I.6Перевод и языковая адаптация

MaziyarPanahi/Llama-3-13B-Instruct-v0.1-GGUF — набор квантизованных файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе MaziyarPanahi/Llama-3-13B-Instruct-v0.1. Модель предназначена для генерации текста и диалоговых сценариев с использованием инструкционного формата Llama 3, включая работу через llama.cpp. Известно, что доступны варианты квантизации с разрядностью от 2 до 8 бит, что позволяет выбирать между меньшим размером файлов и потенциально более высоким качеством. Размер базовой модели составляет 13B параметров. Модальность — текстовая; сведения о поддерживаемых языках, размере контекста, точной архитектуре и результатах оценки в README не указаны. Для корректной работы требуется применять шаблон промпта Llama 3 и поддержка формата GGUF в используемом программном обеспечении. Лицензия в README не указана.

Magpie-Align/Llama-3-8B-Magpie-Air-MT-SFT-v0.1 — плотная авторегрессионная языковая модель семейства Llama 3, дообученная на наборе Magpie-Air-MT-300K-v0.1. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Для диалога рекомендуется использовать официальный шаблон чата Llama 3. Модель предназначена для генерации ответов на инструкции и ведения диалога. Авторы сообщают о результатах, сопоставимых с Llama-3-8B-Instruct на некоторых задачах, и приводят оценки Alpaca Eval 2 и Arena Hard. Модель опубликована в форматах PyTorch и Safetensors и распространяется по лицензии Meta Llama 3 Community License. Она унаследует ограничения базовой Llama 3 и качество данных дообучения; приведённые оценки не гарантируют одинаковую производительность на всех запросах.

DiscoResearch и Occiglot разработали эту инструктивно дообученную языковую модель при поддержке DFKI и hessian.Ai. Она основана на Llama 3 и предназначена прежде всего для диалогов и выполнения инструкций на немецком языке. Модель имеет плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и принимает текст, выдавая текст. Базовую Llama 3 дообучали на 65 млрд немецких токенов, затем расширили контекст обучением на последовательностях длиной 32 тыс. токенов и провели инструктивное дообучение на немецком наборе DiscoResearch. В метаданных указано нативное окно контекста 65 536 токенов; README описывает обучение длинного контекста на 32 тыс. токенов. Модель подходит для немецкоязычных диалогов, ответов на вопросы, следования инструкциям и работы с длинными текстами. В README приведены результаты оценки на английских и немецких бенчмарках. Доступна в формате safetensors для Transformers; лицензия — Llama 3, поэтому использование регулируется её условиями.

M7Yamshadowexperiment28_Experiment26Yamshadow — объединённая модель на архитектуре Mistral, созданная из automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26Yamshadow-7B. Она предназначена для генерации текста и имеет 7,1 млрд параметров с контекстом до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

M7Yamshadowexperiment28_Experiment27Shadow — объединённая модель семейства Mistral, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Experiment27Shadow-7B. Она предназначена для генерации текста и диалоговых сценариев на основе текстовых запросов. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории представлены веса в формате Safetensors. Карточка не сообщает о специальных предметных областях или языковой специализации, поэтому модель следует рассматривать как текстовую модель общего назначения. Она распространяется по лицензии Apache-2.0.

MFANN-Llama3.1-Abliterated-SLERP-V5 — объединённая методом SLERP языковая модель, созданная разработчиком netcat420 с помощью mergekit на основе mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated и netcat420/MFANNv0.25. Это плотная причинно-авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров, предназначенная для диалогов и генерации текста. Модель принимает текст и выдаёт текст; заявленный размер контекста — 131 072 токена. Модель рассчитана на интерактивные беседы и генерацию ответов. Базовая модель описана в каталоге как диалоговая Llama 3.1 8B Instruct с ослабленными ограничениями на ответы. Файлы представлены в формате safetensors; метаданные указывают библиотеку Transformers. Лицензия в предоставленных данных не указана.

Midnight-Miqu-103B-v1.0 — языковая модель, созданная sophosympatheia методом passthrough-слияния слоёв Midnight-Miqu-70B-v1.0 с самой собой. Это плотная авторегрессионная модель семейства Llama на 102,9 млрд параметров, распространяемая в формате safetensors для Transformers; карточка заявляет контекст до 32 тыс. токенов и возможность диалогового использования. Модель предназначена для генерации текста и ответов в чате с длинным контекстом. В карточке приведены ссылки на отдельные сторонние квантованные сборки GGUF и EXL2; сам репозиторий содержит safetensors. Лицензия указана как other, поэтому условия использования следует сверить с файлами и сведениями лицензии репозитория. README отсылает к карточке базовой Midnight-Miqu-70B-v1.0 за подробностями применения, поэтому конкретные языки, качество и ограничения здесь не уточнены.

MISCHIEVOUS-12B-Mix_Neo — объединённая языковая модель на архитектуре Mistral, созданная автором bamec66557 методом SLERP с помощью mergekit из моделей MISCHIEVOUS-12B-Mix_0.4v и MISCHIEVOUS-12B-Mix_0.5v. Модель содержит 12,1 млрд параметров и предназначена для генерации текста в диалоговых сценариях; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Заявленная длина контекста — до 1 024 000 токенов. Лицензия — Apache-2.0. В README приведены результаты оценки на Open LLM Leaderboard, включая средний балл 25,80 и результат IFEval 62,50; эти показатели не гарантируют качество на конкретных пользовательских задачах.

unsloth/mistral-7b-bnb-4bit — это напрямую квантизированная 4-битная версия Mistral 7B, подготовленная командой Unsloth с использованием bitsandbytes. Модель предназначена для запуска и дообучения в экосистеме Transformers, в том числе в доступных GPU-средах вроде Google Colab и Kaggle. Основные сценарии использования — генерация и продолжение текста, диалоговые приложения, а также fine-tuning на собственных наборах данных. README указывает поддержку английского языка, библиотекой интеграции является Transformers. Архитектура основана на Mistral 7B, однако точные параметры контекста и другие архитектурные характеристики в карточке не приведены. Формат 4-bit уменьшает требования к памяти; для Mistral 7B заявлено снижение использования памяти примерно на 62% при дообучении с инструментами Unsloth. Сильные стороны модели — компактное 4-битное представление и ориентированность на эффективное дообучение, включая последующий экспорт в GGUF или использование с vLLM. Ограничения включают возможное снижение точности из-за квантизации, зависимость от совместимого программного окружения и отсутствие в README подробных результатов оценки качества. Модель распространяется по лицензии Apache-2.0.

mncai/mistral-7b-dpo-v5 — языковая модель MindsAndCompany на базе Mistral, прошедшая настройку для следования инструкциям и оптимизацию предпочтений методом DPO. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых сценариев; в примере карточки задан вопрос на корейском языке, однако метаданные указывают английский как язык карточки. Модель поддерживает контекст до 32 768 токенов. Её можно применять для ответов на вопросы, ведения диалога и создания текстовых функций для бизнес-продуктов, включая чат-боты и помощники. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. Карточка не приводит результатов оценки качества или подробного описания ограничений.

Это 4-битная MLX-версия модели Devstral-Small-2-24B-Instruct-2512, разработанной Mistral AI и конвертированной сообществом mlx-community из исходной модели mistralai/Devstral-Small-2-24B-Instruct-2512. Модель предназначена для диалоговых и инструкционных сценариев, а также для задач преобразования изображений и текста в текст, включая описание изображений. Модель содержит 24 миллиарда параметров, относится к семейству Mistral и поддерживает мультимодальный режим с обработкой изображений и текста. Она преобразована в формат MLX и использует 4-битное квантование, что уменьшает требования к памяти по сравнению с полноразмерной версией. README не содержит сведений о длине контекста, поддерживаемых языках, точной архитектуре или результатах тестирования. К сильным сторонам относятся инструкционный режим, мультимодальные возможности и компактное 4-битное представление для запуска через mlx-vlm. Ограничения включают отсутствие в README подробностей о качестве, языковой поддержке, контекстном окне и аппаратных требованиях; кроме того, квантование может влиять на точность по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0.

moco-sentencedistilbertV2.1 — модель эмбеддингов предложений, разработанная bongsoo на базе семейства DistilBERT и обученная для оценки семантического сходства. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для семантического поиска, кластеризации и сравнения текстов. Архитектура — DistilBERT; модель использует Sentence-Transformers и PyTorch, контекст ограничен 512 токенами. Словарь содержит 152 537 токенов. Модель обучалась на корейских и англоязычных наборах данных для сопоставления предложений. В процессе использовалась дистилляция от paraphrase-multilingual-mpnet-base-v2 и последующее обучение на задачах семантического сходства. Она рассчитана прежде всего на корейский и английский языки и может применяться для поиска похожих фраз, сравнения текстов и группировки документов по смыслу. Лицензия в предоставленных данных не указана.

ModernBERT-TR Embed — компактная модель текстовых эмбеддингов на основе ModernBERT, разработанная ytu-ce-cosmos для представления турецких текстов в виде векторов. Модель содержит около 148,7 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Она предназначена для семантического поиска и оценки сходства предложений; также применима для классификации, кластеризации и двуязычного поиска на турецком и английском языках. Модель дистиллирована из Qwen/Qwen3-Embedding-8B, затем дообучена на задачах поиска и понимания турецкого языка, а несколько чекпойнтов объединены усреднением весов. По приведённому в карточке сравнению, она показывает конкурентные результаты на турецких бенчмарках при меньшем числе параметров, чем некоторые сравниваемые модели. Доступны форматы ONNX и safetensors; модель рассчитана на использование с Sentence Transformers и Text Embeddings Inference. Лицензия — Apache-2.0.

onelevelstudio/MPNET-0.3B — многоязычная модель эмбеддингов предложений, основанная на архитектуре XLM-RoBERTa и библиотеке Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, сравнения текстов и кластеризации. В README указана модель sentence-transformers/paraphrase-multilingual-mpnet-base-v2 как описание и источник сведений о назначении; разработчиком базовой модели названа команда Sentence-Transformers. Модель содержит 305,2 млн параметров и принимает текстовые фрагменты с контекстом до 514 токенов. Доступны веса и реализации в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Поддерживаются многие языки, в том числе русский и английский. Лицензия — Apache-2.0. Подходит для семантического поиска, оценки сходства текстов и кластеризации предложений и абзацев. Как и другие модели эмбеддингов, она выдаёт векторы, а не готовые ответы или разметку; качество зависит от языка и предметной области, а предел контекста ограничивает длину обрабатываемого фрагмента.

MyModelsMerge-7b — объединённая модель генерации текста на базе архитектуры Mistral, созданная Kukedlc с помощью LazyMergekit. В состав слияния вошли liminerity/M7-7b и модели Kukedlc, включая Neural4gsm8k, Jupiter-k-7B-slerp, NeuralMaxime-7B-slerp, NeuralFusion-7b-Dare-Ties, Neural-Krishna-Multiverse-7b-v3, NeuTrixOmniBe-DPO и NeuralSirKrishna-7b. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев общего назначения. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

Nanonets-OCR2-3B-GGUF — это квантизированная GGUF-версия мультимодальной модели Nanonets-OCR2-3B, разработанной nanonets. Квантизацию выполнил mradermacher. Модель предназначена для задач оптического распознавания символов, преобразования изображений в текст, конвертации PDF в Markdown и визуального ответа на вопросы (VQA). Модель поддерживает мультимодальный ввод: для работы используются файл модели GGUF и дополнительный multimodal supplement mmproj. Доступны варианты с разными уровнями квантизации — от Q2_K до Q8_0, а также f16; размеры файлов составляют примерно от 1,4 до 6,3 ГБ, без учета или с учетом дополнительного multimodal-компонента в зависимости от конфигурации. Заявлена поддержка многоязычных сценариев, однако конкретный перечень языков и размер контекстного окна в README не указаны. Основные преимущества — возможность локального запуска, широкий выбор компромиссов между размером, скоростью и качеством, а также наличие специализированных OCR- и image-to-text-сценариев. Более легкие варианты подходят для экономии ресурсов, тогда как Q6_K и Q8_0 ориентированы на более высокое качество; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Сведения о лицензии базовой модели и квантизированной версии в README отсутствуют, поэтому условия использования необходимо уточнять отдельно.

Trisert/nerde-14B — объединённая чат-модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit методом SLERP из HuggingFaceH4/zephyr-7b-beta и Nexusflow/Starling-LM-7B-beta. Несмотря на название репозитория, в метаданных указан размер 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста в ответ на запросы; её контекст составляет до 32 768 токенов. Модель распространяется в формате safetensors и рассчитана на работу через библиотеку Transformers. Метаданные и README не сообщают лицензию или результаты оценки качества, поэтому условия использования и сравнительную эффективность установить нельзя.

PaddleOCR-VL-1.6-i1-GGUF — квантизированная версия мультимодальной модели PaddleOCR-VL-1.6, разработанной PaddlePaddle и преобразованной в формат GGUF пользователем mradermacher. Модель предназначена для анализа изображений документов и преобразования их содержимого в структурированные текстовые данные, включая OCR, разбор макета, таблиц, формул, графиков, печатей и других элементов, а также для задач spotting. Заявлена поддержка английского, китайского и других языков. Модель работает с визуально-текстовыми данными и распространяется в виде набора вариантов квантизации i1, включая IQ- и Q-форматы размером примерно от 0,3 до 0,5 ГБ. README не содержит сведений о точной архитектуре, числе параметров и размере контекста. Преимущество набора — возможность выбрать компромисс между размером, скоростью и качеством; для некоторых вариантов отдельно отмечены высокая скорость или оптимальное соотношение характеристик. Ограничения связаны с потерями качества у низкобитных вариантов квантизации, а также с отсутствием в README подробных результатов оценки. Лицензия — Apache-2.0.

Qdrant подготовила ONNX-порт модели sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 с квантизацией. Это плотная модель на архитектуре BERT с 124,3 млн параметров, предназначенная для получения эмбеддингов предложений, поиска семантически близких текстов и текстовой классификации. Репозиторий предлагает запуск через FastEmbed. Модель поддерживает многоязычные сценарии, включая поиск сходства между предложениями; максимальная длина контекста — 512 токенов. Лицензия — Apache-2.0. Квантизированный ONNX-формат предназначен для эффективного инференса, но качество на задачах классификации зависит от используемого метода и данных.

mlx-community/Qwen2.5-3B-Instruct-4bit — преобразованная в формат MLX и 4-битно квантованная инструктивная языковая модель для диалоговой генерации текста. Репозиторий mlx-community создан на основе Qwen/Qwen2.5-3B-Instruct; исходную конвертацию выполнили с помощью mlx-lm версии 0.18.1. Модель построена на плотной архитектуре Qwen2, содержит 3,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель подходит для ответов на вопросы, диалога и генерации текста по инструкциям. Метаданные также указывают интерфейс вызова инструментов. README описывает использование через mlx-lm; репозиторий предназначен для MLX. Лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели и репозитория.

Theros/Qwen2.5-ColdBrew-R1-test — объединённая диалоговая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом Model Stock. В объединении использованы SvalTek/Qwen2.5-ColdBrew, bunnycore/Qwen-2.5-7B-R1-Stock и fblgit/cybertron-v4-qw7B-UNAMGS; базовой моделью и источником токенизатора указана SvalTek/Qwen2.5-ColdBrew. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый сценарий и имеет контекст до 131072 токенов. Она предназначена для генерации ответов и ведения текстовых диалогов. В карточке не приведены результаты сравнительных оценок качества, поэтому пригодность для конкретных задач следует проверять отдельно. Файлы представлены в формате safetensors, библиотека — Transformers; лицензия в доступных данных не указана.

unsloth/Qwen2-VL-7B-Instruct-unsloth-bnb-4bit — мультимодальная инструкционная модель, основанная на Qwen/Qwen2-VL-7B-Instruct и опубликованная Unsloth. Она предназначена для задач image-text-to-text: анализа изображений и видео, ответов на вопросы по визуальному содержимому, работы с документами и визуального диалога. Модель также может использоваться в сценариях автоматизации устройств, включая мобильные телефоны и роботов, где требуется интерпретация визуальной среды и текстовых инструкций. Модель содержит 7B параметров и использует 4-битное квантование BnB с динамическим подходом Unsloth, который выборочно сохраняет часть параметров в более высокой точности для улучшения качества при сопоставимом потреблении VRAM. Qwen2-VL поддерживает изображения произвольного разрешения благодаря динамическому числу визуальных токенов, а архитектура M-ROPE обрабатывает текстовые, двумерные визуальные и трёхмерные видеопозиции. Модель способна анализировать видео длительностью более 20 минут и распознавать тексты на английском, китайском, большинстве европейских языков, японском, корейском, арабском и вьетнамском языках. К сильным сторонам относятся мультимодальное понимание изображений и видео, работа с различными разрешениями и соотношениями сторон, а также сниженные требования к памяти благодаря квантованию. Ограничения, включая точный размер контекстного окна и возможные потери качества из-за квантования, в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-NEO-Imatrix-Max-GGUF — набор GGUF-квантизованных версий модели Qwen3-4B, опубликованный DavidAU на базе Qwen/Qwen3-4B. Модель предназначена для генерации текста, диалогов, задач, требующих рассуждений, а также творческих сценариев, включая создание историй и ролевое взаимодействие. Режим reasoning включён по умолчанию согласно описанию модели. Модель имеет около 4 миллиардов параметров и работает с текстом. Варианты используют квантизацию NEO Imatrix; для более низких уровней квантизации заявлен более заметный эффект Imatrix, а IQ4XS и IQ4NL названы оптимальным балансом качества и размера. Для повышения качества рассуждений рекомендуется использовать более высокие уровни квантизации. Вариант Q8_0 описан как максимально обработанный, но без эффекта Imatrix, а F16 соответствует полной точности. Заявленная длина контекста составляет 32K токенов плюс до 8K токенов генерации; также указана возможность расширения контекста до 128K. Сильными сторонами модели заявлены улучшенные рассуждения, генерация ответов и творческие возможности при сохранении преимуществ компактной 4B-модели. Ограничения связаны с компромиссом между размером, скоростью и качеством, характерным для квантизованных вариантов; конкретные поддерживаемые языки, результаты бенчмарков и системные требования в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-Thinking-2507-MLX-4bit — это 4-битно квантованная версия языковой модели Qwen3-4B-Thinking-2507, подготовленная для запуска на устройствах Apple Silicon. Исходную модель разработала команда Qwen, а квантование в формате MLX предоставила команда LM Studio с использованием mlx_lm. Модель предназначена для генерации текста и задач, требующих рассуждений, включая работу в локальных приложениях на базе LM Studio и других совместимых инструментов MLX. В README указано, что это модель класса text-generation с размером 4B параметров; она оптимизирована для Apple Silicon и использует 4-битное представление, что снижает требования к памяти по сравнению с полной версией. Сведения о поддерживаемых языках, максимальной длине контекста и мультимодальных возможностях не приведены, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся локальный запуск на совместимых компьютерах Apple и уменьшенное потребление памяти благодаря квантованию. Ограничения включают возможную потерю качества относительно исходной модели, зависимость производительности от оборудования и отсутствие гарантии точности, безопасности или соответствия результатов задаче. Модель распространяется по лицензии Apache-2.0.

hpnyaggerman/Qwen3.5-4B-heretic — мультимодальная модель на базе Qwen3.5-4B, изменённая проектом Heretic с помощью abliteration для снижения частоты отказов. По сравнению с исходной моделью в приведённом тесте число отказов снизилось с 99 до 60 из 100; это не означает полного отсутствия отказов или гарантии поведения в других сценариях. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает диалог и работу с визуальной информацией. Архитектура — плотная Qwen3.5 с 4 млрд параметров, языковой моделью и энкодером изображений; родительская карточка описывает гибридные блоки Gated Delta Networks и внимания. Контекст составляет 262 144 токена с возможностью расширения до 1 010 000 токенов. Модель подходит для диалогов, ответов на вопросы по изображениям, визуального анализа и других мультимодальных запросов. В README заявлена языковая поддержка Qwen3.5 для 201 языка и диалекта, но конкретный перечень языков в предоставленном фрагменте отсутствует. Это дообученная версия Qwen/Qwen3.5-4B-Base, опубликованная в формате safetensors и совместимая с Transformers и рядом движков инференса. Лицензия — Apache-2.0.

Qwen3.8-27B-Uncensored-Q8_0-GGUF — это GGUF-конверсия дообученной модели orcarouter/Qwen3.8-27B-Uncensored. Конверсию выполнили с помощью llama.cpp через сервис GGUF-my-repo; исходная модель основана на Qwen3.8-27B и связана с ней как fine-tune. Модель распространяется в формате GGUF и предназначена для запуска с llama.cpp на совместимом оборудовании. Заявленные сценарии включают обработку текста и изображений, reasoning, function calling, red-teaming и AI safety research. В карточке указаны английский и китайский языки, а также тег vision-language, однако подробности об архитектуре, поддерживаемых типах изображений, максимальном контексте и фактических возможностях function calling не приведены. Размер модели составляет 27B параметров, используется квантование Q8_0, что может снизить требования к памяти по сравнению с полноразмерной версией, сохраняя близкое к исходному качество, но конкретные требования к ресурсам не указаны. Модель может быть удобна для локального инференса через llama.cpp и серверного развёртывания. Ограничения включают отсутствие в README результатов тестирования, подробного описания датасета и дообучения, а также сведений о производительности и безопасности; заявленное «uncensored» позиционирование также означает необходимость самостоятельной оценки рисков и фильтрации ответов. Указана лицензия Apache-2.0.

ENOSYS/Qwen3-Embedding-0.6B-750-v1-GGUF — экспериментальная GGUF-квантизация модели Qwen3-Embedding-0.6B, подготовленная с использованием нестандартной ветки LLaMA.cpp и калибровочного набора imatrix. Модель предназначена для получения текстовых эмбеддингов и задач семантического поиска; семейство Qwen3 Embedding также описано как применимое для поиска по тексту и коду, классификации, кластеризации и поиска параллельных текстов. Модель содержит 0,6 млрд параметров, имеет контекст до 32 тысяч токенов и формирует векторы размерностью от 32 до 1024. README заявляет поддержку более 100 языков, включая русский и английский согласно метаданным, а также входных инструкций для настройки под задачу. Репозиторий распространяется в формате GGUF по лицензии Apache-2.0. README характеризует именно эту сборку как экспериментальную квантизацию и отмечает использование нестандартной ветки инструмента; отдельные показатели качества данной сборки не приведены.

semantic-lite — компактная многоязычная модель эмбеддингов, созданная разработчиком репозитория ukung на основе Qwen3-0.6B. Это плотная модель семейства Qwen3 с 6 слоями после сокращения исходных 28; метаданные указывают 231,1 млн параметров, а README — около 250 млн. Она преобразует текст в векторы размерности 1024 для семантического поиска, сравнения сходства, межъязыкового поиска, кластеризации, поиска дубликатов и парафраз, а также подготовки контекста для RAG и рекомендаций. Модель рассчитана на работу через sentence-transformers; в метаданных указан контекст до 40 960 токенов, тогда как README приводит максимум 8 192 токена. По карточке, модель наследует широкое языковое покрытие Qwen3; метаданные явно перечисляют английский, индонезийский, французский, испанский, немецкий, португальский, итальянский, нидерландский, японский, китайский, корейский, арабский, русский, вьетнамский, тайский, турецкий, польский, украинский, шведский, персидский, иврит и хинди. README сообщает о хорошем сходстве представлений в тесте на 22 языках и результатах выше all-MiniLM-L6-v2 на небольшом внутреннем индонезийском наборе. Лицензия — Apache-2.0. Нулевая классификация не поддерживается; короткие абстрактные запросы могут требовать асимметричных префиксов query:/passage:, а опубликованная оценка ограничена небольшим внутренним корпусом.

Sparse-Llama-3.1-8B-2of4 — разреженная версия Llama-3.1-8B, разработанная Neural Magic. Это авторегрессионная языковая модель с 2:4 структурированной разреженностью: в каждой группе из четырёх весов сохраняются два. Линейные операторы в блоках трансформера были прорежены с помощью SparseGPT, затем модель дообучали с дистилляцией знаний на 13 млрд токенов, чтобы восстановить качество. Размер модели — 7,5 млрд параметров, контекст — до 131 072 токенов; она принимает и генерирует текст. Модель предназначена для генерации текста и развёртывания языковых моделей с более эффективным использованием вычислений и памяти. README сообщает о результатах на OpenLLM и Mosaic Eval Gauntlet, близких к плотной версии Llama-3.1-8B, и описывает развёртывание через vLLM. Базовая модель поддерживает восемь языков, однако карточка не перечисляет их по отдельности. Лицензия — llama3.1; применение должно соответствовать её условиям.

Это чат-модель MaziyarPanahi, полученная слиянием Mistral-7B-Instruct-v0.1 и speechless-mistral-dolphin-orca-platypus-samantha-7b-dare-0.85 методом SLERP. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст; карточка указывает формат safetensors и лицензию Apache-2.0. README описывает смешивание весов в bfloat16 с отдельными параметрами для слоёв self-attention и MLP. Данные карточки не задают конкретные языки или специализированные области применения.