I.6Перевод и языковая адаптация

Experiment28M7_YamNeuralsirkrishna — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment28M7-7B и automerger/YamNeuralsirkrishna-7B. Она предназначена для генерации текста и диалогов, а размер модели составляет 7,1 млрд параметров. Модель принимает текст и выдаёт текст. Её контекстное окно — до 32 768 токенов. Репозиторий содержит веса в формате safetensors; модель опубликована под лицензией Apache-2.0.

MaziyarPanahi/Experiment28T3q_Ognoexperiment27M7 — объединённая модель семейства Mistral с 7,1 млрд параметров, созданная на основе automerger/Experiment28T3q-7B и automerger/Ognoexperiment27M7-7B. Она предназначена для генерации текста и имеет контекстное окно длиной до 32 768 токенов. Модель принимает текст и генерирует текст; заявленный тег задачи — text-generation. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

FaLaBSE-v12-phase1-Quora — модель Sentence Transformer, дообученная codersan на базе многоязычной sentence-transformers/LaBSE. Она преобразует предложения и абзацы в плотные векторы размерности 768, которые сравнивают косинусным сходством. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста. Обучение проводилось на 109 673 парах anchor-positive с использованием MultipleNegativesRankingLoss. Базовая LaBSE поддерживает 109 языков; README приводит примеры обучающих пар на персидском языке, но не уточняет полный набор языков для этой версии. Метаданные указывают контекст до 512 токенов, тогда как карточка модели задаёт максимальную длину последовательности 256 токенов. Модель использует архитектуру BERT и распространяется в формате safetensors; для работы указана библиотека sentence-transformers. Условия лицензии в доступных данных не приведены.

FuseO1-DeepSeekR1-Qwen2.5-Instruct-32B-Preview-GGUF — это GGUF-квантизированная версия instruct-модели FuseO1-DeepSeekR1-Qwen2.5-Instruct-32B-Preview, разработанной FuseAI и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp и совместимые приложения, включая LM Studio. В основе лежит модель с 32 миллиардами параметров; доступны варианты от BF16 до различных форматов квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Квантизация выполнена с использованием imatrix на базе llama.cpp b4514. Более высокие форматы сохраняют лучшее качество, а варианты Q4 и Q3 требуют меньше оперативной памяти; наиболее универсальным в README назван Q4_K_M. Указан специальный шаблон промпта с ролями system, User и Assistant. Модель ориентирована на локальный инференс и сценарии, где важны автономность, выбор размера файла и баланс между качеством и требованиями к памяти. README не содержит сведений о поддерживаемых языках, длине контекста, мультимодальности, результатах бенчмарков или ограничениях качества. Лицензия в предоставленных данных не указана.

gemma-2-9b-it-IMat-GGUF — это квантизированная версия текстовой instruction-tuned модели Google Gemma 2 9B IT, подготовленная legraphista в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель предназначена для генерации текста и диалоговых сценариев, включая локальные чат-приложения и задачи, где важны сниженные требования к памяти. В основе лежит модель google/gemma-2-9b-it с исходным форматом BF16 и примерно 9 миллиардами параметров. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K; размеры файлов составляют примерно от 3,8 до 18,5 ГБ. Для ряда вариантов с низкой разрядностью применена IMatrix-квантизация, предназначенная для улучшения сохранения качества при уменьшении размера. README не содержит сведений о поддерживаемых языках, длине контекста и мультимодальности; по указанным данным модель является текстовой. Основные преимущества — широкий выбор уровней квантизации, возможность локального запуска и наличие IMatrix-вариантов, позволяющих выбирать компромисс между качеством и потреблением памяти. Ограничения связаны с возможной потерей качества при сильной квантизации и с тем, что характеристики базовой модели, включая языковое покрытие и контекст, в карточке не раскрыты. Использование регулируется лицензией Gemma от Google; для доступа на Hugging Face требуется ознакомиться с условиями и принять лицензию.

AxionML Gemma-4-12B-NVFP4 — квантизированная версия мультимодальной модели google/gemma-4-12B-it, разработанная AxionML для открытого использования и развертывания. Модель предназначена для задач преобразования изображений и текста в текст, а также для диалоговых сценариев и серверного инференса. Она содержит около 11,95 млрд параметров и распространяется с лицензией Apache-2.0. В модели используется квантизация NVFP4: линейные слои MLP в блоках Transformer квантизированы по схеме W4A4, тогда как слои внимания q/k/v/o сохранены в BF16. KV-cache квантизирован в FP8 E4M3, а эмбеддинги, lm_head и мультимодальные эмбеддеры для зрения и аудио оставлены в BF16. Размер чекпойнта составляет около 11 ГБ против примерно 24 ГБ у BF16-версии. Микроблоки имеют размер 16 элементов с FP8-масштабами; для калибровки использовались cnn_dailymail и Nemotron-Post-Training-Dataset-v2. Основное преимущество модели — существенное сокращение требований к памяти при заявленной потере точности на GSM8K, а также поддержка серверного инференса через SGLang и спекулятивного декодирования MTP/NEXTN с парной draft-моделью. Модель ориентирована прежде всего на видеокарты NVIDIA Blackwell B100, B200 и B300 с нативными FP4 Tensor Cores. Ограничением является зависимость от совместимого оборудования и специализированных версий TensorRT Model Optimizer и SGLang; квантизация внимания не применяется из-за чувствительности активаций Gemma-4 к выбросам, поэтому преимущества FP4 реализованы только для MLP-слоёв.

Gemma-4-26B-A4B-it-NVFP4 — это версия Google Gemma 4, подготовленная FusenAI в формате modelopt и оптимизированная для запуска через vLLM на GPU NVIDIA Blackwell (SM120). Модель предназначена для генерации текста и использует архитектуру MoE. Она подходит для локального и серверного инференса, включая сценарии с высокой параллельной нагрузкой. Модель применяет квантизацию NVFP4 с размером группы 16 к экспертам MoE и MLP-слоям, тогда как self-attention, router, vision tower и lm_head сохранены в BF16. Размер весов составляет около 17,2 GiB, размер на диске — около 17 GB. README не указывает полный набор поддерживаемых языков, точное число параметров активной части или максимальный контекст; в примерах используется длина контекста 4096 токенов. Модель поддерживает текстовую генерацию, а наличие vision tower указывает на мультимодальные компоненты, однако их сценарии использования в README не описаны. К сильным сторонам относятся сниженное потребление памяти, сохранение attention-слоёв в BF16 для уменьшения потерь качества и высокая производительность на RTX 5090 при использовании CUDA Graphs. Ограничения включают необходимость совместимого оборудования NVIDIA Blackwell или новее, vLLM 0.19.x с параметром modelopt и соответствующими исправлениями, а также зависимость производительности от конфигурации KV-кэша: FP8 увеличивает его ёмкость, но снижает скорость обработки отдельных запросов. Модель распространяется по лицензии Apache 2.0 и наследует лицензионные условия Gemma 4 от Google.

Mungert/granite-3.3-8b-instruct-GGUF — это GGUF-кเวантованная версия инструкционной модели Granite 3.3 с примерно 8 млрд параметров, основанная на IBM Granite 3.3 8B Base. Модель предназначена для генерации текста и запуска локального inference через совместимые инструменты, включая сценарии на устройствах с ограниченной видеопамятью, CPU и edge-оборудовании. Основная особенность репозитория — варианты ultra-low-bit quantization с использованием метода IQ-DynamicGate, который распределяет точность по слоям и защищает embeddings и output layers. Доступны форматы с экстремально низкой разрядностью, включая IQ1 и IQ2, а также другие варианты квантования. Такие форматы существенно снижают требования к памяти, сохраняя больше качества по сравнению со стандартным 1–2-битным квантованием; однако точность всё равно ниже, чем у полноразмерных или высокоточных вариантов, а прирост эффективности зависит от конкретного формата и оборудования. В README приведены результаты тестов на Llama-3-8B-Instruct с контекстом 2048 токенов, поэтому эти показатели нельзя напрямую считать характеристиками Granite-модели. Языки, точный максимальный контекст, поддерживаемые модальности и подробные результаты именно для данной модели не указаны. Лицензия заявлена как Apache 2.0.

Карточка модели acul21/harrier-oss-v1-0.6b на Hugging Face совпадает с карточкой microsoft/harrier-oss-v1-0.6b, поэтому описание составлено по ней. harrier-oss-v1-0.6b — разработанная Microsoft мультиязычная модель эмбеддингов текста на архитектуре Qwen3 с 507,9 млн параметров. Она использует pooling по последнему непустому токену и L2-нормализацию, формируя плотные векторы размерности 1024. Максимальная длина контекста — 32 768 токенов. Модель предназначена для поиска и ранжирования текстов, кластеризации, оценки семантического сходства, классификации и поиска параллельных текстов. Для запросов рекомендуется задавать краткую инструкцию, описывающую задачу; для документов инструкция не требуется. Семейство обучалось контрастивным методом на мультиязычных данных, а варианты 270M и 0.6B дополнительно дистиллированы из более крупных моделей эмбеддингов. В README заявлены высокие результаты на Multilingual MTEB v2. Поддерживаются многие языки, включая русский, английский, китайский, японский и ряд европейских и азиатских языков. Модель распространяется в формате Safetensors по лицензии MIT. Качество зависит от формулировки инструкции для запроса; небольшие различия результатов могут возникать из-за версий Transformers и PyTorch.

majentik/harrier-oss-v1-270m-MLX-4bit — 4-битная квантованная версия мультиязычной модели текстовых эмбеддингов Microsoft microsoft/harrier-oss-v1-270m, подготовленная для Apple Silicon и запуска через mlx-embeddings. Модель основана на декодерной архитектуре Gemma3 с 257 млн параметров по метаданным и контекстом до 32 768 токенов. Для получения эмбеддингов используются pooling по последнему токену и L2-нормализация. Модель предназначена для поиска по смыслу, сравнения предложений, семантического поиска и межъязыкового сопоставления текстов. Базовая модель обучена с инструкционными префиксами для поисковых запросов, семантической текстовой близости и поиска параллельных текстов; заявлена поддержка более 100 языков. Для базовой версии указана оценка MTEB v2 66,5, однако квантованная версия независимо не оценивалась, поэтому её результаты могут отличаться. В README описан локальный патч совместимости для обработки отсутствующей проекционной головы. Репозиторий распространяется по лицензии MIT.

InternLM2.5-7B-Chat-GGUF — это квантизированная версия диалоговой языковой модели InternLM2.5-7B-Chat, разработанной командой InternLM и опубликованной в формате GGUF для использования с llama.cpp. Квантизацию выполнил bartowski с применением imatrix и различных схем квантования, рассчитанных на баланс между качеством ответов, размером файла и требованиями к памяти. Модель предназначена для текстовой генерации и диалоговых сценариев: ведения беседы, ответа на вопросы и выполнения инструкций. Для работы используется специальный шаблон prompt с ролями system, user и assistant. Доступны варианты от Q8 до Q2 и IQ-квантов; размеры файлов в README указаны примерно от 2,58 до 8,93 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, тогда как низкобитные версии подходят для систем с ограниченным объёмом RAM, но заметно уступают по качеству. К сильным сторонам относятся широкий выбор уровней квантования, совместимость с llama.cpp и возможность локального запуска. Рекомендуемыми названы варианты Q4–Q6 и некоторые IQ4, тогда как Q3 и Q2 экономят память ценой снижения качества. README не содержит достоверных сведений о языках, размере контекста, точной архитектуре исходной модели и условиях лицензирования: указано лишь, что лицензия имеет тип other. Для использования необходимо учитывать требования выбранного GGUF-файла и поддерживать соответствующий формат prompt.

Noodlz/IvanDrogo-7B — объединённая модель семейства Mistral, созданная с помощью mergekit методом DARE TIES. В README указано, что в объединение вошли Noodlz_DolphinLake-DARE_TIE_SLERP-tokenwest в качестве базовой модели и Noodlz_HermeStar-DARE_TIE_SLERP-startoken; метаданные классифицируют происхождение как merge. Модель предназначена для генерации текста и диалогового общения. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Доступны веса в формате safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана.

MeliodasM7-7B — текстовая генеративная модель, созданная Maxime Labonne автоматическим слиянием моделей AurelPx/Meliodas-7b-dare и liminerity/M7-7b методом SLERP с помощью MergeKit. Она предназначена для генерации текста и диалоговых сценариев. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Файлы модели представлены в формате Safetensors. Лицензия — Apache-2.0.

MeliodasPercival_01_AlloyingotneoyExperiment24 — объединённая модель для генерации текста, созданная путём слияния моделей automerger/MeliodasPercival_01-7B и automerger/AlloyingotneoyExperiment24-7B. Модель основана на архитектуре Mistral и содержит 7,1 млрд параметров; её контекстное окно составляет до 32 768 токенов. Модель подходит для генерации продолжений текста и ответов на текстовые запросы. Распространяется в формате Safetensors по лицензии Apache-2.0.

MeliodasPercival_01_Experiment26Neuralsirkrishna — объединённая языковая модель на архитектуре Mistral, созданная путём слияния automerger/MeliodasPercival_01-7B и automerger/Experiment26Neuralsirkrishna-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель подходит для создания ответов и продолжения текста в приложениях на базе языковых моделей. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

MeliodasPercival_01_NeuralExperiment26 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/MeliodasPercival_01-7B и automerger/NeuralExperiment26-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Репозиторий опубликован под лицензией Apache-2.0.

Это GGUF-квантизированная версия модели Mistral-Small-2501-SCE-Mashup-2-24B, разработанной mergekit-community. Квантизацию выполнил bartowski с использованием llama.cpp версии b5147 и метода imatrix. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель имеет размер 24B параметров и представлена в нескольких вариантах точности, включая BF16, Q8_0, Q6, Q5, Q4 и IQ4, с размером файлов примерно от 12,76 до 47,15 ГБ. Для взаимодействия используется шаблон промпта с системным сообщением и инструкцией. В README не указаны модальности, поддерживаемые языки и размер контекстного окна. Сильной стороной являются варианты Q6 и Q5 с высоким заявленным качеством, а также Q4-варианты, предлагающие компромисс между качеством и требованиями к памяти. Более компактные сборки подходят для систем с ограниченным объёмом RAM, но могут иметь более низкое качество. Лицензия в README не указана.

MIMO-xlm-roberta-large — мультиязычная модель Sentence Transformers, дообученная автором yjoonjang на FacebookAI/xlm-roberta-large. Она преобразует предложения и абзацы в плотные векторы размерности 1024; сходство оценивается косинусной мерой. Архитектура включает XLM-RoBERTa large и mean pooling. В README указана максимальная длина последовательности 256 токенов, а в метаданных — контекст 514 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразирований, классификации и кластеризации. В README приведены результаты тестирования поиска на NanoMIRACL для десяти языков, включая русский. Метаданные указывают размер модели 658,7 млн параметров и формат Safetensors. Лицензия в предоставленных данных не указана.

MixtureofMerges-MoE-2x7b-v7 — языковая модель с архитектурой Mixture of Experts (MoE), созданная автором jsfs11 с помощью LazyMergekit путём объединения Gille/StrangeMerges_32-7B-slerp и mlabonne/AlphaMonarch-7B. Модель предназначена для генерации текста и может применяться для диалогов, ответов на вопросы, следования инструкциям и рассуждений. Модель содержит 7,1 млрд параметров, использует архитектуру Mixtral и поддерживает контекст до 32 768 токенов. В README приведены результаты оценивания на бенчмарках рассуждений и здравого смысла. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Это набор файлов GGUF с весами модели Meta-Llama-3.1-70B-Instruct в варианте BF16, опубликованный featherless-ai-quants на основе mlx-community/Meta-Llama-3.1-70B-Instruct-bf16-CORRECTED. Модель семейства Llama 3.1 с 70 млрд параметров предназначена для генерации текста в диалоговом режиме; карточка указывает несколько вариантов квантования, включая IQ4_XS, Q2_K и Q3_K_L. Модель можно использовать для ответов на вопросы, диалогов и генерации текста. В карточке не приведены сведения о контекстном окне, поддерживаемых языках и лицензии, поэтому эти характеристики здесь не уточняются. Качество и требования к памяти зависят от выбранного варианта квантования; это крупная модель, для запуска которой нужны значительные вычислительные ресурсы.

Moonlight-16B-A3B-Instruct — чат-модель семейства Moonlight, разработанная MoonshotAI. Это instruction-tuned вариант модели с архитектурой Mixture-of-Experts: 16 млрд параметров всего и около 3 млрд активных при генерации. Метаданные Hugging Face классифицируют её как DeepSeek V3 и указывают библиотеку Transformers; модель распространяется в формате safetensors. Модель предназначена для диалогов и генерации текста по инструкциям. В карточке авторов Moonlight описана как обученная на 5,7 трлн токенов; длина контекста составляет 8K токенов. Авторы сообщают об улучшенной эффективности обучения Muon по сравнению с Adam, однако эти сведения относятся к результатам исследовательской работы и не гарантируют качество на каждом прикладном сценарии. Модель выпущена под лицензией MIT. В карточке не приведены конкретные ограничения качества или перечень поддерживаемых естественных языков; применимость в узких областях следует проверять отдельно.

MOSS-moon-003-sft — языковая модель с 16 млрд параметров, разработанная командой OpenMOSS-Team. Она основана на CodeGen и предварительно обучена на китайских, английских и программных токенах, после чего дообучена с учителем на примерно 1,1 млн многоходовых диалогов. Модель предназначена для диалогов с пользователем, следования инструкциям в нескольких репликах и отказа на неподходящие запросы. Модель принимает текст и генерирует текст; карточка указывает поддержку английского и китайского языков и контекст до 2048 токенов. Её можно применять для ответов на вопросы, простых математических задач, помощи с кодом и китайскоязычных диалогов. Описанные требования к запуску составляют 31 ГБ видеопамяти для загрузки в FP16 и больше при генерации; доступны варианты MOSS в INT8 и INT4, но этот репозиторий содержит веса PyTorch. Модель может выдавать неверную, вводящую в заблуждение или предвзятую информацию, поэтому ответы следует проверять. Лицензия — AGPL-3.0.

Это квантованная сборка NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, подготовленная FreedomAISVR в формате GGUF для запуска через llama.cpp. Модель имеет гибридную архитектуру Mamba2 и Transformer с MoE: 30 млрд параметров, около 3 млрд активных, 52 слоя, включая 23 слоя Mamba2, 23 MoE-блока и 6 слоёв внимания; в MoE используются 128 экспертов и маршрутизация к шести из них. Для Mamba2-тензоров применяется F16, остальные веса хранятся в NVFP4; для обработки изображений README также описывает отдельный файл SigLIP-проектора. Модель предназначена для генерации текста и диалоговых сценариев с рассуждением. Заявленный контекст — 262 тыс. токенов. Поддержка изображений упоминается в комплекте файлов, однако метаданные классифицируют репозиторий только как text-generation. README сообщает, что CUDA-ядра Mamba2 требуют F32 и при работе с квантованными тензорами могут переводить соответствующие слои на CPU, что снижает производительность. Лицензия указана как other, без дополнительных условий в предоставленных данных.

NousResearch_Hermes-4-14B-GGUF — набор квантованных версий языковой модели Hermes-4-14B, разработанной NousResearch и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от исходных весов BF16 размером около 29,54 ГБ до квантований Q2 и IQ3 размером примерно 6,38–15,70 ГБ. В README рекомендуются варианты Q4–Q6 как компромисс между качеством и требованиями к памяти; версии с более низкой разрядностью подходят для систем с ограниченным объёмом RAM, но могут заметно уступать по качеству. Для модели доступны только текстовые сценарии, сведения о поддерживаемых языках, длине контекста, архитектурных деталях и формате промптов в этом README не указаны. Основные преимущества — широкий выбор размеров файлов, возможность локального запуска и применение imatrix-калибровки при квантовании. Ограничения связаны с потерями качества в низкоразрядных вариантах, зависимостью от совместимого ПО и отсутствием в предоставленных данных информации о лицензии оригинальной модели и квантованных файлов.

OmniBeagleSquaredMBX-v3-7B — слитая текстовая модель, созданная paulml с помощью LazyMergekit из paulml/OmniBeagleMBX-v3-7B и flemmingmiguel/MBX-7B-v3. Она предназначена для генерации текста и может использоваться в диалоговых и других сценариях, где требуется продолжать или создавать текст по текстовому запросу. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для слияния применён метод SLERP; файлы опубликованы в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

bartowski/open-thoughts_OpenThinker2-7B-GGUF — это квантизированная GGUF-версия языковой модели OpenThinker2-7B, разработанной open-thoughts. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. Для работы используется формат запросов с ролями system, user и assistant на основе специальных токенов ChatML. Модель содержит 7 миллиардов параметров и распространяется в вариантах от BF16 до низкобитных квантований Q2–Q8, включая семейства Q_K, IQ и legacy-форматы. Размер файлов составляет примерно от 3,5 до 15,2 ГБ; варианты с более высокой точностью обеспечивают лучшее качество, а низкобитные версии требуют меньше оперативной памяти. В README не указаны языки, размер контекстного окна, конкретные мультимодальные возможности или архитектурные детали базовой модели. Сильной стороной является широкий выбор квантований для разных аппаратных ограничений и оптимизация с использованием imatrix. Ограничения зависят от выбранного варианта: более компактные версии могут заметно уступать по качеству, а полная BF16-версия требует значительных ресурсов. Модель и квантованные файлы распространяются по лицензии Apache-2.0; квантизация выполнена bartowski с использованием llama.cpp.

bunsenfeng/parti_15_full — генеративная языковая модель, опубликованная на Hugging Face в формате Transformers. По метаданным она относится к семейству Qwen2 и предназначена для генерации текста в диалоговых и других сценариях, поддерживаемых задачей text-generation. Модель содержит около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Её можно применять для ведения диалогов, составления текстов, продолжения фрагментов и интеграции в приложения на базе библиотеки Transformers. README не содержит сведений о разработчике, языках, лицензии, данных обучения, результатах оценки или специальных ограничениях использования. Поэтому перед применением в критически важных сценариях необходимы самостоятельное тестирование, проверка фактической точности и уточнение условий лицензирования.

lmstudio-community/Qwen3-0.6B-MLX-bf16 — конвертированная в формат MLX версия компактной плотной языковой модели Qwen3-0.6B. Модель содержит около 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и рассчитана на контекст до 40 960 токенов. Конверсия выполнена из Qwen/Qwen3-0.6B с помощью mlx-lm версии 0.24.0. Модель предназначена для генерации текста и диалогов, а также поддерживает интерфейс вызова инструментов. Метаданные характеризуют базовую модель как многоязычную и пригодную для рассуждений; отдельные языки в доступных данных не перечислены. Формат MLX ориентирован на запуск в экосистеме MLX. Модель распространяется по лицензии Apache-2.0.

Aldaris/Qwen3-14B-Q4_K_M-GGUF — это квантизированная версия базовой модели Qwen/Qwen3-14B, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель предназначена для генерации текста и запуска локально через llama.cpp, включая режим командной строки и серверный режим. Модель содержит 14 миллиардов параметров и использует квантизацию Q4_K_M, что уменьшает требования к памяти по сравнению с полной версией модели, но может снижать точность и качество генерации. В README указана текстовая модальность и поддержка запуска на Mac, Linux и оборудовании с аппаратным ускорением, включая Nvidia GPU; сведения о языках, архитектурных особенностях и максимальной длине контекста не приведены. В качестве примера запуска указан контекст размером 2048 токенов, однако это не обязательно максимальное значение модели. Модель подходит для локальных чат-сценариев, генерации текста и интеграции в приложения через llama.cpp. Лицензия указана как Apache 2.0; подробные характеристики и ограничения следует уточнять в карточке исходной модели Qwen/Qwen3-14B.

DazzlingShadow/Qwen3.5-122B-A10B-heretic-ARA — постобученная мультимодальная модель диалога на архитектуре Qwen3.5 MoE, опубликованная в формате Transformers. Abliteration изменяет поведение отказов: в приведённом сравнении модель отказала в 0 из 100 запросов против 88 из 100 у исходной Qwen/Qwen3.5-122B-A10B. Модель принимает текст и изображения и генерирует текст; она подходит для диалога, визуального понимания и ответов на вопросы по изображениям. Модель содержит 122 млрд параметров, из которых активируется около 10 млрд; архитектура включает 48 слоёв и разреженный Mixture of Experts. Контекстное окно — 262 144 токена, с заявленным расширением до 1 010 000. В карточке исходного семейства заявлена поддержка 201 языка и диалекта, однако языковая таблица в README опущена. Весы доступны в safetensors и совместимы с Transformers и рядом движков инференса. Лицензия — Apache-2.0.