I.6Перевод и языковая адаптация

Ornith-1.0-9B-bf16 — конвертированная в формат MLX версия модели deepreinforce-ai/Ornith-1.0-9B, подготовленная сообществом mlx-community. В метаданных указаны архитектура Qwen3.5 с плотной структурой и класс Qwen3_5ForConditionalGeneration; модель предназначена для генерации текста и диалогового взаимодействия. Карточка этой версии отсылает за сведениями о назначении и характеристиках к исходной модели. Для запуска в экосистеме MLX README рекомендует библиотеку mlx-vlm. Репозиторий распространяется по лицензии MIT.

Pingala V1 Universal — модель автоматического распознавания речи, разработанная Shunyalabs. Она преобразует аудио в текст и предназначена для точной дословной транскрипции встреч, финансовых звонков, вещательных передач, учебных материалов и других записей. В карточке заявлена поддержка 204 языков, включая индийские и мировые языки; метаданные отдельно перечисляют языковые теги, среди которых русский и английский. Модель основана на архитектуре Transformer, принимает аудио с частотой 16 кГц и поддерживает обработку речи в реальном времени; в карточке также указана встроенная функция обнаружения речевой активности. Shunyalabs приводит средний показатель WER 3,10% и средний RTFx 146,23, однако описание результатов в основном посвящено английской речи. Для доступа требуется аутентификация в Hugging Face Hub. Лицензия обозначена как other и содержит ограничения на дискриминационное, военное и иное вредоносное применение; перед использованием следует ознакомиться с полным текстом лицензии.

PP-OCRv4_server_det — серверная модель обнаружения текстовых областей из серии PP-OCRv4_det, разработанная командой PaddleOCR. Она находит строки текста на изображениях и предназначена для развёртывания на производительных серверах, где важна точность. Модель используется как модуль обнаружения в OCR-конвейере PP-OCRv4; для распознавания найденных строк конвейер дополнительно применяет отдельную модель распознавания текста. В README приведены метрики для рукописного и печатного китайского и английского текста, традиционного китайского, японского, исторических текстов, а также изображений с поворотом, искажением и художественным оформлением. Лицензия — Apache-2.0. В метаданных указана библиотека PaddleOCR и языки en и zh.

RedHatAI/Qwen2.5-0.5B-Instruct-FP8-dynamic — это FP8 dynamic-квантизованный вариант небольшой instruction-tuned языковой модели Qwen2.5-0.5B-Instruct. Репозиторий опубликован Red Hat AI, а исходную серию Qwen2.5 разработала команда Qwen компании Alibaba Cloud. В карточке конкретного репозитория указано отсутствие отдельного model card; поэтому сведения о назначении и характеристиках относятся к базовой модели Qwen2.5-0.5B-Instruct и формату представленных весов. Модель предназначена для генерации и понимания текста по инструкциям, диалогов, ответов на вопросы, простых задач рассуждения, математики и программирования, а также для запуска в ресурсно-ограниченных и edge-сценариях. Это decoder-only dense Transformer с примерно 0,49 млрд параметров, 24 слоями, 14 attention heads и 2 key-value heads; поддерживаются контекст до 32K токенов и генерация до 8K токенов. Модель работает с текстом и относится к многоязычным моделям Qwen2.5; точный перечень языков для этой FP8-версии в доступной карточке не указан. Ключевые сильные стороны — небольшой размер, пригодность для локального и edge-развёртывания, instruction-following и повышенные относительно предыдущей версии показатели на задачах математики, программирования и следования инструкциям. Ограничения связаны с малым числом параметров: модель рассчитана на лёгкие и менее сложные задачи и не предназначена для уровня качества более крупных LLM; конкретные ограничения и результаты именно FP8 dynamic-варианта в его репозитории не приведены. Для базовой Qwen2.5-0.5B указана лицензия Apache 2.0; FP8 dynamic-веса используют типы BF16 и F8_E4M3.

Danleon56/qwen2.5-7b-chioma-sft-merged — разговорная модель генерации текста, разработанная Danleon56 путём дообучения unsloth/Qwen2.5-7B-Instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров и рассчитана на диалоговое взаимодействие и генерацию текста; метаданные также указывают интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов, основной указанный язык — английский. Модель подходит для чат-ботов и генерации ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Карточка не описывает специальную предметную область или ограничения качества, поэтому пригодность для конкретных задач следует оценивать на собственных примерах.

Dohyeon1/Qwen3-30B-A3B-Sub-MoE-ngroups64-adaptive — языковая генеративная модель на базе архитектуры Qwen3 MoE, доступная для использования через библиотеку Transformers. По метаданным модель содержит 2,6 млрд параметров и поддерживает контекст до 40 960 токенов; назначение и сведения о разработчике в README не описаны. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы, продолжение текста и интеграцию в приложения на базе Transformers. Метаданные также указывают на conversational-режим и формат safetensors. Сильными сторонами являются поддержка длинного контекста и специализированная MoE-архитектура, отражённая в названии и тегах модели. README не содержит результатов оценки, данных о языках, обучении, ограничениях безопасности или лицензии, поэтому пригодность для конкретных задач и условия распространения требуют дополнительной проверки.

rodrigomt/Qwen3.5-4B-Uncensored-Aggressive — мультимодальная диалоговая модель на архитектуре Qwen3.5, опубликованная в виде весов safetensors для использования с Transformers, vLLM, SGLang и совместимыми средами. Это конверсия релиза Qwen3.5-4B-Uncensored-HauhauCS-Aggressive, созданного на базе Qwen/Qwen3.5-4B; в README вариант описан как агрессивный и с удалёнными отказами. Модель принимает текст и изображения, а архитектура и конфигурация репозитория также предусматривают обработку видео. Контекст составляет 262144 токена. Она предназначена для диалога и мультимодальных запросов; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors, преобразованные из GGUF. Для работы требуется достаточно свежая версия программного стека с поддержкой Qwen3.5. Лицензия в предоставленных источниках не указана.

Qwen3.5-9B-abliterated-MLX-8bit — 8-битная квантованная версия модели Qwen3.5-9B, разработанная пользователем lukey03 на основе модели Qwen/Qwen3.5-9B. Модель предназначена для генерации текста и локального запуска на устройствах Apple с процессорами Apple Silicon M1, M2, M3 и M4 через фреймворк MLX, включая применение на компьютерах Mac с унифицированной памятью. Модель содержит около 9 миллиардов параметров и занимает примерно 8,9 ГБ. Она работает в текстовой модальности; в карточке заявлен английский язык. Версия создана с удалённым поведением отказа от ответа: для этого применялись три итеративных прохода ортогональной проекции и последующее дообучение LoRA для устойчивых категорий отказов. По заявленным данным, модель ответила на 18 из 18 тестовых запросов против 0 из 18 у базовой модели и сопоставима с Dolphin-Mistral 7B в тестах на удаление отказов. К преимуществам относятся нативная работа на Apple Silicon без лишнего обмена данными между CPU и GPU, а также потенциально более высокое качество по сравнению с 4-битной версией. Ограничение — отсутствие защитного поведения отказа, что повышает требования к ответственному применению; длина контекста в карточке не указана. Модель распространяется по лицензии Apache-2.0. В README также указано, что она предоставляется для исследовательских и образовательных целей, а ответственность за соблюдение законодательства и этических норм несёт пользователь.

Это преобразованная в формат GGUF модель Qwen3.6-35B-A3B NVFP4 от mudler, предназначенная для генерации текста и диалогов при локальном запуске через llama.cpp и LocalAI. В основе — смесь экспертов с примерно 3 млрд активных параметров на токен; файл размером около 23,9 ГБ сохраняет тензоры в нативном NVFP4 без повторной квантизации в целочисленный формат. Модель ориентирована на обслуживание запросов с низким расходом памяти и высокой пропускной способностью, особенно на видеокартах NVIDIA Blackwell. На другом оборудовании она также может запускаться с деквантизацией NVFP4, но медленнее; на Apple Metal FP4-умножения могут выполняться на CPU. Карточка приводит замеры для GB10 / DGX Spark с конфигурацией LocalAI и сообщает о производительности декодирования около 86% от vLLM при конкуренции 128 запросов. Лицензия указана как other, поэтому условия использования следует уточнить в исходной карточке базовой модели и репозитория. Контекстное окно и поддерживаемые естественные языки в предоставленных данных не описаны.

Qwen3-VL-8B-Heretic-Stable-GGUF — мультимодальная модель для преобразования изображений и текста в текст, разработанная prithivMLmods. Она основана на Qwen/Qwen3-VL-8B-Instruct и является GGUF-квантизованным представлением модели Qwen3-VL-8B-Heretic-Stable, созданной с применением abliteration и методов подавления отказов. Промежуточной версией была Qwen3-VL-8B-Instruct-Unredacted-MAX. Модель предназначена для визуально-текстового понимания, мультимодального рассуждения и выполнения сложных инструкций с использованием изображений и текста. Указан английский язык. Модель содержит около 8 миллиардов параметров; доступны варианты в форматах BF16, F16 и различных уровнях GGUF-квантизации размером примерно от 3,28 до 16,4 ГБ, а также отдельные мультимодальные проекционные файлы. К заявленным сильным сторонам относятся стабильность вывода, последовательность рассуждений и следование инструкциям. В README указано, что модель имеет сниженные внутренние механизмы отказа; в самостоятельном тесте harm_bench заявлена частота отказов 0 из 250 вредоносных запросов. Это ограничивает пригодность модели для сценариев, требующих встроенных защитных механизмов, и означает, что безопасность и законность применения полностью зависят от пользователя. Модель распространяется по лицензии Apache-2.0 и обозначена авторами как предназначенная для исследований и обучения.

Qwen_Qwen2.5-VL-7B-Instruct-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen2.5-VL-7B-Instruct, разработанной Qwen и подготовленной для распространения пользователем bartowski. Модель предназначена для задач image-text-to-text: обработки изображений и текста с генерацией текстовых ответов. Она поддерживается llama.cpp и совместимыми проектами, включая LM Studio, и использует формат диалогов с системными, пользовательскими и ассистентскими сообщениями. В набор входят варианты от исходных весов BF16 до различных уровней квантизации Q8_0, Q6, Q5, Q4, Q3 и Q2, включая форматы K-квантизации и IQ. Размер файлов составляет примерно от 3,5 до 15,2 ГБ, поэтому можно выбирать между качеством, потреблением памяти и скоростью инференса. В README указан английский язык; сведения о размере контекста, точной архитектуре, полном наборе поддерживаемых языков и ограничениях мультимодального ввода не приведены. Сильной стороной модели является сочетание визуального и текстового ввода, а также широкий выбор квантизаций для локального запуска на устройствах с разным объёмом памяти. Более сильные варианты сохраняют качество, тогда как младшие квантизации экономят ресурсы, но могут заметно снижать точность. Для работы требуется совместимый llama.cpp-совместимый загрузчик и подходящий файл GGUF. Модель распространяется по лицензии Apache-2.0.

Qwen_Qwen3-VL-32B-Thinking-GGUF — это набор GGUF-квантизаций мультимодальной модели Qwen3-VL-32B-Thinking, разработанной командой Qwen и подготовленной пользователем bartowski. Модель предназначена для задач «изображение–текст» и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. В README указан специальный формат промпта с секцией рассуждений <think>. Базовая модель имеет размер 32B параметров и поддерживает обработку изображений и текста, однако точный размер контекста и список языков в README не указаны. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, включая форматы K-quants и IQ; размер файлов варьируется примерно от 13,7 до 65,53 ГБ. Квантизации выполнены с использованием llama.cpp и imatrix-калибровки. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Основные преимущества — мультимодальность, возможность локального запуска и широкий выбор вариантов по соотношению качества и требований к памяти; рекомендуемым компромиссом в README назван Q4_K_M. Ограничения — высокая требовательность 32B-модели к ресурсам, возможное снижение качества при сильной квантизации и отсутствие в предоставленном README сведений о лицензии, точном контексте, языках и результатах независимого тестирования.

d4g0at5h0rty/sage-ml — дообученная разговорная языковая модель семейства Sage с плотной архитектурой Cohere2ForCausalLM. Модель содержит 3,3 млрд параметров и рассчитана на генерацию текста в диалоговом формате; контекст — до 8192 токенов. Модель подходит для ведения диалогов и генерации ответов на текстовые запросы. В метаданных указаны английский и многоязычная поддержка, библиотека Transformers и формат весов safetensors. Модель выпущена под лицензией Apache-2.0.

Seed-OSS-36B-Instruct-MLX-5bit — это 5-битная квантованная версия языковой модели Seed-OSS-36B-Instruct, разработанной ByteDance-Seed. Квантование выполнено командой LM Studio с использованием MLX и предназначено для запуска на компьютерах с Apple Silicon. Модель относится к классу text-generation и ориентирована на генерацию текста и выполнение инструкций в сценариях локального запуска. Она основана на модели размером 36 миллиардов параметров, однако сведения об архитектуре, поддерживаемых языках, модальностях и размере контекстного окна в README не указаны. Формат MLX оптимизирован для аппаратного обеспечения Apple Silicon, а 5-битное квантование должно снижать требования к памяти по сравнению с полноразмерной версией, при этом README не содержит количественной оценки потери качества или производительности. К сильным сторонам модели относятся возможность локального использования на Apple Silicon и уменьшенный объём хранения и памяти благодаря квантованию. Ограничения связаны с отсутствием в README подробных данных о качестве, бенчмарках, языковой поддержке и рекомендуемых ресурсах. В карточке указана лицензия Apache-2.0; модель является общественной квантованной сборкой, а её исходной моделью выступает ByteDance-Seed/Seed-OSS-36B-Instruct.

Это объединённая модель генерации текста на базе архитектуры GPT-NeoX, созданная с помощью mergekit методом Linear из пяти контрольных точек обучения проекта filtered_midtrain_alignment. В README базовой указана контрольная точка global_step5000; в объединение также вошли global_step1000, global_step2000, global_step3000 и global_step4000. Модель рассчитана на генерацию текста и диалоговое взаимодействие. Она содержит 8,8 млрд параметров, поддерживает контекст до 16 384 токенов и распространяется в формате safetensors. Лицензия в доступных сведениях не указана.

s1.1-32B-GGUF — это набор GGUF-квантизаций языковой модели s1.1-32B, разработанной командой simplescaling и опубликованной в варианте квантизации пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В качестве обучающего набора указан simplescaling/s1K-1.1, однако сведения о задачах обучения, языках, контекстном окне и точной архитектуре в README не приведены. Доступны варианты от исходных весов F16 размером 65,54 ГБ до сильно сжатых квантов Q2 и Q3, а также Q4, Q5, Q6 и Q8. Квантизация выполнена с использованием imatrix на базе llama.cpp. Версии Q6_K и Q6_K_L отмечены как обеспечивающие почти исходное качество, а Q4_K_M указана как вариант стандартного размера для большинства сценариев. Более компактные варианты требуют меньше оперативной памяти, но снижают качество и точность генерации. Модель подходит для локального инференса при наличии совместимого оборудования и программного обеспечения. Формат промпта использует специальные маркеры system, user и assistant. Лицензия — Apache-2.0. README не содержит данных о мультимодальности, поддерживаемых языках, показателях качества и ограничениях исходной модели.

T3qm7xNeuralsirkrishna_T3qM7 — объединённая модель семейства Mistral, опубликованная MaziyarPanahi. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/T3qM7-7B и предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит веса в формате safetensors. Доступна по лицензии Apache-2.0. Сведения о специализации по языкам и прикладным областям в карточке не приведены.

Thespian-LLaMa-70B — экспериментальная объединённая языковая модель от TareksGraveyard, созданная методом mergekit из нескольких моделей семейства Llama. Для объединения использован метод della, а базой служила nbeerbower/Llama-3.1-Nemotron-lorablated-70B; в состав также вошли модели EVA-UNIT-01, Sao10K, SicariusSicariiStuff и TheDrummer. Модель предназначена для диалогового общения и генерации текста. Она построена на архитектуре LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий предоставляет веса в формате safetensors для библиотеки Transformers. Автор описывает результат как удачный, но отмечает, что его другая модель, Progenitor-V1.1-LLaMa-70B, по его мнению, получилась лучше. Модель лицензирована по условиям llama3.3. README не приводит оценки качества или подробные ограничения применения, поэтому результат генерации следует проверять в конкретных сценариях.

T-lite-0.1 — языковая модель на 7,5 млрд параметров, разработанная T-Bank AI на основе архитектуры Llama и предназначенная для дальнейшего дообучения. Это модель продолженного предварительного обучения, ориентированная на генерацию текста на русском языке и создание русскоязычных приложений с учётом языкового и культурного контекста России. Модель принимает текст и генерирует текст; в карточке указаны поддержка чата и контекст до 8192 токенов. Архитектура — плотный декодер Llama с RMSNorm, SwiGLU, RoPE и grouped-query attention. Обучение проводилось в bf16; веса доступны в формате safetensors. В обучающих данных преобладает русский язык, также сохранена часть английских данных и увеличена доля кода. В опубликованной оценке модель превзошла Llama-3-8B по общему результату бенчмарка MERA, но авторы отмечают снижение результатов на английских тестах после адаптации к русскому языку. Модель не позиционируется как готовый разговорный помощник: для прикладного использования предполагаются дополнительное дообучение и контроль качества и безопасности ответов. Лицензия в предоставленных данных не указана.

winglian/vicuna-13b-1_1-hf — версия Vicuna 13B 1.1 в формате Hugging Face, подготовленная автором репозитория. Vicuna разработана командой исследователей из UC Berkeley, CMU, Stanford и UC San Diego на основе LLaMA: модель получена дообучением на пользовательских диалогах ShareGPT, а веса этой версии собраны слиянием дельт Vicuna с исходной LLaMA 13B. Это авторегрессионная плотная трансформерная модель семейства Llama с 12,9 млрд параметров и контекстом до 2048 токенов. Модель предназначена для генерации текста и диалогового общения: её можно использовать для ответов на вопросы, ведения бесед и исследований чат-ботов и больших языковых моделей. В версии 1.1 исправлен расчёт потерь при дообучении и изменён разделитель диалога на EOS-токен, что упрощает остановку генерации и совместимость с библиотеками. Обучение проводилось на 70 тысячах разговоров ShareGPT; качество предварительно оценивали на наборе из 80 вопросов с помощью GPT-4. README указывает лицензию Apache 2.0, тогда как метаданные Hugging Face обозначают лицензию как other, поэтому условия лицензирования стоит сверить с файлами репозитория. Модель обучена на пользовательских диалогах и может выдавать ошибочные или неподходящие ответы; оценка качества в карточке предварительная.

Vikhr-7B-instruct_0.3 — русскоязычная чат-модель семейства Llama, представленная Vikhrmodels. Это плотная причинная языковая модель с 7,1 млрд параметров, предназначенная для диалога и выполнения инструкций в формате ChatML. Репозиторий содержит веса в формате safetensors; карточка указывает контекст до 32 768 токенов и библиотеку Transformers. Модель подходит для русскоязычных чат-ботов, ответов на вопросы и выполнения текстовых инструкций. В метаданных перечислены обучающие наборы Veles-2.5, darulm и Vikhr_instruct; название и содержание карточки указывают на настройку для инструктивного диалога. README называет модель экспериментальной разработкой и сообщает, что метрики и инструкции по запуску появятся позже. Лицензия в предоставленных данных не указана.

facebook/wav2vec2-conformer-rel-pos-large-960h-ft — акустическая модель распознавания речи, разработанная Facebook AI (ныне Meta) на основе архитектуры Wav2Vec2-Conformer с относительными позиционными эмбеддингами. Модель предобучена и дообучена на 960 часах англоязычной речи из LibriSpeech. Она предназначена для преобразования речи в текст и может использоваться для транскрибирования аудиозаписей. На вход подаётся речь с частотой дискретизации 16 кГц; архитектура модели — Wav2Vec2ConformerForCTC, размер — 402,7 млн параметров. Модель поддерживает английский язык. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Качество на речи, отличающейся от LibriSpeech, а также обработка других языков в карточке не описаны.

WAXAL-orm_asr-w2v-bert-2.0 — модель автоматического распознавания речи, созданная дообучением facebook/w2v-bert-2.0. Она использует архитектуру Wav2Vec2-BERT с CTC-выходом и содержит 402,7 млн параметров. Модель принимает аудио и предназначена для преобразования речи в текст; README сообщает оценку CER 0,1687 и loss 0,8218 на тестовом наборе. Модель опубликована в формате safetensors и рассчитана на использование с библиотекой Transformers. В карточке указана лицензия MIT. Язык распознавания, набор данных и подробные ограничения в доступных материалах не раскрыты.

RedHatAI/whisper-large-v3-quantized.w8a8 — квантизированная версия модели openai/whisper-large-v3, разработанная Neural Magic. Это аудио-текстовая модель распознавания речи, преобразующая аудиовход в текст. Модель предназначена для автоматической транскрипции речи и эффективного инференса, в том числе при развертывании через vLLM и его OpenAI-совместимый сервер. В README явно указана поддержка английского языка. Архитектура соответствует Whisper large-v3; точное число параметров и максимальная длина контекста в README не указаны. Веса и активации квантизированы в INT8 по схеме W8A8, что ориентировано на снижение вычислительных и ресурсных затрат при инференсе. Модель готова к использованию с vLLM версии 0.5.2 и выше и поддерживает обработку аудиоданных в мультимодальном запросе. README не содержит количественной оценки влияния квантизации на точность и подробностей об ограничениях качества. Модель распространяется по лицензии Apache 2.0.

WinterGoliath-123b-32k — слитая модель авторегрессионной генерации текста на архитектуре Llama, опубликованная ChuckMcSneed. Она объединяет Xwin и WinterGoddess, расширенные до контекста 32 768 токенов; для запросов README предлагает формат Vicuna или Alpaca. Модель предназначена для генерации текста и диалогов. В README автор отмечает, что модель умнее Goliath-32k, но имеет особенности и несколько повреждена по сравнению с исходной WinterGoliath; приведённый тест назван автором шуточным, поэтому его результаты не дают надёжной оценки качества. Репозиторий содержит веса Safetensors, размер модели — 123,5 млрд параметров. Лицензия — Llama 2.

YamMulti_verse_model-7B — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit. Разработчик объединил mayacinka/yam-jom-7B-slerp и ammarali32/multi_verse_model методом DARE TIES; в карточке базовой для слияния указана mayacinka/yam-jom-7B-slerp. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста на основе текстового запроса. Её можно использовать для диалогов, написания и продолжения текста, а также для других сценариев генерации. Данные не уточняют специализацию по языкам или прикладным областям. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. Сведения о лицензии и известных ограничениях в предоставленных источниках отсутствуют.

YamshadowInex12_ShadowYam — объединённая языковая модель на базе архитектуры Mistral, созданная из automerger/YamshadowInex12-7B и automerger/ShadowYam-7B. Она предназначена для генерации текста и может использоваться в задачах, где требуется продолжать или создавать текст по запросу. Модель содержит 7,1 млрд параметров, принимает текст и выдаёт текст, а длина контекста составляет до 32 768 токенов. Опубликована в формате Safetensors под лицензией Apache 2.0.

YamT3qm7xp_Strangemerges_30Pastiche — объединённая модель на архитектуре Mistral, созданная из automerger/YamT3qm7xp-7B и automerger/Strangemerges_30Pastiche-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors по лицензии Apache 2.0. Сведений о специализации, языках и известных ограничениях в карточке нет.

Qwen2.5-14B-Instruct-GGUF — инструкционная языковая модель из серии Qwen2.5, разработанная командой Qwen. Она предназначена для диалоговых приложений, генерации и обработки текста, следования инструкциям, программирования, математических задач, работы со структурированными данными и формирования структурированных ответов, включая JSON. Модель подходит для локального запуска в формате GGUF, в том числе с использованием llama.cpp. Модель представляет собой causal language model на архитектуре transformers с RoPE, SwiGLU, RMSNorm и смещениями в QKV-проекциях внимания. Она содержит 14,7 млрд параметров, включая 13,1 млрд параметров без учёта embedding, 48 слоёв и механизм GQA с 40 головами для Q и 8 для KV. Поддерживаются квантизации q2_K, q3_K_M, q4_0, q4_K_M, q5_0, q5_K_M, q6_K и q8_0. Полная длина контекста GGUF-версии составляет 32 768 токенов, а максимальная длина генерации — 8192 токена. Серия поддерживает более 29 языков, включая английский, китайский, русский, французский, испанский, немецкий, итальянский, японский и корейский. Сильные стороны модели — улучшенные способности к программированию и математике, следование инструкциям, генерация длинных текстов, обработка таблиц и других структурированных данных, а также устойчивость к разнообразным системным промптам. Для GGUF-версии заявлена поддержка контекста до 131 072 токенов только при использовании YARN в vLLM; для этого сценария рекомендуется обращаться к не-GGUF моделям. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-72B-Instruct — инструкция-настроенная большая языковая модель семейства Qwen2.5, разработанная командой Qwen. Это плотная авторегрессионная модель на архитектуре Qwen2 с 71,5 млрд параметров по метаданным; карточка описывает 80 слоёв, RoPE, SwiGLU, RMSNorm и контекст до 131 072 токенов с генерацией до 8 192 токенов. В текущей конфигурации репозитория задан контекст 32 768 токенов, а для более длинных входов README предлагает YaRN. Модель предназначена для диалогов и следования инструкциям, генерации длинных текстов и структурированных ответов, включая JSON, а также для задач программирования, математики и понимания таблиц. Она поддерживает более 29 языков, включая русский и английский, и предоставляет интерфейс для вызова инструментов. Модель принимает и генерирует текст. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers; README рекомендует актуальную версию библиотеки и vLLM для развёртывания. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. Удлинение контекста через статический YaRN может снижать производительность на коротких запросах.