I.6Перевод и языковая адаптация

Pixtral 12B GGUF — нативно мультимодальная модель для работы с текстом и изображениями, разработанная Mistral-Community. Представлена в формате GGUF и предназначена для локального запуска, в том числе с использованием совместимых инструментов на базе llama.cpp и LM Studio. Квантизацию выполнил bartowski на основе релиза llama.cpp b5173. Модель подходит для сценариев, где требуется анализ изображений вместе с текстовыми запросами и генерация текстовых ответов по мультимодальному контексту. Она поддерживает контекст длиной до 128 000 токенов и изображения переменного размера. В README не указаны точные языки, варианты квантизации, требования к аппаратному обеспечению или результаты тестирования, поэтому производительность и качество зависят от конкретной сборки и среды запуска. Лицензия модели — Apache 2.0. Следует учитывать, что это квантизированная версия, поэтому её характеристики могут отличаться от исходной модели pixtral-12b; README также не содержит подробного описания ограничений, безопасности и типичных ошибок модели.

Bonsai-8B-unpacked-GGUF — это квантованные версии текстовой генеративной модели Bonsai-8B-unpacked, разработанной prism-ml и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Модель имеет около 8 миллиардов параметров и поддерживает текстовую модальность. В репозитории представлены варианты от BF16 размером 16,38 ГБ до низкобитных квантований; рекомендуемыми названы Q4_K_M, Q5_K_* и Q6_K_*. Квантование выполнено с использованием imatrix, что позволяет сохранить высокое качество при уменьшении размера. Для работы используется формат prompt с ролями system, user и assistant, включая секцию <think>. Сведения о поддерживаемых языках, архитектуре и размере контекста в README не указаны. Сильные стороны модели — широкий выбор уровней квантования, возможность локального запуска и хорошее соотношение качества, размера и требований к памяти. Более компактные варианты подходят для систем с ограниченной RAM, а Q6_K и Q6_K_L обеспечивают качество, близкое к исходному. Ограничения включают возможное снижение качества у низкобитных вариантов и необходимость обновления используемых инструментов для недавно поддержанных архитектур. Модель распространяется по лицензии Apache-2.0.

PureLLama3-8B — диалоговая языковая модель семейства Llama, созданная bunnycore путём объединения нескольких моделей с помощью mergekit и метода model_stock. В состав слияния входят ajibawa-2023/Uncensored-Frank-Llama-3-8B, bunnycore/LLama3-8B-FunStock и bunnycore/FunLLama3-8B. Модель предназначена для генерации текста и ответов в диалоге. Она содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст, формируя текстовые ответы; заявленная длина контекста — 8192 токена. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

Firemedic15/qwen2.5-3b-ft-matched-merged — языковая модель для генерации текста, опубликованная пользователем Firemedic15 на Hugging Face. По метаданным, она работает через Transformers, имеет около 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и связана с обучением методом supervised fine-tuning (SFT) с использованием TRL. Теги также указывают на разговорный сценарий применения и семейство Qwen2; название репозитория дополнительно содержит обозначение Qwen2.5 и merged-финетюнинга.

AvoCahDoe/qwen2-5-7b-rlmpq-balanced — вариант Qwen2.5-7B, подготовленный методом RL-MPQ (Reinforcement Learning Mixed-Precision Quantization) для сбалансированного соотношения размера и качества. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Базовая модель — Qwen/Qwen2.5-7B; средняя точность квантования составляет 3,3929 бита на вес. Репозиторий содержит fake-quantized веса FP16 и политику распределения битности по слоям; модель совместима с Transformers и имеет контекстное окно до 131 072 токенов. В README качество проверяется по perplexity на WikiText-2, однако численное значение для сценария Balanced в доступной части карточки отсутствует. Модель может применяться для диалога и генерации текста, но квантование смешанной точности способно влиять на качество, а приведённые сведения не подтверждают результаты для других задач или языков. Лицензия — Apache-2.0.

qingy2019 дообучил плотную языковую модель Qwen2.5-14B-Instruct на базе unsloth/qwen2.5-14b-instruct-bnb-4bit на 400 шагах с использованием Unsloth и TRL. Модель содержит 14 млрд параметров, принимает текст и поддерживает генерацию текста и диалоговый режим с контекстом до 32 768 токенов. Модель предназначена для генерации ответов и диалогов общего назначения. В обучении использовался набор garage-bAInd/Open-Platypus; карточка называет модель Qwen2.5-Math, но не приводит отдельного описания математической специализации. Опубликованные результаты включают оценки IFEval и BBH, однако данных для вывода о качестве на широком наборе задач недостаточно. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-Base-SFT-R-64 — плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров, опубликованная David6995 как общая базовая точка для доменных экспертных моделей Qwen3-4B. Репозиторий содержит веса BF16, конфигурацию и токенизатор; модель предназначена для генерации текста и диалоговых сценариев, а метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Заявленная длина контекста — 65 536 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не уточняет конкретные домены обучения или оценочные результаты, поэтому применимость к специализированным задачам зависит от последующего дообучения и проверки.

Qwen3.5-2B — постобученная мультимодальная модель семейства Qwen от Hamish Ivi, основанная на Qwen/Qwen3.5-2B-Base. Она сочетает причинную языковую модель с визуальным энкодером и предназначена для диалогов, понимания изображений и текста, вызова инструментов, прототипирования и дообучения под конкретные задачи. Модель содержит 2 млрд параметров, использует плотную гибридную архитектуру Qwen3.5 с Gated Delta Networks и механизмом внимания; заявленная нативная длина контекста — 262 144 токена. Поддерживаются текстовый и визуальный ввод и текстовые ответы. В README заявлена поддержка 201 языка и диалекта; модель по умолчанию работает без режима пошагового рассуждения. Небольшой размер удобен для разработки и экспериментов, но доступные материалы не подтверждают качество для конкретных прикладных сценариев. Репозиторий распространяется в формате Transformers/Safetensors по лицензии Apache-2.0.

techwithsergiu подготовил текстовую производную Qwen/Qwen3.5-2B: из исходной мультимодальной модели удалена визуальная часть, а текстовые веса сохранены без изменений в формате bf16. Это плотная авторегрессионная модель семейства Qwen3.5 с 1,7 млрд параметров и контекстом до 262 144 токенов; она принимает и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Модель предназначена прежде всего как промежуточный артефакт для конвертации в GGUF или слияния слияния после обучения LoRA на CPU. Для прямого дообучения автор рекомендует отдельную версию techwithsergiu/Qwen3.5-text-2B-bnb-4bit. Удаление визуальной части сокращает размер файлов, но исключает работу с изображениями и видео. Лицензия — Apache-2.0.

parmanu-lcs2 выпустил разреженную версию Qwen3-8B, сжатую методом SNIPER: после pruning в модели осталось около 6,2 млрд параметров. После сжатия веса дообучили на 2 000 примерах SlimOrca с помощью LoRA и объединили адаптер с весами модели. В метаданных указаны архитектура Qwen3, библиотека Transformers, формат safetensors и контекст до 40 960 токенов. Модель предназначена для диалоговой генерации текста и выполнения инструкций. Её можно применять в чат-ботах и для ответов на текстовые запросы; базовая Qwen3-8B также поддерживает рассуждения, работу с кодом и вызов инструментов, но README этой модели отдельно не подтверждает сохранение этих возможностей после сжатия и дообучения. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-MLX-2bit — это квантованная версия модели Qwen3.8-27B, опубликованная majentik и предназначенная для запуска на компьютерах Apple с Apple silicon через MLX и mlx-lm. Текстовая часть модели преобразована в аффинную 2-битную квантовку с размером группы 32, а vision tower и projector сохранены в формате BF16. Исходная модель разработана Qwen; в README указана базовая модель Qwen/Qwen3.8-27B и поддержка сценариев image-text-to-text. Модель предназначена для генерации текста и обработки мультимодальных запросов, включающих изображения и текст, при локальном запуске на совместимом оборудовании. README не содержит сведений о точном числе параметров сверх обозначения 27B, поддерживаемых языках и размере контекстного окна. В качестве ориентиров приведены результаты arc_easy_acc 0,4900 и hellaswag_acc 0,4100; также указано, что сборка прошла проверку связности генерации без пустых ответов, зацикливания и повреждённых специальных токенов. Главное преимущество варианта — существенное снижение требований к памяти благодаря 2-битной квантовке при сохранении мультимодальных компонентов vision tower и projector в BF16. Ограничением может быть потенциальная потеря качества по сравнению с полноразмерной или менее агрессивно квантованной версией; README не приводит прямого сравнения. Модель распространяется по лицензии Apache-2.0, указанной для исходной модели.

taurusduan/Qwen3.8-Whittle-MoE-27B-A17.8B-GGUF — это квантизированная GGUF-версия модели Whittle MoE 27B (A18B), разработанной logic65 на базе Qwen3.8-27B. Модель представляет собой постфактум сформированную mixture-of-experts-архитектуру с 27 млрд параметров, из которых около 17,8 млрд относятся к активным параметрам. В каждом слое используются 64 маршрутизируемых экспертных блока, а для каждого токена активируются 16 из них. Основное назначение — генерация текста и диалоговые сценарии с использованием llama.cpp и совместимых инструментов. Доступно несколько уровней квантизации: от Q8_0 размером около 28,7 ГБ до Q3_K_M размером около 13,9 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Для версии с визуальными возможностями предусмотрен отдельный проектор mmproj-qwen38.gguf размером около 0,9 ГБ, однако подробные сведения о поддерживаемых изображениях, языках и размере контекстного окна в карточке не указаны. Версия v2.2.1 исправляет проблему преждевременного завершения рассуждений внутри блока chain-of-thought, но не устраняет слабости при точном подсчёте элементов, длинных списках и повторяющихся фрагментах. Сильными сторонами являются MoE-архитектура с относительно умеренным числом активных параметров, несколько вариантов квантизации и улучшенное завершение ответов при включённом рассуждении. Ограничения включают сохраняющуюся склонность к повторениям, недостаточную надёжность при генерации списков длиной более 45 элементов и отсутствие гарантии точного количества элементов. Модель распространяется по лицензии Apache-2.0; репозиторий содержит именно квантизированные сборки базовой модели.

Qwen_Qwen2.5-VL-72B-Instruct-GGUF — это квантованные в формате GGUF версии мультимодальной модели Qwen2.5-VL-72B-Instruct, разработанной Qwen. Квантование выполнено bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач image-text-to-text, то есть обработки изображений совместно с текстовыми запросами и генерации текстовых ответов. Модель имеет размер 72B параметров и поддерживает мультимодальные сценарии. Доступны варианты квантования от Q8_0 до Q2_K_L, различающиеся размером файлов, требованиями к памяти и качеством ответов. Наиболее качественными и рекомендуемыми в README названы варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; малые варианты Q3 и Q2 экономят память, но заметно уступают по качеству. Размеры файлов составляют примерно от 31 до 77 ГБ. Модель можно запускать локально через llama.cpp, LM Studio и другие совместимые проекты. README указывает английский язык, однако сведения о полном наборе поддерживаемых языков и размере контекстного окна не приведены. Основные ограничения связаны с большими требованиями к оперативной или видеопамяти, особенно для высококачественных квантов, а также с возможной потерей качества при использовании низких уровней квантования. Лицензия обозначена как qwen и other; подробные условия доступны в лицензии исходной модели Qwen2.5-VL-72B-Instruct.

bartowski/Replete-LLM-V2.5-Qwen-7b-GGUF — это набор GGUF-квантизованных версий языковой модели Rombos-LLM-V2.5-Qwen-7b, подготовленный bartowski на основе llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio; в README также указан формат промптов для диалогового взаимодействия. Модель относится к классу 7B, поддерживает текстовую генерацию и поставляется в вариантах от F16 до низкобитных квантизаций Q2, Q3, Q4, Q5, Q6 и Q8, включая специальные варианты для ARM. Квантизации с imatrix выполнены с использованием llama.cpp b3825. Размер файлов составляет примерно от 3,55 до 15,24 ГБ в зависимости от варианта; Q6_K и Q6_K_L, а также ряд вариантов Q5 и Q4 отмечены как рекомендуемые благодаря сочетанию качества и размера. Сильной стороной набора является широкий выбор квантизаций для систем с разным объёмом оперативной памяти и возможность локального инференса. Более агрессивные варианты уменьшают требования к памяти, но снижают качество; Q4_0 обозначен как устаревший формат, а некоторые варианты требуют специфической поддержки ARM-инструкций. Языки, размер контекста, точная архитектура базовой модели и результаты оценивания в README не указаны. Лицензия — Apache-2.0.

RuadaptQwen2.5-32B-QWQ-Beta — русскоязычная инструктивная версия Qwen/QwQ-32B от RefalMachine. Модель семейства Qwen2 с плотной архитектурой и 32 млрд параметров дообучена продолжением предобучения на русскоязычном корпусе; авторы также заменили токенизатор и применили LEP (Learned Embedding Propagation). Репозиторий содержит веса в формате safetensors. Модель предназначена для диалогов, генерации текста и решения задач с рассуждениями. По заявлению авторов, новый токенизатор повышает скорость генерации русскоязычного текста до 60% относительно исходной Qwen/QwQ-32B при сравнении одинаковых последовательностей. Поддерживается контекст до 131 072 токенов; модель рассчитана в первую очередь на русский язык. Указана лицензия Apache-2.0. В README перечислены оценки на Ru-Arena-General, MERA и llmtf_open, однако результаты не приведены, поэтому качество по этим тестам оценить нельзя. Авторы также предупреждают, что ответы отражают данные обучения и могут содержать их предубеждения.

d0rj/ru-mbart-large-summ — модель суммаризации на базе ru-bart-large, созданной как уменьшенная версия facebook/mbart-large-50 с эмбеддингами только для русского и английского языков. Модель дообучена на объединённых обучающих выборках из датасетов d0rj/samsum-ru, IlyaGusev/gazeta, zjkarina/matreshka, rcp-meetings/rudialogsum_v2, GEM/wiki_lingua и mlsum; размер обучающей выборки составил 155 678 примеров. Модель предназначена для сокращения текстов, в том числе новостных материалов и диалогов. Это плотная encoder-decoder архитектура mBART с 226,2 млн параметров и контекстом до 1024 токенов; в репозитории доступны веса PyTorch и safetensors. В README приведён пример использования через pipeline Transformers с задачей summarization. Лицензия — MIT. В README указано, что оценка проводилась на части объединённых validation-наборов, однако численные результаты и подробное описание метрик недоступны в карточке; отчёт обозначен как незавершённый.

RWKV-7 Goose — базовая авторегрессионная языковая модель на 1,5 млрд параметров, официальный выпуск BlinkDL в формате Transformers. Она предназначена для генерации текста, оценки моделей и последующего дообучения. Архитектура RWKV-7 не использует attention: модель поддерживает рекуррентное состояние постоянного размера и постоянные вычислительные затраты на каждый новый токен; обучение при этом можно распараллеливать. В репозитории есть шаблон чата и поддержка вызова функций, но это интерфейс промпта, а не свидетельство безопасного или выровненного поведения ассистента. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, диалоговых и рассуждающих данных. В карточке заявлена поддержка английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Лицензия — Apache-2.0. Качество следования инструкциям и языковое поведение зависят от чекпойнта, промптинга и последующего обучения; оценка безопасности, предвзятости и фактической точности не заявлена. Спекулятивное декодирование с откатом рекуррентного кэша не поддерживается без сохранения предыдущих состояний; ускоренный TileLang-инференс требует проверки совместимости и точности для конкретной конфигурации.

Silero VAD MLX — модель обнаружения речевой активности, преобразованная сообществом mlx-community из onnx-community/silero-vad в формат MLX. Она принимает аудиофайл и возвращает временные отметки речевых фрагментов, в том числе в секундах. Модель предназначена для выделения речи в аудиозаписях и может использоваться как этап предварительной обработки аудио.

StrangeMerges_53-7B-model_stock — языковая модель, созданная Gille с помощью LazyMergekit путём слияния пяти моделей семейства Mistral. В репозитории указаны метод слияния model_stock и формат весов bfloat16; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы, написания и продолжения текстов, а также рассуждений. В README приведены результаты Open LLM Leaderboard: средняя оценка 76,07, включая 72,78 на AI2 Reasoning Challenge и 88,46 на HellaSwag. Репозиторий распространяется по лицензии Apache-2.0. Данные не устанавливают конкретный основной язык или специализированную предметную область; качество на отдельных задачах может отличаться, а результаты бенчмарков не гарантируют качество в прикладных сценариях.

Subin_v2 — дообученная и конвертированная в формат GGUF языковая модель, опубликованная azizshaw. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, рассчитанная на генерацию текста в диалоговом режиме; заявленная длина контекста составляет 131 072 токена. В репозитории есть файл llama-3.2-3b-instruct.F16.gguf, а для запуска предлагаются llama.cpp и Ollama. Модель подходит для диалоговых ответов и генерации текста. README не описывает специализацию, обучающие данные или конкретные языки, поэтому её следует считать моделью общего назначения. Доступны варианты GGUF BF16 и F16. Сведения о лицензии в предоставленных данных отсутствуют.

T3qm7xNeuralsirkrishna_Ognoexperiment27M7 — объединённая текстовая модель на архитектуре Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Ognoexperiment27M7-7B. Репозиторий подготовлен пользователем MaziyarPanahi. Модель предназначена для генерации текста и диалогов; она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Карточка не описывает отдельные языковые или специализированные прикладные сценарии, поэтому модель можно рассматривать как средство общего назначения для генерации текста.

Набор GGUF-квантизованных файлов модели vicgalle/Configurable-Llama-3.1-8B-Instruct, подготовленный командой featherless-ai-quants. Модель предназначена для генерации текста и выполнения инструкций в сценариях, где требуется локальный или совместимый с GGUF запуск. README указывает базовую модель и тег text-generation, но не раскрывает подробности её специфической функциональности. 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 размером примерно от 3,0 до 8,1 ГБ. В основе заявлена архитектура Llama 3.1 с размером 8B и инструкционной настройкой; поддерживаемые модальности, языки и размер контекста в README не указаны. Квантизация позволяет выбирать компромисс между размером файлов и потенциальным качеством, однако конкретные показатели производительности и потери качества не приведены. Лицензия и условия использования в README не указаны. Также отсутствуют сведения о разработчике базовой модели, бенчмарках, требованиях к оборудованию и ограничениях применения.

Модель davidilag/wav2vec2-xls-r-1b-scandinavian-251h-30-epochs-20250111_v9 — дообученная на неизвестном наборе данных версия facebook/wav2vec2-xls-r-1b для автоматического распознавания речи. Она принимает аудио и преобразует его в текст; архитектура — Wav2Vec2ForCTC семейства wav2vec2, размер — 1,3 млрд параметров. В README приведены результаты оценки: WER 22,6884 и CER 5,8380. Модель предназначена для транскрибирования речи. Карточка не сообщает, на каких языках и наборах данных она обучалась, поэтому пригодность для конкретного скандинавского языка и качество в отдельных сценариях по имеющимся сведениям установить нельзя. Модель распространяется в формате safetensors по лицензии Apache-2.0.

wav2vec2-xls-r-1b-scandinavian-E2-100h-30-epochs-20250123 — дообученная Davidilag модель распознавания речи на базе facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, выдавая распознанный текст. В README приведены результаты на оценочном наборе: WER 21,627 и CER 4,5904; набор данных и условия оценки не описаны, поэтому эти значения нельзя уверенно переносить на другие записи. Модель предназначена для автоматической транскрипции речи. В метаданных указаны 1,3 млрд параметров, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Язык или языки дообучения из карточки установить нельзя.

Yi 34B 200K DARE Merge v5 - GGUF — квантизированная версия языковой модели Yi, созданная на основе модели brucethemoose/Yi-34B-200K-DARE-merge-v5. Квантизацию и публикацию GGUF-файлов выполнил TheBloke. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp и совместимые графические интерфейсы и библиотеки. Модель имеет архитектуру Yi и размер 34 млрд параметров. Указан английский язык; поддерживаемая модальность — текст. Вариант поставляется в формате GGUFv2 с несколькими уровнями квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством генерации. Для взаимодействия рекомендуется шаблон Orca-Vicuna с секциями SYSTEM, USER и ASSISTANT. README не указывает точный размер контекстного окна, поэтому заявленные 200K в названии нельзя однозначно трактовать как подтверждённый контекст модели. Сильные стороны модели — большой размер, наличие различных уровней квантизации и поддержка локального запуска на CPU и GPU через llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и другие совместимые инструменты. Ограничениями являются потребность в значительных вычислительных ресурсах для крупных вариантов квантизации, возможная потеря качества при более агрессивном сжатии и отсутствие подробных данных о качестве, обучающих данных и целевых бенчмарках. Лицензия обозначена как yi-license; условия следует уточнять в лицензии исходной модели Yi.

Arcee-SuperNova-v1-GGUF — это квантизированная версия текстовой генеративной модели Arcee-SuperNova-v1, разработанной arcee-ai. Квантизация выполнена bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты квантизации от Q2 до Q8 с размерами файлов примерно от 27,4 до 75 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, но требуют больше оперативной или видеопамяти; варианты Q4_K_M, Q5 и Q6_K обозначены как рекомендуемые. Для работы необходимо использовать указанный шаблон промпта на основе специальных токенов сообщений. README не содержит подробных сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекстного окна или мультимодальности, поэтому эти характеристики нельзя достоверно определить. Основные ограничения связаны с потерями качества при низкой квантизации и значительными требованиями к памяти. Указана лицензия llama3.

Audio Flamingo Next Captioner — модель NVIDIA для подробного описания длинных аудиозаписей с речью, окружающими звуками и музыкой. Она формирует развернутые подписи, сводки и описания событий с временными метками, а также может включать точную расшифровку речи нескольких говорящих. Модель принимает аудио длительностью до 30 минут; процессор ожидает монофонический звук с частотой 16 кГц и обрабатывает его окнами по 30 секунд. Архитектура сочетает аудиокодировщик AF-Whisper, адаптер MLP, текстовую основу семейства Qwen2.5 с расширенным контекстом и RoTE для привязки к временным отметкам. В метаданных указаны архитектура MusicFlamingo, библиотека Transformers и формат safetensors; карточка описывает контекст до 128K токенов, тогда как метаданные указывают 1200 токенов. Модель предназначена для плотных, связных описаний и сводок аудио, разбивки сцены по времени и описания речи, звуковых событий и фона. Она может быть многословной и ориентирована на подписи, а не на поведение ассистента; для диалоговых ответов и явных рассуждений автор рекомендует другие варианты семейства. Ограничения включают неравномерное покрытие языков и предметных областей, слабое представление низкоресурсных языков и редких событий, а также трудности рассуждений по разреженным данным на большом временном интервале. Лицензия — other; автор указывает, что модель предназначена только для некоммерческих исследований.

Bangla-Embed-E5-Banglish — компактный текстовый энкодер на базе BERT, разработанный для семантического поиска и сопоставления предложений на бенгальском языке, включая его латинскую запись Banglish. Модель дообучена на intfloat/multilingual-e5-small методом трёхэтапной дистилляции от BGE-M3 с добавлением романизированных вариантов IndicXlit; размер по README — 118 млн параметров, в метаданных — 124,3 млн. Контекст составляет 512 токенов. Ключевая особенность модели — межскриптовый поиск: она сопоставляет запросы на Banglish с текстами на бенгальском письме и английском. Также модель создаёт эмбеддинги для семантического поиска, сравнения предложений и ранжирования. По приведённым в карточке оценкам, она показывает сильные результаты на бенгальских и межъязыковых наборах, сопоставимые с гораздо более крупными энкодерами. Модель принимает текст и выдаёт векторные эмбеддинги; её можно использовать через sentence-transformers. Лицензия модели — MIT, однако некоторые обучающие источники могут иметь отдельные, в том числе некоммерческие, условия. Романизация при обучении была синтетической; качество проверялось на пользовательском наборе, но охват ограничен стандартным бенгальским, без региональных вариантов и практик набора текста. На полнотекстовых наборах MIRACL-bn и Mr.TyDi-bn модель уступает более крупным моделям и исходной основе.

MaziyarPanahi/calme-2.2-llama3-70b-GGUF — это набор файлов модели в формате GGUF для текстовой генеративной модели MaziyarPanahi/calme-2.2-llama3-70b. Модель разработана и квантизирована MaziyarPanahi и основана на архитектуре Llama 3 с заявленным размером 70B параметров. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие библиотеки и приложения. Формат GGUF поддерживает варианты квантизации от 2 до 8 бит, что позволяет выбирать баланс между требованиями к памяти и качеством работы. Файлы могут быть разделены на части и обычно загружаются библиотекой автоматически при указании на первый файл. В README не указаны поддерживаемые языки, размер контекстного окна, конкретные сценарии применения, результаты оценки, сильные стороны и ограничения исходной модели. Для работы требуется совместимый рантайм, а качество зависит от выбранного уровня квантизации и используемого оборудования. Лицензия в предоставленных данных не указана.

Модель mcikalmerdeka/cikal_merdeka_corp-qwen3-8b-merged — дообученная разговорная языковая модель на архитектуре Qwen3, разработанная mcikalmerdeka на основе unsloth/Qwen3-8B-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалоговых сценариев; также репозиторий поддерживает интерфейс вызова инструментов. Модель содержит 7,6 млрд параметров и рассчитана на контекст до 40 960 токенов. В карточке указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специализированную предметную область, конкретные результаты оценки качества или ограничения применения; это дообученная модель общего назначения, и её ответы следует проверять в задачах, где важна точность.