I.6Перевод и языковая адаптация

Aleteian/Avalon — объединённая автором модель семейства Mistral, созданная с помощью mergekit методом della на основе win10/Mistral-Nemo-abliterated-Nemo-Pro-v2 с включением нескольких моделей Mistral Nemo. Модель содержит 12,1 млрд параметров и предназначена для генерации текста и диалогового общения. Её можно применять для ведения беседы и создания текстовых ответов. В метаданных также заявлен интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Указанное в метаданных окно контекста — 1 024 000 токенов. В README не описаны результаты оценки качества или конкретные ограничения. Лицензия в предоставленных сведениях отсутствует.

cogito-v1-preview-llama-70B-GGUF — квантованная версия языковой модели cogito-v1-preview-llama-70B, разработанной deepcogito и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Это текстовая autoregressive-модель семейства Llama размером 70B параметров. В репозитории представлены варианты квантования Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4 и Q3, различающиеся размером файлов, требованиями к памяти и качеством вывода. Для квантования применялся imatrix; варианты Q6_K, Q5 и Q4 отмечены как рекомендуемые, а Q3 рассчитаны на системы с ограниченным объёмом оперативной памяти. Доступны как цельные файлы, так и разделённые варианты. Сильная сторона модели — возможность локального запуска крупной 70B-модели при выборе подходящего уровня квантования, однако даже наиболее компактные варианты требуют значительных ресурсов, а снижение точности квантования уменьшает качество. README не содержит сведений о поддерживаемых языках, длине контекста, мультимодальности, специализированных сценариях, результатах тестирования или дополнительных ограничениях. Указанная лицензия — llama3.1.

DeepSeek-V4.1-Flash-Abliterated — созданная сообществом версия DeepSeek-V4.1-Flash, опубликованная s-zaizen с применением abliteration через инструмент Heretic; это не официальный выпуск DeepSeek. Модель сохраняет исходную архитектуру DeepSeek V4.1, токенизатор и компоненты для обработки изображений, а также использует формат весов FP8. В репозитории размещено 48 шардов safetensors общим размером около 510 ГБ. Модель предназначена для генерации текста в диалоге и обработки входов с изображениями. По заявлению автора, преобразование изменяет направления отказа в выходах модели: в описанной проверке Heretic ключевые слова отказа обнаружились в 24 из 100 ответов против 97 из 100 у исходной модели. Это измерение не является общим тестом качества или безопасности. Лицензия — MIT.

mlx-community/DeepSeek-V4-Flash-8bit — это версия модели DeepSeek-V4-Flash, опубликованная сообществом mlx-community и предназначенная для генерации текста. Модель подготовлена для работы с библиотекой MLX и запуска через mlx-lm; в README также указана поддержка шаблона диалога, если он доступен в токенизаторе. Известно, что модель использует 8-битное представление и относится к категории text-generation. Она может применяться для диалоговой генерации и других задач создания текста, однако сведения об архитектуре, количестве параметров, размере контекста, поддерживаемых языках и модальностях в README отсутствуют. К сильным сторонам относятся интеграция с MLX и возможность локального запуска через mlx-lm. Ограничения и точные требования к аппаратному обеспечению не указаны. Лицензия в предоставленных материалах не обозначена.

DiCoW v3.2 — модель распознавания речи от команды BUT Speech@FIT Брненского технического университета, предназначенная для многособеседниковой автоматической транскрипции речи (MT-ASR) и распознавания речи целевого говорящего. Модель основана на Whisper large-v3-turbo и насчитывает около 905,2 млн параметров; в карточке указана архитектура DiCoW и формат весов safetensors. Для загрузки используется Transformers. В версии 3.2 применены преобразование FDDT с учётом диаризации, последовательное декодирование с резервным поиском, обнаружение и подавление галлюцинаций при инференсе, а декодер заморожен при дообучении для сохранения языковых возможностей. Обучение опиралось на NOTSOFAR-1, AMI Meeting Corpus и Libri2Mix; использовались шумовые аугментации, включая SpecAugment и смешивание с MUSAN. Модель рассчитана на многоязычную речь, однако конкретный перечень языков в предоставленных данных не приведён. Лицензия модели — CC BY 4.0; базовая модель имеет лицензию MIT, а обучающие данные — CC BY 4.0.

Felix92/doctr-torch-crnn-mobilenet-v3-large-french — модель распознавания текста на изображениях, основанная на CRNN с энкодером MobileNetV3-Large и предназначенная для использования с библиотекой docTR. Карточка позиционирует её как OCR-модель; метаданные указывают форматы PyTorch и задачу image-to-text. Модель подходит для извлечения текста из изображений и документов. В названии указана специализация на французском языке, а метаданные также отмечают английский и многоязычную поддержку. Сведений о размере, длине контекста и лицензии в предоставленных источниках нет.

EVA-Qwen2.5-32B-v0.2-GGUF — это набор GGUF-квантизаций текстовой генеративной модели EVA-Qwen2.5-32B-v0.2, разработанной EVA-UNIT-01 и подготовленной пользователем bartowski. Модель предназначена для генерации текста, включая диалоговые, инструкционные, писательские и roleplay-сценарии. Она обучалась на смесях датасетов с инструкциями, художественным письмом, ролевыми диалогами и синтетическими примерами. Доступны варианты от полноразмерного F16 до квантизаций Q8_0, Q6, Q5, Q4 и Q3, включая форматы IQ. Размер файлов составляет примерно от 14,81 до 65,54 ГБ. Квантизации выполнены с использованием llama.cpp и imatrix; для запуска рекомендуется LM Studio. Более высокие разрядности обеспечивают лучшее сохранение качества, а варианты Q3 подходят для систем с ограниченным объёмом оперативной памяти, но заметно уступают по качеству. Отдельные варианты оптимизированы для ARM и требуют соответствующих аппаратных возможностей; они не предназначены для Mac или Windows. В README не указаны точные архитектурные параметры, размер контекста, поддерживаемые языки и мультимодальные возможности, поэтому модель следует рассматривать как текстовую. Лицензия указана как Apache-2.0. Для использования необходимы ресурсы, соответствующие выбранному варианту квантизации.

Experiment27pasticheT3q-7B — объединённая модель для генерации текста, созданная Maxime Labonne автоматическим слиянием automerger/Experiment27Pastiche-7B и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Модель построена на архитектуре Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. В слиянии использован метод SLERP с разными весами для слоёв self-attention и MLP. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Experiment28T3q_Experiment27Yam — объединённая модель семейства Mistral, созданная на основе automerger/Experiment28T3q-7B и automerger/Experiment27Yam-7B. Она содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и представлена в формате safetensors. Модель предназначена для генерации текста и может применяться в диалоговых и других сценариях, где требуется продолжать текст по входному запросу. Контекстное окно составляет 32 768 токенов. Репозиторий распространяется по лицензии Apache 2.0.

Functionary-small-v3.1-GGUF — это набор GGUF-квантизаций текстовой генеративной модели functionary-small-v3.1, разработанной meetkai и подготовленной квантизатором bartowski с использованием llama.cpp. Модель предназначена для локального запуска задач генерации текста; конкретная специализация исходной модели, поддерживаемые языки, архитектура и размер в параметрах в предоставленном README не указаны. Доступны версии от F32 размером 32,13 ГБ до сильно сжатых вариантов IQ2_M размером 2,95 ГБ. Наиболее качественными и рекомендуемыми названы Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и Q4_K_S; варианты с суффиксом L используют Q8_0 для embedding- и output-весов. Модель совместима с llama.cpp и может запускаться, в частности, через LM Studio. Чем сильнее квантизация, тем ниже требования к оперативной памяти, но потенциально ниже качество. Преимущество набора — широкий выбор компромиссов между качеством и размером, включая варианты для систем с ограниченной памятью. Ограничения README не раскрывает: отсутствуют данные о контекстном окне, мультимодальности, точных сценариях применения, бенчмарках и фактическом качестве на разных языках. Указана лицензия MIT.

FuseChat-Llama-3.1-8B-Instruct-GGUF — это набор квантованных версий инструкционной языковой модели FuseChat-Llama-3.1-8B-Instruct, разработанной FuseAI. Модель предназначена для генерации текста и диалоговых сценариев, включая работу с пользовательскими запросами в локальных приложениях на базе llama.cpp и LM Studio. Квантованные файлы представлены в формате GGUF и подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу текстовых генеративных моделей и имеет около 8 млрд параметров в исходной версии. Доступны варианты от F32 и F16 до различных форматов квантования Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Размер файлов составляет примерно от 4,3 до 32,1 ГБ. Для работы предусмотрен специальный шаблон промпта с ролями system, user и assistant. Сильной стороной набора является широкий выбор квантований: варианты Q6 и Q5 ориентированы на высокое качество, а Q4 и Q3 — на снижение требований к памяти. Некоторые файлы оптимизированы для ARM или AVX, однако отдельные варианты не рекомендуются для Mac или GPU. README не содержит сведений о поддерживаемых языках, размере контекстного окна, точной архитектуре, результатах оценки и лицензии, поэтому эти характеристики нельзя подтвердить.

GLM-OCR — мультимодальная модель распознавания текста и понимания сложных документов, представленная в карточке maskbob/GLM-OCR. Она построена на архитектуре GLM-V encoder–decoder: использует визуальный энкодер CogViT, компактный межмодальный соединитель с уменьшением числа токенов и языковой декодер GLM-0.5B. Общий размер модели составляет около 0,9 млрд параметров. Для анализа документов применяется двухэтапный конвейер с разбором макета на основе PP-DocLayout-V3 и параллельным распознаванием. Модель предназначена для извлечения текста и структуры из изображений документов, включая таблицы, формулы, документы с кодом и печатями, а также для структурированного извлечения сведений по заданной JSON-схеме. Поддерживаются китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. В README заявлены результаты на тестах распознавания документов и варианты развёртывания через vLLM, SGLang и Ollama; для полного конвейера разбора документов рекомендуется SDK с PP-DocLayoutV3. Весовые файлы доступны в формате safetensors. Лицензия — MIT.

gpt-oss-20b-GGUF — набор GGUF-квантизаций модели openai/gpt-oss-20b, подготовленный пользователем ggfox00000 для локального и периферийного развёртывания. Модель предназначена для генерации текста и диалоговых сценариев, включая суммаризацию и работу через llama.cpp или llama-cpp-python. README не указывает точные языковые возможности исходной модели, однако демонстрирует пример суммаризации на французском языке. Доступны варианты Q4_K_M размером около 8 ГБ, Q5_K_M около 10 ГБ и Q8_0 около 15 ГБ. При контексте 8192 токена им требуется примерно 9, 11 и 16 ГБ RAM или VRAM соответственно; заявленное качество возрастает от Q4_K_M к Q8_0. Эти варианты позволяют выбирать компромисс между требованиями к памяти и качеством, включая развёртывание на GPU с CUDA. Архитектура и мультимодальные возможности в README не описаны; по назначению это текстовая модель. Модель удобна для on-premise и edge-сценариев, где важны локальное выполнение и совместимость с llama.cpp. Ограничения включают необходимость подбора квантизации под доступную память, а также отсутствие в карточке подробных данных о производительности, поддерживаемых языках, исходной архитектуре и специальных возможностях. Квантизации распространяются на условиях Apache 2.0, унаследованных от исходной модели.

mlx-community/granite-4.1-30b-bf16 — конверсия в формат MLX модели Granite 4.1 30B, разработанной IBM. Это плотная языковая модель с архитектурой GraniteForCausalLM и 28,9 млрд параметров, предназначенная для диалогов и генерации текста; каталог также отмечает возможность чата. Модель принимает текст и выдаёт текст, а заявленная длина контекста составляет 131 072 токена. Репозиторий подготовлен сообществом mlx-community для запуска через библиотеку MLX на устройствах Apple. Лицензия Apache-2.0 разрешает использование на её условиях. README указывает на конверсию исходной модели ibm-granite/granite-4.1-30b в MLX; метаданные содержат формат safetensors и связь с базовой моделью.

Это конверсия в формат MLX модели Josiefied-Qwen2.5-7B-Instruct-abliterated-v2, выполненная mlx-community с помощью mlx-lm версии 0.18.2. Модель представляет собой плотную авторегрессионную чат-модель семейства Qwen2.5 с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалоговых ответов на основе текстовых запросов. В карточке базовая модель описана как дообученная аблитерированная версия Qwen2.5-7B-Instruct для многоязычной генерации с меньшим числом отказов; метаданные также указывают интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors для использования с MLX. Модель поддерживает английский язык; исходная базовая модель ориентирована на многоязычное применение. Меньшее число отказов означает, что модель может отвечать на запросы, которые другие модели отклоняют, поэтому её ответы требуют проверки. Лицензия — Apache-2.0.

unsloth/LFM2.5-1.2B-Thinking-GGUF — квантизированная GGUF-версия текстовой модели LFM2.5-1.2B-Thinking, разработанной Liquid AI и подготовленной Unsloth. Модель предназначена для локального и периферийного развёртывания с использованием llama.cpp и совместимых инструментов, включая сценарии на CPU и устройствах с ограниченными ресурсами. Модель содержит около 1,17 млрд параметров, 16 слоёв, включая 10 блоков свёртки LIV с двойным управлением и 6 блоков GQA, а также поддерживает контекст до 32 768 токенов. Это текстовая модель общего назначения с поддержкой английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Она ориентирована на агентские задачи, извлечение данных и RAG; заявленная оптимизация GGUF снижает требования к памяти и ускоряет локальный вывод. В README указана скорость до 239 токенов в секунду на CPU AMD и до 82 токенов в секунду на мобильном NPU, при использовании менее 1 ГБ памяти, однако фактические показатели зависят от оборудования и варианта квантизации. Модель не рекомендуется для задач, требующих обширных фоновых знаний, и для программирования. Она поддерживает ChatML-подобный шаблон диалога и вызов функций. Лицензия указана как lfm1.0; подробные условия приведены в лицензии Liquid AI.

SEOKDONG/llama3.1_korean_v1.1_sft_by_aidx — плотная авторегрессионная языковая модель семейства Llama 3.1, разработанная и дообученная методом supervised fine-tuning на корейском наборе инструкций. Она основана на meta-llama/Llama-3.1-8B-Instruct и предназначена для генерации текста и диалоговых ответов с учетом корейского языка, культуры и профессионального контекста. В карточке заявлены около 8 млрд параметров; метаданные указывают 7,5 млрд и контекст до 131 072 токенов. Обучение проводилось на наборе примерно из 2,33 млн примеров для вопросов и ответов, суммаризации и классификации, охватывающем 53 области. Среди целевых сценариев — ответы и краткое изложение материалов по праву, финансам, налогообложению и бухгалтерскому учету, а также образовательные объяснения и клиентские диалоги. Модель ориентирована прежде всего на корейский язык, также заявлена поддержка английского. В README сообщается результат 53,94 и шестое место в целом на Open Ko-LLM Leaderboard Season 2 по состоянию на январь 2025 года. Модель может ошибаться в сложных логических задачах, в узкоспециальных темах, при работе с новыми международными сведениями и на языках, отличных от корейского; возможны смещения из обучающих данных. Метаданные указывают лицензию Apache-2.0, тогда как README также упоминает лицензию сообщества Llama 3.1, поэтому условия распространения базовой модели следует учитывать отдельно.

MaziyarPanahi/Llama-3-8B-Instruct-v0.4-GGUF — это набор файлов модели в формате GGUF для MaziyarPanahi/Llama-3-8B-Instruct-v0.4. Модель разработана и квантована MaziyarPanahi и предназначена для генерации текста и диалоговых сценариев на основе инструкций. Модель относится к семейству Llama 3 и имеет размер 8B параметров, что указано в её названии. Доступны варианты квантования с разрядностью от 2 до 8 бит, поэтому можно выбирать баланс между качеством, размером файлов и требованиями к памяти. Формат GGUF поддерживается llama.cpp и рядом локальных инструментов, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие решения. К сильным сторонам относятся локальный запуск, широкий выбор уровней квантования и совместимость с популярной экосистемой GGUF. README не содержит сведений о поддерживаемых языках, длине контекста, точной архитектуре, результатах оценки, системных требованиях или лицензии, поэтому эти характеристики нельзя достоверно определить по представленным данным.

Llama-3-Yggdrasil-2.0-8B-GGUF — это набор GGUF-квантизаций языковой модели Llama-3-Yggdrasil-2.0-8B, опубликованный bartowski. Исходная модель разработана на основе объединения нескольких моделей семейства Llama 3: Locutusque/Llama-3-NeuralHercules-5.0-8B, NousResearch/Meta-Llama-3-8B, NousResearch/Hermes-2-Theta-Llama-3-8B и Locutusque/llama-3-neural-chat-v2.2-8b. Квантизация выполнена с помощью llama.cpp версии b3086 и метода imatrix. Модель предназначена для генерации текста и локального запуска через совместимые инструменты llama.cpp и другие приложения, поддерживающие формат GGUF. Доступны варианты с разным уровнем квантизации — от Q8_0 до Q2_K и IQ2_XS — размером примерно от 2,60 до 8,54 ГБ. Более качественными считаются Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; варианты с меньшим размером требуют меньше оперативной памяти, но могут заметно уступать по качеству. Это текстовая модель с примерно 8 млрд параметров. README не указывает поддерживаемые языки, размер контекстного окна, результаты тестирования и точные сильные стороны исходной модели. Шаблон чата также не задан однозначно: в карточке приведён предполагаемый формат, который может быть некорректным, поэтому его следует проверить по карточке оригинальной модели. Лицензия в README не указана.

Llama-Spark-GGUF — набор квантизированных моделей в формате GGUF для llama.cpp, созданный bartowski на основе llama-spark-dpo-v0.3 от arcee-train. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio. README не указывает точные размер исходной модели, архитектурные параметры, поддерживаемые языки, модальности или размер контекста. Доступны варианты от F32 до низкобитных Q2_K и IQ2_M объёмом примерно от 2,95 до 32,13 ГБ. Квантизация выполнена с использованием imatrix и llama.cpp; для большинства вариантов заявлен компромисс между размером и качеством, при этом Q6_K_L, Q6_K, Q5 и Q4 считаются рекомендуемыми, а низкобитные варианты предназначены для систем с ограниченной оперативной памятью. Для корректного общения приведён специальный шаблон промпта Llama 3.1. Указанная лицензия — llama3.1.

M7Yamshadowexperiment28_Experiment28Experiment24 — объединённая модель MaziyarPanahi на архитектуре Mistral для генерации текста. Она объединяет automerger/M7Yamshadowexperiment28-7B и automerger/Experiment28Experiment24-7B; размер модели — 7,1 млрд параметров, формат весов — safetensors, длина контекста — до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Лицензия — Apache-2.0.

MeliodasPercival_01_AlloyingotneoyNeuralsirkrishna — объединённая языковая модель MaziyarPanahi, построенная на архитектуре Mistral. Веса получены слиянием automerger/MeliodasPercival_01-7B и automerger/AlloyingotneoyNeuralsirkrishna-7B. Модель содержит 7,1 млрд параметров, использует формат Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Её можно использовать для ответов на запросы, продолжения текста и создания черновиков. Карточка не уточняет отдельные языки, специализированные области или дополнительные возможности. Лицензия — Apache-2.0.

Карточка модели openbmb/MiniCPM-2B-sft-bf16-llama-format на Hugging Face совпадает с карточкой openbmb/MiniCPM-2B-sft-bf16, поэтому описание составлено по ней. MiniCPM-2B-SFT-bf16 — текстовая генеративная модель из семейства MiniCPM, разработанного ModelBest и лабораторией обработки естественного языка Университета Цинхуа. Это версия MiniCPM-2B, дообученная с учителем (SFT) и сохранённая в формате PyTorch с точностью bf16; в метаданных указано 2,7 млрд параметров, а README описывает базовый MiniCPM-2B как модель с 2,4 млрд параметров без учёта эмбеддингов. Модель предназначена для диалогов и генерации текста, в том числе на китайском и английском языках. Контекст составляет 4096 токенов. README сообщает о сильных результатах семейства MiniCPM на общих тестах, включая китайский язык, математику и программирование, и о возможности запускать модели семейства на мобильных устройствах после отдельной квантизации. Эти результаты не следует автоматически переносить на конкретную SFT-сборку bf16. Разработчики разрешают академическое исследование и ограниченное коммерческое использование; точные условия лицензии в предоставленных данных не приведены.

Карточка модели Iambackup/MiniMax-M2.5-UNCENSORED-JANG_2L на Hugging Face совпадает с карточкой Ishowbackup/MiniMax-M2.5-UNCENSORED-JANG_2L, поэтому описание составлено по ней. MiniMax-M2.5-UNCENSORED-JANG_2L — производная модель MiniMaxAI/MiniMax-M2.5, подготовленная Jinho Jang. Это языковая модель с архитектурой MiniMax M2 MoE и интерфейсами чата и вызова инструментов. В README указаны 230 млрд параметров, 256 экспертов и около 10 млрд активных параметров на токен; смешанная квантизация JANG_2L задаёт 8 бит для внимания, 6 бит для эмбеддингов и 2 бита для экспертов. Метаданные указывают 2,9 млрд параметров, поэтому оценку размера из README следует считать расходящейся с ними. Для хранения требуется около 63 ГБ; формат JANG поддерживается MLX Studio и пакетом jang-tools на Apple Silicon. Контекст — 196 608 токенов. Модель предназначена для генерации ответов в чате, рассуждений и работы с инструментами. README также описывает CRACK — изменение весов, удаляющее отказы, связанные с защитными настройками; это может позволить получать вредоносные или опасные ответы. В README приведены результаты тестов MMLU и HarmBench, но они не являются независимой оценкой качества. Лицензия в метаданных — Apache-2.0; модель рассчитана на английский, китайский и корейский языки.

BounharAbdelaziz/ModernBERT-Morocco-Sentence-Embeddings-v0.2-bs-32-lr-2e-05-ep-2-wp-0.05-gacc-1-gnm-1.0-v0.3 — модель Sentence Transformers, дообученная Abdelaziz Bounhar на базе BounharAbdelaziz/ModernBERT-Morocco для создания эмбеддингов предложений на марокканской дариже. Она преобразует предложения и абзацы в плотные векторы размерности 768; сходство оценивается косинусной мерой. Модель построена на ModernBERT с mean pooling и поддерживает последовательности до 8192 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, кластеризации и классификации текста. В карточке приведены результаты оценки на наборах для триплетного ранжирования, семантического сходства и перевода между английским и марокканской дариже; эти результаты зависят от конкретных тестовых данных. Модель выпущена под лицензией Apache-2.0.

Moonlight-16B-A3B-Instruct-MXFP4_MOE-GGUF — квантованная в формате GGUF модель Moonlight-16B-A3B-Instruct, опубликованная пользователем noctrex. Это чат-модель для генерации текста и выполнения инструкций на основе архитектуры Mixture-of-Experts; она имеет 16 млрд общих и около 3 млрд активных параметров. Модель предназначена для диалогов и генерации ответов на текстовые запросы. Вариант MXFP4_MOE использует квантование MXFP4 и распространяется в формате GGUF. Сведения о поддерживаемых языках, длине контекста и лицензии в предоставленных данных отсутствуют.

NeuralsirkrishnaShadow-7B — автоматически собранная Maxime Labonne модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она объединяет Kukedlc/NeuralSirKrishna-7b и CorticalStack/shadow-clown-7B-slerp методом DARE-TIES; конфигурация использует bf16 и int8-маску. Модель предназначена для генерации текста в задачах с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

AnubisLemonade-70B-v1-GGUF — это квантизированная версия текстовой генеративной модели AnubisLemonade-70B-v1, разработанной ockerman0. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; модель распространяется в формате GGUF и предназначена для локального запуска. Модель содержит около 70 миллиардов параметров и работает в сценариях генерации текста, включая диалоговое взаимодействие и выполнение текстовых запросов. Она совместима с llama.cpp, LM Studio и другими проектами на базе llama.cpp. В README приведён специальный шаблон промпта с ролями system, user и assistant, а также указаны даты отсечения знаний и текущей даты для этого шаблона. Доступны варианты квантизации от Q8_0 до Q2_K_L, различающиеся размером файлов, требованиями к памяти и качеством генерации. Наиболее качественными и рекомендуемыми обозначены Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; младшие варианты экономят память, но могут заметно снижать качество. Большой размер модели ограничивает запуск на устройствах с небольшим объёмом оперативной или видеопамяти. Сведения о поддерживаемых языках, длине контекста, мультимодальности и лицензии в README не указаны.

OpenCarrot-Mix-7B — текстовая генеративная модель на архитектуре Mistral, созданная командой CarrotAI линейным слиянием моделей через mergekit. В слияние вошли amazingvince/Not-WizardLM-2-7B и CarrotAI/OpenCarrot-Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. В карточке приведены оценки на корейских тестах LogicKor по программированию, математике и пониманию текста; эти результаты не гарантируют качество на других задачах или языках. Метаданные указывают корейский и английский языки. Модель распространяется по лицензии MIT.

Verdugie/Opus-Candid-27B-V3.5 — разговорная языковая модель, разработанная Verdugie на основе Qwen 3.5 27B Dense. Модель дообучена на 5 358 диалогах, дистиллированных из Claude Opus 4.6, с акцентом на прямой стиль общения, устойчивость к поддакиванию, выраженную индивидуальность, эмоциональную глубину и согласованность в многоходовых диалогах. Заявлены поддержка английского и испанского языков и сценарии генерации текста и общения. Модель имеет плотную архитектуру на 27 млрд параметров. Для дообучения использовались LoRA и rsLoRA с PEFT и TRL, а обучение проводилось в формате bf16 на NVIDIA A100 SXM 80GB. В README отдельно описана оптимизация набора данных под информационную плотность ответов и устойчивость ключевых характеристик при квантизации. Доступны варианты GGUF Q8_0 примерно на 33 ГБ, Q6_K примерно на 25 ГБ и Q4_K_M примерно на 18 ГБ; последний указан как основной целевой вариант и рассчитан на запуск, в частности, на RTX 4090. Сильными сторонами модели заявлены прямолинейный характер ответов, устойчивость личности под давлением, внимание к фактической точности и способность поддерживать нюансированные ответы в эмоциональных, философских и спорных темах. Ограничения включают зависимость качества от выбранной квантизации, отсутствие в README количественных результатов бенчмарков и неизвестный размер контекста. Модель распространяется по лицензии Apache 2.0 и совместима с GGUF-совместимыми средами, включая LM Studio, Ollama, llama.cpp и KoboldCpp; системный промпт, согласно README, не требуется.