язык English; контекст в README не указан. Репозиторий предлагает квантизации от Q2_K до Q8_0, а также IQ-варианты. Q4_K_M рекомендована как наиболее сбалансированный вариант, Q8_0 обеспечивает максимальное качество, а Q2_K предназначена для систем с жёсткими ограничениями по памяти, но может заметно уступать в качестве. Для IQ-квантизаций использовалась importance matrix, построенная на калибровочных данных WikiText-2; для запуска требуется свежая версия llama.cpp или совместимого рантайма с поддержкой архитектуры Qwen3.5-MoE. Модель распространяется по лицензии Apache-2.0.

PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста, разработанная командой PaddleOCR в рамках семейства PP-OCRv5. Она принимает изображения строк и возвращает распознанный текст; модель можно подключить как модуль распознавания в конвейеры PaddleOCR, включая PP-OCRv5 и PP-StructureV3. Модель предназначена для распознавания упрощённого и традиционного китайского, английского и японского текста. Она рассчитана на печатный и рукописный текст, вертикальную запись, пиньинь, редкие символы, а также повёрнутый, искажённый и художественный текст. README приводит метрики точности по нескольким сценариям, но не описывает архитектуру, число параметров или длину контекста. Лицензия — Apache-2.0. Показатели для рукописного текста и отдельных сложных сценариев ниже, чем для печатного китайского и английского; кроме того, оценка строки считается ошибочной при любом неверно распознанном символе или знаке пунктуации. Это модель распознавания строк: для полного извлечения текста из документа её используют вместе с обнаружением текста и другими модулями OCR.

SLORA/PRO — диалоговая языковая модель, разработанная и поддерживаемая Muhammad Taqi. Она предназначена для генерации текста в чате и поддерживает интерфейс вызова инструментов. Модель основана на архитектуре DeepSeek V3, имеет 37,6 млрд параметров и контекст длиной до 163 840 токенов; веса представлены в формате Safetensors FP8 и рассчитаны на работу с Transformers. Автор заявляет о собственной реализации и высокой скорости ответов, однако карточка не приводит сравнительных измерений или подробностей обучения. Модель распространяется по лицензии MIT.

Qwen3-14B-Base — базовая причинно-авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это плотная модель с 14,8 млрд параметров и 40 слоями; она обучена на этапе предварительного обучения и предназначена для продолжения обучения и генерации текста на основе контекста. Архитектура использует групповое внимание с 40 головами запросов и 8 головами ключей и значений. Длина контекста — 32 768 токенов. Модель подходит для языкового моделирования, генерации текста, а также для задач, связанных с кодом, STEM, логическими рассуждениями и многоязычными данными. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; это описание относится к обучающему корпусу семейства и не гарантирует одинаковое качество на каждом языке. В метаданных указаны интерфейсы чата и вызова инструментов, однако вариант Base прошёл предварительное обучение, поэтому эти возможности не означают, что он настроен как готовый диалоговый ассистент. Для работы предусмотрена библиотека Transformers; в README рекомендуется актуальная версия, поскольку версии ниже 4.51.0 не распознают архитектуру qwen3. Модель распространяется по лицензии Apache-2.0. Для развёртывания нужна инфраструктура, способная обслуживать модель такого размера; конкретные требования к памяти в предоставленных данных не приведены.

Exil01 представляет Qwen3.5-27B-Uncensored-YaRN-1M — GGUF-сборку плотной модели Qwen3.5 с 27 млрд параметров, основанную на HauhauCS/Qwen3.5-27B-Uncensored-HauhauCS-Aggressive. Модель предназначена для диалоговой генерации текста и работы с длинными контекстами; заявлены 262 тыс. токенов активного контекста и расширение YaRN до 1 млн токенов. Карточка также указывает поддержку изображений через файл mmproj. В репозитории указаны варианты GGUF BF16 и F16; для запуска заявлены примерно 60 ГБ видеопамяти при контексте 262 тыс. токенов и 90 ГБ при 1 млн. Максимальная длина генерации по карточке — 81 920 токенов. Модификация описана как uncensored и aggressive; качество и безопасное поведение не гарантируются. Лицензия — Apache-2.0.

Qwen3.6-27B-MLX-5bit — 5-битная квантованная версия модели Qwen3.6-27B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx_vlm; модель оптимизирована для запуска на устройствах Apple Silicon. В карточке указано назначение image-text-to-text, поэтому модель предназначена для задач преобразования изображений и текста в текст, однако подробности о поддерживаемых языках, длине контекста и архитектуре не приведены. Ключевое преимущество модели — уменьшенный объём представления параметров по сравнению с полной версией, что делает её более подходящей для локального запуска на совместимом оборудовании Apple. Ограничения связаны с потерями точности, возможными для 5-битного квантования, зависимостью от экосистемы MLX и отсутствием в предоставленных данных конкретных показателей качества, требований к памяти и производительности. Модель распространяется по лицензии Apache 2.0.

minjaechoi/qwen36-35b-a3b-2p00bit-r8 — экспериментальный чекпойнт на базе Qwen/Qwen3.6-35B-A3B от Qwen, опубликованный minjaechoi. Это чат-модель семейства Qwen3.5 MoE для генерации текста и диалогов. Средняя точность маршрутизируемых экспертов составляет 2,00 бита, остальные веса имеют формат BF16. Веса хранятся в BF16-тензорах после деквантизации; модель загружается через стандартные Transformers и vLLM. Лицензия соответствует лицензии базовой модели.

lmstudio-community/Qwen3.8-27B-MLX-8bit — 8-битная квантованная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen. Квантование в формате MLX подготовила команда LM Studio с использованием mlx_vlm; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов. Ключевые параметры исходной архитектуры Qwen3.8-27B, включая точный размер контекста, поддерживаемые языки и другие характеристики, в предоставленной карточке не указаны. Квантование снижает требования к памяти и может упростить локальный запуск на совместимых устройствах, однако потенциально сопровождается потерей точности по сравнению с исходной моделью. Лицензия модели — Apache-2.0.

Qwen3.8-27B-SX8 — это квантованный вариант Qwen3.8-27B, подготовленный MarlaLabsAI в формате S-X8 v4.3. Модель предназначена для локального диалога и генерации текста; репозиторий содержит веса в контейнерах SX8 и GGUF, а также вариант с vision-компонентом в родном контейнере. Для запуска предусмотрены Python-runtime с CUDA-ядрами и форк llama.cpp. Контейнер весит 26,1 ГБ; квантование описано как 7,50 бит на параметр, с косинусным сходством 0,999753 в среднем по тензорам. По карточке, модель прошла функциональную локальную проверку, но формальные бенчмарки именно для версии 27B ещё не опубликованы. Численные результаты, приведённые в README, относятся к варианту Qwen3.5-4B и не подтверждают качество этой сборки. Базовая модель описана как мультимодальная; однако GGUF-контейнер не включает MTP-компонент, а README не описывает полноценные сценарии работы с изображениями. Лицензия — Apache-2.0.

Heretic-org/Qwen-3-VL-2B-Instruct-heretic — мультимодальная чат-модель с архитектурой Qwen3-VL, созданная как декензурированная версия Qwen/Qwen3-VL-2B-Instruct методом abliteration. Она принимает текст и изображения и формирует текстовые ответы; карточка также заявляет возможности работы с видео, OCR, пространственным рассуждением и визуальными интерфейсами. Модель рассчитана на диалог по изображениям, распознавание текста и объектов, понимание видеосцен и выполнение задач по визуальным интерфейсам. В README приведено сравнение отказов: 4 из 100 у этой версии против 97 из 100 у исходной модели; также указано значение KL-дивергенции 0,0627. Репозиторий содержит веса safetensors для Transformers и распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-MLX-6bit — это 6-битно квантованная мультимодальная модель для задач преобразования изображений и текста в текст. Исходную модель Qwen3-VL-30B-A3B-Instruct разработала команда Qwen, а квантование в формате MLX подготовила команда LM Studio с использованием mlx_vlm. Модель предназначена для работы с визуально-текстовыми запросами, включая анализ изображений и генерацию ответов по их содержимому. Модель оптимизирована для запуска на устройствах Apple Silicon с использованием фреймворка MLX. В её названии указаны 30B параметров и конфигурация A3B, однако README не содержит подробностей об архитектуре, поддерживаемых языках, размере контекстного окна и точном перечне мультимодальных возможностей. Квантование снижает требования к памяти по сравнению с полной версией, но может сопровождаться некоторой потерей точности. Лицензия модели — Apache-2.0.

Это пакет Mesh LLM с разделёнными по слоям GGUF-артефактами модели Qwen3-VL-32B-Instruct в варианте UD-Q4_K_XL. Он подготовлен для распределённого инференса на локальном кластере из нескольких машин и основан на unsloth/Qwen3-VL-32B-Instruct-GGUF. Пакет предназначен для локального приватного запуска чата и API-совместимых сценариев с endpoint `/v1/chat/completions`, в том числе когда полная модель слишком велика для одного узла. Метаданные указывают задачу text-generation и возможность чата; семейство Qwen3-VL предполагает мультимодальную основу, однако этот README описывает именно способ упаковки и запуска, а не входы изображений или характеристики исходной модели. Модель распространяется в формате GGUF с квантованием Q4_K_XL, упакованном по слоям. Лицензионные условия, размер модели и длина контекста в предоставленных материалах не приведены; README отсылает за ними к карточке исходной модели.

Это пакет GGUF-весов Qwen3-VL-32B-Thinking, подготовленный Mesh LLM для распределённого инференса. Он разделяет исходную модель unsloth/Qwen3-VL-32B-Thinking-GGUF с вариантом квантования UD-Q4_K_XL на артефакты по слоям, чтобы запускать её на кластере локальных машин и обслуживать через совместимый с OpenAI API Mesh LLM. Модель предназначена для диалогов и генерации текста в локальных и приватных сценариях, в том числе когда полный файл модели не помещается на одном компьютере. Семейство Qwen3-VL указывает на визуально-языковое назначение исходной модели, однако эта карточка описывает пакет и его инференс через текстовый API, а не подтверждает конкретные возможности обработки изображений. Пакет использует формат GGUF и библиотеку mesh-llm. Лицензионные условия следует сверять с карточкой исходной модели unsloth/Qwen3-VL-32B-Thinking-GGUF.

svjack подготовил вариант Qwen3-VL-4B-Instruct с ослабленными отказами: по приведённому сравнению доля отказов составила 7 из 100 против 92 из 100 у исходной модели, при этом KL-дивергенция равна 0,29. Это мультимодальная модель семейства Qwen3-VL с плотной архитектурой, предназначенная для диалогов с текстом и изображениями. Она может описывать изображения, отвечать на вопросы по ним, распознавать текст и выполнять задачи визуального рассуждения. В README приведены характеристики базовой модели, включая заявленный контекст 256 тысяч токенов с возможностью расширения до 1 миллиона, понимание видео, OCR для 32 языков, пространственное рассуждение и взаимодействие с инструментами; эти характеристики не подтверждены отдельными результатами для изменённого варианта. Модель распространяется в формате safetensors по лицензии Apache 2.0.

Ramakrishna-7b-v2 — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная Kukedlc методом slerp с помощью LazyMergekit на основе Kukedlc/Ramakrishna-7b и Kukedlc/NeuralSirKrishna-7b. Модель предназначена для генерации текста и диалогов; поддерживает контекст до 32 768 токенов и распространяется в формате safetensors с весами float16. Модель принимает текст и выдаёт текст. Сведения о специализации по языкам и прикладным областям, а также о конкретных преимуществах и ограничениях в карточке не приведены. Лицензия в предоставленных данных не указана.

Многоязычная модель распознавания именованных сущностей от Julian Schelb. Она размечает каждый токен в формате IOB2, выделяя людей (PER), организации (ORG) и географические объекты (LOC). Модель дообучена на данных WikiANN, автоматически собранных из Википедии, и предназначена для извлечения сущностей из текста на разных языках. Модель основана на XLM-RoBERTa и использует архитектуру XLMRobertaForTokenClassification. Веса содержат около 658,7 млн параметров; контекст — до 514 токенов. Репозиторий предоставляет веса PyTorch и Safetensors. Модель подходит для разметки текста и построения конвейеров извлечения сущностей, особенно в многоязычных сценариях. Качество может снижаться на текстах из предметных областей, отличающихся от данных WikiANN: карточка отмечает ограничения, связанные с охватом и периодом исходных аннотированных текстов. Модель выпущена по лицензии MIT.