I.6Перевод и языковая адаптация

Soulfate24/PaddleOCR-VL-1.6-ASHQ1-Remix-GGUF — это квантизированная в формате GGUF версия мультимодальной модели PaddleOCR-VL-1.6, разработанной PaddlePaddle. Модель предназначена для преобразования изображений в текст и анализа документов с применением OCR: распознавания текста, разбора структуры страниц, определения макета, обработки таблиц, формул, диаграмм, печатей и других элементов документов. Заявлена поддержка английского, китайского и многоязычных сценариев. Модель ориентирована на локальный запуск в совместимых средах, поддерживающих GGUF. В набор входят варианты квантизации ASHQ1-Remix с разными компромиссами между размером, точностью и скоростью: от примерно 239 до 430 МиБ для представленных конфигураций; в README также приведён эталонный вариант Q8_0 размером 475 МиБ. По опубликованным тестам, более компактные варианты снижают показатели сохранения качества, поэтому выбор конфигурации зависит от доступной памяти и требований к точности. Архитектура, число параметров и размер контекста в README не указаны. К сильным сторонам относятся специализированные возможности анализа сложных документов, мультимодальный ввод и возможность использования компактных квантизированных файлов. Ограничения включают потенциальную потерю точности при агрессивной квантизации, зависимость производительности от конкретного варианта и программного окружения, а также отсутствие подробных сведений о контексте и архитектуре. Модель распространяется по лицензии Apache-2.0.

Perseus-Doc-vl-0712-i1-GGUF — это квантованные файлы GGUF базовой визуально-языковой модели Perseus-Doc-VL-0712, разработанной prithivMLmods и подготовленной к квантованию пользователем mradermacher. Модель предназначена для работы с документами и изображениями: распознавания текста, интеллектуального распознавания рукописного текста, анализа PDF и других визуальных данных, генерации подписей и преобразования изображений в текст. Доступны mmproj-файлы для мультимодального режима. В README указана поддержка английского и китайского языков. Архитектура, число параметров, размер контекста и точный набор поддерживаемых входных форматов не раскрыты. Репозиторий содержит варианты квантования от 2,0 до 6,4 ГБ; более компактные варианты требуют меньших ресурсов, но могут заметно уступать по качеству, тогда как Q4_K_M отмечен как быстрый и рекомендуемый вариант. Основные ограничения — отсутствие подробных количественных оценок, сведений о производительности и характеристиках базовой модели в карточке данного репозитория. Модель распространяется по лицензии Apache-2.0. Указанные в README датасеты включают OpenDoc-Pdf-Preview, Corvus-OCR-Caption-Mix, Openpdf-Analysis-Recognition и Opendoc2-Analysis-Recognition.

heydariAI/persian-embeddings — дообученная Mohammad Hassan Heydari модель XLM-RoBERTa для построения контекстных векторных представлений предложений и абзацев. Она основана на FacebookAI/xlm-roberta-base и адаптирована на крупном корпусе персидских текстов для более точного учёта особенностей персидского языка. Модель предназначена для семантического поиска, кластеризации текстов и оценки контекстного сходства. Входом служит текст на персидском или английском языке, выходом — представления токенов, которые следует агрегировать подходящей операцией pooling для получения эмбеддинга предложения или абзаца. Архитектура — плотная XLM-RoBERTa; размер указан как 658,7 млн параметров, длина контекста — 514 токенов. Модель распространяется по лицензии Apache-2.0. Качество может быть ниже на языках, отличных от персидского и английского, а для получения эмбеддингов целых фрагментов текста требуется корректно настроить pooling.

p-e-w_Qwen3-4B-Instruct-2507-heretic-GGUF — это GGUF-квантизированная версия инструкционной языковой модели Qwen3-4B-Instruct-2507-heretic. Исходную модель разработал p-e-w, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, диалоговых сценариев и выполнения инструкций при локальном запуске через llama.cpp, LM Studio и совместимые проекты. Модель содержит около 4 миллиардов параметров и доступна в вариантах от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов варьируется примерно от 2,24 до 8,05 ГБ, что позволяет выбирать между качеством и требованиями к памяти. В README не указаны поддерживаемые языки, длина контекста, точная архитектура или мультимодальные возможности, поэтому модель следует рассматривать как текстовую. Сильными сторонами являются компактный размер, возможность локального запуска и широкий выбор квантизаций; варианты Q4–Q6 позиционируются как обеспечивающие хорошее или очень высокое качество при сниженных требованиях к памяти. Ограничения включают возможную потерю качества при использовании низких уровней квантизации и отсутствие указанного в README chat template, из-за чего форматирование запросов может потребовать проверки по карточке исходной модели. Распространение заявлено по лицензии Apache-2.0.

PLLuM-12B-instruct-2512 — польскоязычная инструктивная языковая модель семейства PLLuM, разработанная консорциумом PLLuM и продолжаемая альянсом HIVE AI. Модель предназначена для диалогов и общих языковых задач, включая генерацию и суммаризацию текста, извлечение информации и ответы на вопросы; также её можно использовать как основу специализированных ассистентов, в том числе для польской государственной администрации и юридических или бюрократических тем с подключённым поиском по документам. Это плотная авторегрессионная модель архитектуры MistralForCausalLM с 12,1 млрд параметров и контекстом до 131 072 токенов. Обучение включает продолжение предобучения на польских и английских текстах, инструктивную настройку и обучение на предпочтениях. Модель ориентирована прежде всего на польский язык, английский использован для расширения обобщения. Для прикладного использования опубликована в формате safetensors; лицензия — Apache 2.0. Карточка сообщает о хороших результатах на собственных тестах для польской публичной администрации и общих польскоязычных задачах, но не приводит численных оценок для этой версии. Для работы с актуальными или специализированными документами модель следует сочетать с поиском или RAG; ответы могут содержать ошибки и требуют проверки.

bunnycore/Qwen-2.5-3b-Evol-CoT — языковая чат-модель, созданная слиянием нескольких моделей на базе Qwen 2.5; в README указаны Replete-LLM-V2.5-Qwen-3b, Qwen-2.5-3b-RP и Qwen-2.5-3b-Mix-Data-lora. Для слияния применён метод DARE TIES через mergekit, базой названа bunnycore/Qwen-2.5-3b-RP. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст. В репозитории указана лицензия не была в предоставленных данных, поэтому условия использования определить нельзя.

mradermacher/Qwen3-4B-Instruct-2507-20250808-233922-0-i1-GGUF — это квантизированная версия текстовой инструкционной модели EganAI/Qwen3-4B-Instruct-2507-20250808-233922-0, подготовленная mradermacher в формате GGUF. Модель основана на Qwen3, имеет около 4 миллиардов параметров и предназначена для генерации текста и диалогового взаимодействия по инструкциям. Модель подходит для локального запуска в сценариях, где требуется компактная causal language model: ответы на запросы, генерация и преобразование текста, простые ассистентские задачи и эксперименты с LLM. В README указана поддержка английского языка. Мультимодальные возможности и размер контекстного окна не заявлены, поэтому модель следует рассматривать как текстовую. Доступно множество вариантов квантизации GGUF с размерами примерно от 1,2 до 2,7 ГБ. Это облегчает запуск на устройствах с ограниченными ресурсами, однако степень квантизации влияет на качество: наиболее компактные варианты могут заметно уступать по качеству, тогда как i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q4_K_S — как сбалансированный по размеру, скорости и качеству. Модель распространяется под лицензией Apache-2.0.

voodooquant/Qwen3.5-2B-MTP-Voodoo — это GGUF-квантизированная версия базовой мультимодальной модели Qwen3.5-2B-Base, созданная Voodoo Quant. Модель предназначена для исследовательских и прикладных сценариев, связанных с обработкой текста и изображений, включая мультимодальное понимание, рассуждения, программирование и агентские задачи. Базовая модель рассчитана преимущественно на дообучение, эксперименты с in-context learning и разработку, а не на непосредственное диалоговое использование без дополнительной настройки. Модель представляет собой причинную языковую модель с vision encoder, объединяющую Gated Delta Networks, разреженную Mixture-of-Experts и Gated Attention. Она содержит около 2 млрд параметров, 24 слоя, скрытую размерность 2048 и поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 010 000 токенов. Заявлена поддержка 201 языка и диалекта. Архитектура обучалась с использованием multi-step training (MTP). Квантизация Voodoo Quant выбирает уровни сжатия отдельно для разных тензоров; заявлено снижение perplexity до 89% по сравнению с обычными схемами квантизации. Чекпойнты работают в неизменённом Llama.cpp и не являются дообученными версиями исходной модели. Сильными сторонами являются мультимодальность, большой контекст, относительно компактный размер и оптимизация GGUF для эффективного локального запуска. Ограничения включают необходимость учитывать особенности конкретного уровня квантизации, а также то, что README не приводит подробных количественных результатов, требований к памяти и аппаратных рекомендаций. Модель распространяется по лицензии Apache-2.0.

OpenVINO/Qwen3.5-4B-int4-ov — квантованная версия мультимодальной модели Qwen3.5-4B, разработанной командой Qwen и преобразованная в формат OpenVINO IR. Модель предназначена для диалоговых сценариев и задач «изображение–текст», включая анализ и описание изображений, а также генерацию ответов на текстовые запросы с визуальным контекстом. Модель имеет размер 4B параметров; точные сведения об архитектуре, поддерживаемых языках и максимальной длине контекста в карточке не указаны. Веса сжаты до INT4 в асимметричном режиме с размером группы 128, что уменьшает требования к памяти, но может сопровождаться потерей качества по сравнению с исходной моделью. Для запуска используются OpenVINO и Optimum Intel; заявлена совместимость с OpenVINO 2026.2.0 и новее и Optimum Intel 1.27.0 и новее. Ограничения следует уточнять в карточке исходной Qwen3.5-4B. Модель распространяется по лицензии Apache License 2.0.

MuXodious разработал Qwen3.5-9B-SOMPOA-heresy — дообученную версию мультимодальной модели Qwen3.5-9B, обработанную инструментом Heretic с методами abliteration и Self-Organizing Maps. В процессе создания также применялась 4-битная qLoRA. Модель предназначена для диалога и ответов на запросы с изображениями; доступны интерфейс вызова инструментов и возможности vision. Модель содержит 9 млрд параметров и использует архитектуру Qwen3.5 с языковой моделью и визуальным энкодером. Базовая модель поддерживает 201 язык и диалект и имеет контекст длиной 262 144 токена с возможностью расширения; эти характеристики относятся к Qwen3.5-9B и не подтверждают отдельную оценку дообученной версии. Автор сообщает, что после обработки доля отказов снизилась с 414 из 416 до 33 из 416 в использованной им проверке. Лицензия — Apache-2.0.

Это GGUF-сборка модели Qwen3.6-35B-A3B-uncensored-heretic-Native-MTP-Preserved, подготовленная cvgro с применением смешанной квантизации APEX. В модели сохранены 20 слоёв MTP для спекулятивного декодирования; README заявляет о возможном ускорении генерации на 20–50% при соответствующих настройках llama.cpp. Модель основана на мультимодальной MoE-модели Qwen3.6-35B-A3B и принимает текстовые и визуальные запросы, выдавая текст. Сборка предназначена для диалога, генерации текста и работы с изображениями. Базовая модель была модифицирована Heretic и MPOA для снижения числа отказов, а эта версия дополнительно упакована в GGUF с вариантами APEX, включая F16. README утверждает, что APEX сохраняет качество при меньшем размере файлов, но приведённые таблицы сравнений в карточке опущены. Репозиторий распространяется по лицензии Apache-2.0. Для запуска README приводит примеры с llama.cpp и Ollama; указанный в примере контекст — 131072 токена. Это рекомендация для запуска, а не подтверждённый метаданными предел контекста модели.

Qwen3.8-27B-huihui-abliterated-groupwise-int-NInfer — артефакт квантования модели huihui-ai/Huihui-Qwen3.8-27B-abliterated, опубликованный в пространстве Barding-Defense и предназначенный для движка NInfer. Это мультимодальная модель для работы с текстом и изображениями, поддерживающая режимы reasoning и speculative decoding с использованием MTP. Upstream-модель подвергнута удалению отказов методом редактирования весов; данная версия не выполняет дообучение или дополнительное изменение поведения, а только преобразует формат и квантует веса. Модель содержит 27B параметров, текстовую часть, vision-компоненты, MTP и оптимизированную draft head. Используется groupwise integer-квантизация с форматами Q5G64_F16S, Q4G64_F16S, W8G32_F16S и другими, при этом часть компонентов сохранена в BF16 или FP32. Контейнер занимает около 18,2 GB, а резидентный объём весов составляет примерно 15,9 GiB. Для работы требуется GPU NVIDIA Blackwell с compute capability 12.0 (sm_120a); заявлена поддержка контекста до 262144 токенов при серверном запуске. Сильные стороны модели — компактное размещение в памяти, совместимость со штатным NInfer, поддержка изображений и MTP-декодирования. На указанном GPU измеренная скорость декодирования достигает 199,6 токена в секунду с MTP при 86,2% принятия draft-токенов. Ограничения включают привязку к Blackwell, отсутствие опубликованных capability-бенчмарков и сравнения с BF16, а также возможное снижение возможностей из-за abliteration; степень этого снижения не измерялась. Лицензия — Apache-2.0.

Qwen3.8-27B-PrismaScout-AQUA-Vision-20GB — мультимодальная квантованная модель на базе Qwen/Qwen3.8-27B, опубликованная rdtand с использованием методики PrismaQuant. Она предназначена для обработки текста, изображений и видео, включая сценарии визуального анализа и генерации ответов по мультимодальным входным данным. Модель совместима с vanilla vLLM и не требует форка vLLM, специального загрузчика или плагинов. Модель сохраняет визуальный входной тракт Qwen3.8, языковую голову и MTP-голову. В языковой части 64 слоя и 496 Linear-компонентов распределены между NVFP4, FP8 E4M3 и BF16; визуальная башня и merger используют NVFP4 W4A4. Всего в checkpoint содержится 615 Linear-компонентов, а итоговый размер артефакта составляет около 19,98 млрд байт, то есть укладывается в ограничение 20 GB. NVFP4 использует 4-битные веса и активации с размером группы 16, FP8 — 8-битные веса и активации. Точные поддерживаемые языки и размер контекстного окна в README не указаны. Сильная сторона модели — сочетание мультимодальности и существенного снижения размера при сохранении близкого к BF16 поведения: на указанном тесте прирост perplexity составил 3,0119%, а средняя KL-дивергенция относительно BF16-версии — 0,0439. Ограничения связаны с потерями квантования, возможными ошибками на нетипичных данных и отсутствием подробных сведений о качестве на широком наборе прикладных бенчмарков. Модель распространяется по лицензии Apache-2.0.

Callick99/Qwen3.8-27B-Uncensored-GGUF — это набор GGUF-квантизаций модели Qwen3.8-27B, разработанной на базе Qwen/Qwen3.8-27B и опубликованной пользователем Callick99. Модель предназначена для генерации текста и локального запуска через совместимые среды, включая llama.cpp. Доступны варианты с интегрированной MTP-головой для speculative decoding, отдельными target- и draft-файлами, а также vision-проектором для обработки изображений в совместимых runtime. Модель использует архитектуру Qwen3_5ForConditionalGeneration с 64 слоями, словарём из 248 320 токенов, одной MTP-головой и контекстом до 262 144 токенов. Заявлена поддержка английского и китайского языков; наличие vision-компонента позволяет работать с изображениями при использовании соответствующего проектора и runtime. Доступны квантизации IQ2_M, IQ4_XS, Q4_K_M, Q5_K_M, Q6_K и Q8_0, занимающие примерно от 10,6 до 29 ГБ. Основная особенность сборки — существенное снижение поведения, связанного с отказами, без дополнительного обучения и изменения обучающих данных; отказы не устранены полностью. MTP и speculative decoding могут повысить скорость генерации, однако для draft-головы возможна немного меньшая частота принятия токенов. Низкобитные квантизации экономят память, но могут снижать качество, особенно IQ2_M. Модель и её возможности в остальном наследуют ограничения базовой Qwen3.8-27B. Распространяется по лицензии Apache-2.0.

Карточка модели willhx/Qwen3-8B-Base-Math-SeaSFT на Hugging Face совпадает с карточкой Qwen/Qwen3-8B-Base, поэтому описание составлено по ней. Qwen3-8B-Base — плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это базовая модель на этапе предобучения, рассчитанная на дальнейшую адаптацию и генерацию текста. В карточке указаны 36 слоёв, 32 головы внимания для Q и 8 для KV; метаданные каталога оценивают размер в 7,6 млрд параметров, а README приводит 8,2 млрд параметров всего и 6,95 млрд без эмбеддингов. Контекст — 32 768 токенов. Модель предназначена для продолжения текста и служит основой для создания специализированных моделей и диалоговых систем. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; README отмечает отдельное внимание к программированию, STEM, рассуждениям, книгам и многоязычным данным. Модель использует архитектуру Qwen3 для причинного моделирования языка и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка советует использовать актуальную версию Transformers: версии ниже 4.51.0 не распознают архитектуру qwen3. Поскольку это базовая, а не инструктивно настроенная версия, для диалогового применения и следования инструкциям может понадобиться дополнительная настройка.

Kaoeiri/Qwenwify2.5-32B-v4.5 — объединённая языковая модель, созданная автором репозитория с помощью mergekit на основе Qwen/QwQ-32B-Preview. В слияние DARE TIES также вошли Kaoeiri/Qwenwify-32B-v3, allura-org/Qwen2.5-32b-RP-Ink, Dans-DiscountModels/Qwen2.5-32B-ChatML, Saxo/Linkbricks-Horizon-AI-Japanese-Base-32B, OpenBuddy/openbuddy-qwq-32b-v24.2-200k и Sao10K/32B-Qwen2.5-Kunou-v1. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 32 млрд параметров. Она предназначена для диалоговой генерации текста; каталог также отмечает интерфейс вызова инструментов. Максимальный контекст — 32 768 токенов. Модель работает с текстом на входе и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-ND 4.0 допускает использование с соблюдением её условий, включая ограничения на коммерческое использование и распространение производных материалов. В карточке не описаны отдельные оценки качества или подробные языковые гарантии; теги указывают на контент не для всех аудиторий.

Rombo-LLM-V2.7-llama-3.2-3b — языковая модель Rombo-Org на архитектуре LlamaForCausalLM с 3,2 млрд параметров. По карточке, она объединяет предварительно обученную и instruct-настроенную версии Llama 3.2 3B; метаданные указывают базовую модель meta-llama/Llama-3.2-3B-Instruct и связь fine-tuning. Модель предназначена для генерации текста и диалогов, а также может использоваться для дальнейшего дообучения или инференса без дополнительной настройки. Модель работает с текстом, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors через библиотеку Transformers. Карточка не уточняет языки и результаты оценки качества; метаданные характеризуют базовую модель как мультиязычную. Лицензия — Llama 3.2, поэтому использование регулируется её условиями.

Tencent Sequential-Hidden-Decoding-8B-n8-Instruct — дообученная для следования инструкциям и диалогов модель генерации текста на архитектуре Qwen3. Она использует Sequential Hidden Decoding: несколько матриц эмбеддингов для одной последовательности чередуются, формируя расширенную последовательность для обработки тем же трансформером; вариант n=8 имеет масштабирование последовательности 8×. Модель содержит 7,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых сценариев и выполнения инструкций. Для инференса требуется версия SGLang с патчами, а также пользовательский код архитектуры из репозитория и параметр trust_remote_code. README указывает тип данных bfloat16 и рекомендует настройки запуска, рассчитанные на стабильность и производительность при обработке расширенных последовательностей. В метаданных базовыми компонентами указаны Qwen/Qwen3-8B-Base и tencent/Sequential-Hidden-Decoding-8B-n8; происхождение классифицировано как слияние. Лицензия обозначена как other, поэтому конкретные условия следует проверять в репозитории модели.

Slush-Sunfall-Rocinante-GGLD-12B — объединённая языковая модель, созданная сообществом mergekit-community из IAmTheCollector/MN-Slush-GGLD и knifeayumu/Rocinante-12B-v1-nemo-sunfall-v0.6.1-SLERP. Модели объединены методом SLERP в формате bfloat16; конфигурация задаёт Slush-GGLD для входных и выходных слоёв и Rocinante-Sunfall для промежуточных слоёв. Модель построена на плотной архитектуре MistralForCausalLM и содержит 12,1 млрд параметров. Она предназначена для генерации текста и диалогов; карточка также отмечает интерфейс вызова инструментов. Указанное нативное контекстное окно — 1 024 000 токенов. Метаданные указывают библиотеку Transformers и формат safetensors. Лицензия в предоставленных сведениях не приведена.

Spark-X2.5-1.7B-GGUF — квантизированная версия языковой модели Spark-X2.5-1.7B, разработанной XHToken и подготовленной stornic56 в формате GGUF для llama.cpp. Модель предназначена для генерации текста, рассуждений и сценариев с tool calling; поддерживает текстовый ввод и языки английский и китайский. По умолчанию модель выводит ход рассуждений внутри тегов <think>...</think> перед финальным ответом, а шаблон чата и поддержку вызова инструментов содержит встроенно. Модель имеет 1,7 млрд параметров и распространяется в вариантах от bf16 до квантизаций Q8_0, Q6_K, Q5_K_M, Q4_K_M, IQ4_NL и IQ3_M. Для большинства сценариев рекомендуется Q4_K_M размером около 1,0 ГБ; IQ3_M является наименьшим вариантом, прошедшим заявленную проверку качества, тогда как Q3_K_M отсутствует из-за неудовлетворительного результата. Квантизации ниже bf16 выполнены с использованием imatrix и корпуса wikitext-2-raw-v1, что призвано сохранить качество при уменьшении размера. Для запуска требуются llama.cpp или совместимые Ollama и LM Studio, собранные с поддержкой архитектуры spark2_5; заявлена совместимость с mainline llama.cpp начиная с b10828. Доступны CPU, CUDA и Vulkan-сценарии, включая Intel и AMD GPU. Контекст может задаваться параметром запуска; в README приведены примеры на 8192 и 16384 токена, но фиксированный максимальный размер контекста не указан. Ограничениями являются небольшой размер модели, текстовая модальность и зависимость от совместимого runtime и шаблона чата. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_Experiment24Shadow — объединённая модель на архитектуре Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment24Shadow-7B. Она предназначена для генерации текста и диалогов; содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0.

Tess-XL-v1.0 — универсальная большая языковая модель из серии Tess, разработанной migtissera. Модель основана на Goliath-120B; в метаданных указаны архитектура LlamaForCausalLM, 117,5 млрд параметров и контекст до 4096 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста общего назначения и диалогов, в том числе для развёрнутых ответов на вопросы и творческих задач. Карточка приводит формат общения с ролями SYSTEM, USER и ASSISTANT и примеры диалогов. В метаданных не заявлена специализация на конкретном языке или предметной области. Модель распространяется по лицензии Llama 2. Карточка указывает Goliath-120B как базу, но не описывает подробно обучение и ограничения; фактическое качество может зависеть от запроса и сценария применения.

Twilight-Large — плотная языковая модель на архитектуре Mistral с 122,2 млрд параметров, созданная автором softwareweaver с помощью mergekit. Она объединяет Mistral-Large-Instruct-2407, lumikabra-123B_v0.4 и Behemoth-123B-v1 методом della_linear; в качестве базовой использована Mistral-Large-Instruct-2407. Модель предназначена для генерации текста в диалоговом формате и использует формат запросов Mistral Large. Модель принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена. В карточке упоминаются интерфейс вызова инструментов и возможность использовать control vectors для настройки генерации; качество этих возможностей не оценено в приведённых материалах. Репозиторий содержит веса в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с лицензиями базовых моделей и карточкой репозитория.

jackboot/uwu-qwen-32b — объединённая языковая модель на 32 млрд параметров, созданная с помощью mergekit методом TIES на основе Qwen/QwQ-32B-Preview и EVA-UNIT-01/EVA-Qwen2.5-32B-v0.2. Она предназначена для диалоговой генерации текста; каталог также указывает интерфейс вызова инструментов. Модель использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. В README отмечено, что варианты EOS-токена у исходных моделей немного различаются, а настройки BOS могут менять результаты; автор советует подбирать подходящий токенизатор. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

WestKunai-Hermes-long-128k-test-7b — слитая языковая модель на архитектуре Mistral, созданная автором seyf1elislam с помощью mergekit из WestKunai-Hermes-7b и NousResearch/Yarn-Mistral-7b-128k. Модель содержит 7,1 млрд параметров и предназначена для генерации текста.

xdg-llama-3-8B — языковая модель на архитектуре Llama 3, опубликованная xiaodongguaAIGC. Модель содержит около 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Она дообучена с использованием SFT, DPO и RLHF, включая обучение reward model и PPO, на смешанных инструкционных данных; среди датасетов указаны набор разработчика alpaca_en_zh_ruozhiba и наборы для безопасности PKU-SafeRLHF и CValues_DPO. Модель предназначена для генерации ответов на инструкции и вопросы, в том числе на китайском и английском языках; автор также заявляет возможности в программировании, рассуждениях и безопасном отказе. README приводит результаты MMLU, C-EVAL и C-MMLU, которые ниже указанных там результатов базовой Llama-3-8B и Llama-3-8B-Instruct. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Многоязычная модель Sentence Transformers на базе FacebookAI/xlm-roberta-base, дообученная на парах предложений en–es. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для сравнения семантической близости, поиска и группировки текстов. Для сопоставления векторов используется косинусное сходство; архитектура включает XLM-RoBERTa с усреднением токенных представлений. Максимальная длина последовательности в карточке — 128 токенов. Модель поддерживает английский и испанский, а также широкий набор других языков, включая русский. В README приведены результаты оценки на задачах сходства и перевода между английским и испанским; это не генеративная модель и сама по себе не переводит текст. Размер базовой архитектуры — 305,2 млн параметров, формат весов — safetensors. Лицензия в предоставленных данных не указана.

YamshadowStrangemerges_32_Experiment29Pastiche — объединённая языковая модель, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/Experiment29Pastiche-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0.

YamshadowStrangemerges_32_NeuralsirkrishnaShadow — объединённая модель генерации текста на архитектуре Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/NeuralsirkrishnaShadow-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста по текстовым запросам. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0.

hon9kon9ize/yue-embed — модель Sentence Transformers, разработанная hon9kon9ize и дообученная на базе hon9kon9ize/bert-large-cantonese-sts на смешанном наборе данных для оценки семантического сходства предложений на кантонском и английском языках. Она кодирует предложения и абзацы в плотные векторы размерности 1024; сходство между ними оценивается косинусной мерой. Модель подходит для семантического поиска, поиска перефразировок, кластеризации, классификации текста и сравнения текстовых фрагментов. Архитектура состоит из BERT и слоя mean pooling. Максимальная длина входа — 512 токенов; модель принимает текст и выдаёт векторные представления. Данные модели указывают лицензию Apache-2.0. В README приведены результаты на англоязычных наборах NanoBEIR и Nano BEIR, однако их недостаточно, чтобы подтвердить качество для всех перечисленных языков и сценариев; показатели следует проверять на целевых данных.