I.6Перевод и языковая адаптация

Kaoeiri/Interleaved-Upscale-Cydonyanoi-39B — объединённая языковая модель на архитектуре Mistral, созданная методом passthrough с помощью mergekit на основе TheDrummer/Cydonia-22B-v1.3. Веса опубликованы в формате safetensors; модель содержит 38,8 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Метаданные также указывают интерфейс вызова инструментов. Карточка не описывает отдельные специализированные области или языки применения. Модель распространяется по лицензии CC BY-ND 4.0. Карточка не приводит оценок качества или подробных ограничений применения.

Lapa-12B-pt — мультимодальная модель семейства Gemma 3, дообученная украинскими исследователями из Украинского католического университета, AGH University of Krakow, КПИ имени Игоря Сикорского и Львовской политехники. Она предназначена прежде всего для работы с украинским языком и принимает текст и изображения, выдавая текстовые ответы. Модель содержит 12 млрд параметров и использует архитектуру Gemma3ForConditionalGeneration. По описанию авторов, токенизатор адаптирован для украинского языка: 80 тысяч из 250 тысяч токенов заменены на украиноязычные, что сокращает число токенов для украинского текста примерно в 1,5 раза относительно Gemma 3. Модель подходит для диалога, генерации и суммаризации текста, а также ответов и извлечения сведений по изображениям. Качество ответов зависит от обучающих данных и формулировки запроса; модель может ошибаться в фактах, упускать языковые нюансы и испытывать трудности со сложными задачами. README не сообщает подробностей о тренировочном наборе данных. Лицензия указана как Gemma; следует соблюдать условия лицензии Google Gemma.

unsloth/LFM2-1.2B — компактная версия семейства LFM2, разработанного Liquid AI и опубликованная Unsloth. Это плотная гибридная языковая модель примерно с 1,2 млрд параметров: 10 блоков коротких свёрток LIV и 6 блоков внимания GQA. Она рассчитана на запуск на периферийных устройствах и подходит для приложений на смартфонах, ноутбуках и других устройствах с CPU, GPU или NPU. Контекст — до 32 768 токенов. Модель предназначена для диалогов, вызова инструментов, извлечения данных, RAG, творческого письма и других узких сценариев; авторы рекомендуют дообучать её под конкретную задачу. В README заявлены ускоренные обучение и генерация, а также результаты сравнительных тестов для моделей сопоставимого размера. Модель поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Для знаний, требующих глубокой предметной подготовки, и задач программирования авторы её не рекомендуют. Репозиторий содержит веса safetensors и основан на LiquidAI/LFM2-1.2B; лицензия указана как other, поэтому её условия следует проверить на странице модели.

Llama 2 7B Chat — текстовая авторегрессионная модель Meta на архитектуре Transformer, настроенная для диалогов с помощью supervised fine-tuning и обучения с подкреплением на основе отзывов людей. Версия содержит 7 млрд параметров и представлена в формате Hugging Face Transformers с весами PyTorch и Safetensors. Модель принимает текст и генерирует текст. Она предназначена для диалогов с ассистентом, ответов на вопросы, объяснений и других сценариев генерации на английском языке; для корректной работы следует использовать формат диалога Llama 2 Chat. Контекстное окно — до 4 тыс. токенов. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением требуется проверка безопасности под конкретный сценарий. Использование регулируется лицензией Meta Llama 2, условия которой необходимо принять для получения весов.

Модель triplee/llama3.1_8b_2S1S_v5_merge — дообученная текстовая модель семейства Llama 3.1, разработанная triplee на основе unsloth/meta-llama-3.1-8b-instruct. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также заявлен интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Для обучения использовались Unsloth и библиотека TRL; файлы представлены в формате safetensors. Лицензия — Apache-2.0.

Snowflake AI Research разработала Snowflake/Llama-3.1-SwiftKV-8B-Instruct — инструкционную языковую модель на архитектуре Llama-3.1 с преобразованием SwiftKV для ускорения вывода. Метод оптимизирует обработку входного промпта: перенастраивает модель и применяет дистилляцию с сохранением знаний, чтобы часть токенов при обработке промпта могла пропускать до половины слоёв. Репозиторий содержит веса в формате safetensors; число параметров — 7,5 млрд, контекст — до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев, где важны скорость обработки промптов и эффективность обслуживания запросов. В README заявлены улучшения пропускной способности, задержки и стоимости до 2 раз при небольшой потере точности; для версии 8B приведены результаты бенчмарков, где среднее значение снизилось с 73,71 до 72,70 относительно базовой модели. Поддерживается лицензия Llama 3.1; применяются её условия использования.

unsloth/llama-3-8b — плотная авторегрессионная языковая модель семейства Llama 3, разработанная Meta и представленная в репозитории Unsloth. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. В метаданных указан английский язык. Репозиторий содержит веса в формате Safetensors. Модель подходит для генерации продолжений текста и диалоговых сценариев. README Unsloth также предлагает ноутбуки для дообучения Llama 3 8B, включая разговорный формат ShareGPT ChatML/Vicuna и завершение произвольного текста; сам README описывает инструменты и примеры настройки обучения, а не отдельную специализацию чекпойнта. Репозиторий указывает лицензию Llama 3 (llama3); условия использования определяются лицензией Meta Llama 3.

Z3R6X/Llama-3-8B-ORPO-V1 — разговорная языковая модель на архитектуре Llama 3, дообученная автором репозитория методом ORPO на наборе mlabonne/orpo-dpo-mix-40k. Модель содержит 7,5 млрд параметров и предназначена для генерации текста в диалоге и ответов на запросы. В README указано, что при обучении применялись LoRA с рангом 16 и 4-битная квантизация для экономии памяти; длина последовательности при обучении была сокращена до 1024 токенов. Метаданные указывают контекст до 8192 токенов и формат весов safetensors. В README приведены результаты MMLU, BoolQ и Winogrande, полученные с lm-evaluation-harness v0.4.2; это отдельные сравнительные замеры, а не гарантия качества в конкретном применении. Модель рассчитана на текстовый ввод и генерацию текста, интерфейс чата отмечен в метаданных. Указана лицензия llama3; перед использованием следует соблюдать её условия. Карточка описывает дообучение Llama 3, поэтому производная классифицируется как finetune.

M7Yamshadowexperiment28_Experiment26T3q — слитая модель для генерации текста, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26T3q-7B. В метаданных указаны архитектура Mistral, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы; описание базовой модели также указывает на применение для математических задач. Репозиторий содержит веса в формате safetensors. Модель выпущена по лицензии Apache-2.0.

Magnum v2 32B GGUF — это квантизированные варианты текстовой генеративной модели Anthracite, разработанные командой Anthracite и созданные на основе Qwen1.5 32B. Модель дообучалась для воспроизведения качества прозы моделей Claude 3, прежде всего Sonnet и Opus, и предназначена для диалогов, генерации текста, выполнения инструкций и задач, где важны качество и структура письменного ответа. Модель поддерживает текстовую модальность и ориентирована на английский и китайский языки. Она содержит около 32 миллиардов параметров, распространяется в формате GGUF и использует ChatML для форматирования диалоговых запросов. В README не указана длина контекстного окна и не приведены сведения о конкретных вариантах квантизации, производительности или системных требованиях. Дообучение проводилось в течение двух эпох на наборах данных, связанных с диалогами, рассуждениями и качественной прозой. К сильным сторонам относятся крупный размер, ориентация на естественную и выразительную генерацию текста, а также поддержка локального запуска через совместимые инструменты для GGUF. Ограничения включают отсутствие подробных оценок качества, неполные сведения о безопасности и неизвестные характеристики отдельных квантизированных сборок. Лицензия обозначена как other с названием tongyi-qianwen; в качестве текста лицензии указана лицензия Qwen2-72B-Instruct.

MeliodasPercival_01_Experiment26Neuralarjuna — объединённая языковая модель семейства Mistral, созданная из automerger/MeliodasPercival_01-7B и automerger/Experiment26Neuralarjuna-7B. Она предназначена для генерации текста и диалогов по текстовым запросам. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не уточняет языки обучения и конкретные специализации модели.

cloudbjorn/merged_Qwen3.6-27B_eschaton-uncensored — дообученная и объединённая версия Qwen3.6-27B, созданная с помощью Eschaton Engine на датасете cloudbjorn/eschaton-uncensored. Модель предназначена для диалогов и рассуждений, в том числе по чувствительным и спорным темам: автор нацеливал её на нейтральные, прямые ответы без морализаторского тона. Она поддерживает генерацию текста и работу с изображениями, контекст до 262 144 токенов, режим рассуждений, вызов инструментов и структурированный вывод. Репозиторий содержит веса safetensors в формате bfloat16; в метаданных указано 22,3 млрд параметров. В README приведён результат ARC Challenge: нормированная точность 0,7619 при 25 примерах в контексте. Модель основана на Qwen/Qwen3.6-27B; лицензия обозначена как other. Заявления о качестве и поведении отражают описание автора и не гарантируют одинаковых результатов на всех запросах.

Mistral_solar-slerp — диалоговая языковая модель, созданная автором Pierre-obi слиянием NousResearch/Nous-Hermes-2-SOLAR-10.7B и mistralai/Mistral-7B-Instruct-v0.2 методом slerp с помощью LazyMergekit. Модель использует плотную архитектуру Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель принимает текст и выдаёт текст; заявленная длина контекста — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель подходит для чат-ботов, ответов на вопросы и других задач генерации текста. Публичные сведения не дают отдельных результатов оценки качества или подробных ограничений, поэтому производительность в конкретных сценариях следует проверять самостоятельно.

zelk12/MT1-Gen4-BB-gemma-2-MTg2MTMM2MU-9B — объединённая языковая модель на базе Gemma 2, опубликованная zelk12. Веса двух предварительно обученных моделей объединены методом SLERP с помощью mergekit; размер модели составляет 9 млрд параметров, архитектура — плотная Gemma 2 для причинной генерации текста. Модель предназначена для генерации текста и диалогового общения, принимает текст и выдаёт текст. Контекстное окно — 8192 токена. Модель доступна в формате safetensors; README также описывает статические квантизованные сборки GGUF от @mradermacher. Метаданные указывают библиотеку Transformers. В карточке не приведены специальные доменные назначения или ограничения на использование. Лицензия в предоставленных данных не указана.

Карточка модели linhha2705/multilingual-e5-nutrition на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

NeuralContext-7b-v1 — объединённая языковая модель, созданная Kukedlc с помощью LazyMergekit на основе пяти моделей семейства Mistral. Она предназначена для генерации текста и диалоговых ответов на инструкции. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и имеет контекстное окно до 32 768 токенов. Модель принимает текст и генерирует текст; среди её базовых компонентов — Mistral-7B-Instruct-v0.2, Hermes-2-Pro-Mistral-7B и Yarn-Mistral-7b-128k. Репозиторий предоставляет веса в формате safetensors. Лицензия — Apache-2.0. README не приводит оценок качества или результатов тестирования, поэтому пригодность для конкретных задач стоит проверять самостоятельно.

NeuralsirkrishnaShadow_CalmeInex12 — объединённая модель генерации текста, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/CalmeInex12-7B. В карточке указаны архитектура Mistral с плотной архитектурой и 7,1 млрд параметров; модель рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0.

NeuralsirkrishnaShadow_Experiment26Neuralarjuna — объединённая языковая модель семейства Mistral, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Neuralarjuna-7B. Она предназначена для генерации текста по текстовым запросам и может использоваться в задачах, где нужен контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и распространяется в формате safetensors. Репозиторий указывает лицензию Apache-2.0. Данных о специализации на конкретных языках или предметных областях нет.

codersan/newfa_e5small_7 — дообученная модель Sentence Transformers на базе intfloat/multilingual-e5-small, разработанная автором репозитория codersan. Она преобразует предложения и абзацы в плотные текстовые эмбеддинги размерностью 384 для сравнения семантической близости, семантического поиска, поиска перефразирований, классификации и кластеризации текста. Архитектура включает трансформер BERT, усреднение токенных представлений и нормализацию векторов; сходство можно оценивать косинусной мерой. Модель обучена на парах anchor-positive с помощью MultipleNegativesRankingLoss. Максимальная длина последовательности — 512 токенов. Базовая модель многоязычная, а примеры обучающих данных включают персидский и английский языки. Для работы с моделью используется библиотека Sentence Transformers. Лицензия в предоставленных данных не указана.

Notus-TheTop-7b-Slerp — объединённая диалоговая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit методом SLERP из argilla/notus-7b-v1 и MaziyarPanahi/TheTop-5x7B-Instruct-S3-v0.1. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и ведение диалога; заявленная длина контекста составляет 32 768 токенов. Модель может использоваться для ответов на вопросы, инструктивного диалога и генерации текста. В карточке указаны формат Safetensors и тип точности bfloat16. Сведения о лицензии и конкретных ограничениях качества в предоставленных данных отсутствуют.

OpenLLaMA 7B — авторская предварительно обученная языковая модель OpenLM Research, созданная как открытая воспроизводимая реализация архитектуры Meta AI LLaMA. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров и контекстом 2048 токенов. Она обучена с нуля на наборе RedPajama, содержащем более 1,2 трлн токенов; доступны веса PyTorch, а проект также выпускал веса для JAX. Модель предназначена для генерации текста и может служить основой для языковых приложений и дальнейшей адаптации. По оценке авторов, OpenLLaMA 7B показывает сопоставимые с оригинальной LLaMA 7B и GPT-J 6B результаты на большинстве рассмотренных задач. В карточке не заявлены специализированная область или отдельная языковая специализация. Для корректной токенизации авторы рекомендуют не использовать быстрый токенизатор Transformers: автоматически конвертированная версия может ошибаться. При few-shot оценке рекомендуется добавлять BOS-токен. Авторы также отмечают возможное загрязнение обучающего набора данными бенчмарков CB и WSC и исключили эти задачи из оценки. Лицензия модели — Apache-2.0.

Ornith-1.0-9B-1M-GGUF — это GGUF-сборка модели Ornith-1.0-9B, основанной на dense-архитектуре семейства Qwen3.5. Исходная модель разработана DeepReinforce, а данный вариант опубликован satgeze. Модель предназначена для генерации текста и локального запуска через llama.cpp, Ollama и совместимые инструменты. Ключевая особенность — контекстное окно до 1 048 576 токенов благодаря встроенному масштабированию RoPE методом YaRN; это в четыре раза больше заявленного исходного окна в 262 144 токена. В сборку также встроен слой MTP для speculative decoding, который, согласно README, может увеличить скорость декодирования в llama.cpp на 15–38%. Доступна vision-модальность через отдельный проектор mmproj, поэтому модель может обрабатывать изображения в поддерживаемых конфигурациях. Предлагаются варианты квантования от IQ2_M до bf16, включая MTP-сборки Q4_K_M и Q8_0; размер файлов варьируется примерно от 3,6 до 17,9 ГБ, а vision-проектор занимает 918 МБ. Это позволяет выбирать между требованиями к памяти и качеством, однако фактическая скорость и возможность работы с контекстом в миллион токенов зависят от оборудования и используемого рантайма. Языки обучения и поддерживаемые языки в README не указаны. Модель распространяется по лицензии MIT.

Prima-LelantaclesV4-7b-16k-bf16 — языковая модель семейства Mistral, объединённая ChaoticNeutrals из Test157t/Prima-LelantaclesV3-7b и Test157t/Yarncules-7b-128k методом SLERP. Это плотная авторегрессионная модель с 7,1 млрд параметров, предназначенная для генерации текста. Репозиторий содержит веса в формате Safetensors с точностью bfloat16; заявленный нативный контекст — 32 768 токенов. Модель подходит для генерации продолжений и ответов, а также для задач рассуждения и работы с длинным контекстом. В README приведены результаты Open LLM Leaderboard, в том числе 66,04 на AI2 Reasoning Challenge и 85,07 на HellaSwag; это отдельные оценки, а не гарантия качества в конкретном применении. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели и лицензиях компонентов.

prototype-128x03 — языковая модель, созданная разработчиком shamwowzer слиянием предварительно обученных моделей при помощи mergekit. В слиянии использованы /workspace/modeler/Behemoth и /workspace/mistral-text-only; последняя указана базовой моделью. Применён метод Multi-SLERP, итоговые веса сохранены в формате safetensors с точностью bfloat16. Модель относится к семейству Mistral, использует плотную архитектуру MistralForCausalLM и содержит 123,4 млрд параметров. Она предназначена для генерации текста и диалогового общения; максимальный контекст составляет 262 144 токена. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны.

quantum-v0.01-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная слиянием Mistral-7B-Instruct-v0.1 от Mistral AI и quantumaikr/quantum-v0.01. Для объединения применён метод SLERP; веса представлены в формате safetensors. Модель предназначена для ответов на инструкции и диалоговые запросы. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указан английский язык, лицензия — Apache-2.0. Карточка не приводит отдельных результатов оценки качества или более подробных ограничений; возможности модели могут зависеть от запроса и используемого программного окружения.

Карточка модели tayaee/Qwen2.5-1.5B-Korean-SFT-smoke на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-1.5B-Instruct — инструктивно дообученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста по инструкциям, включая ответы на вопросы, создание длинных текстов и выдачу структурированных результатов, например JSON. Модель имеет плотную архитектуру причинного трансформера Qwen2 с RoPE, SwiGLU и RMSNorm и содержит 1,5 млрд параметров. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. Карточка описывает поддержку более 29 языков, включая русский и английский; метаданные указывают английский как язык карточки. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Среди сильных сторон — следование инструкциям, работа с длинными текстами и структурированными данными, а также интерфейс для вызова инструментов. Это компактная модель, поэтому её возможности ограничены по сравнению с более крупными языковыми моделями; оценочные результаты для этой конкретной версии в карточке не приведены.

Карточка модели jeffmeloy/Qwen2.5-7B-olm-v1.1 на Hugging Face совпадает с карточкой jeffmeloy/Qwen2.5-7B-olm-v1.0, поэтому описание составлено по ней. jeffmeloy/Qwen2.5-7B-olm-v1.0 — текстовая модель на архитектуре Qwen2 с 7,1 млрд параметров, основанная на Qwen/Qwen2.5-7B и представленная как результат оптимизированного объединения слоёв. Подход Optimized Layer Merging (OLM) подбирает слои из нескольких языковых моделей, последовательно оценивая варианты на заданных наборах данных по метрикам, включая perplexity и exact match. Модель предназначена для генерации текста и диалогового взаимодействия; заявленный контекст составляет 131 072 токена. Метаданные указывают интерфейс вызова инструментов. В карточке описан метод сборки гибридной модели, но не приведены результаты оценки качества этой конкретной версии или подробности о наборах данных. Распространяется в формате Safetensors по лицензии Apache-2.0.

PrimeIntellect/Qwen3-4B — текстовая генеративная модель семейства Qwen3, представленная Prime Intellect как копия Qwen/Qwen3-4B с шаблоном диалога, совместимым с многоходовым общением и вызовом инструментов. Модель основана на Qwen/Qwen3-4B-Base и дообучена; её плотная архитектура Qwen3ForCausalLM содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая обмен сообщениями в несколько ходов и форматирование вызовов инструментов. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Qwen3.5-4B-AWQ — это квантизированная версия языковой модели Qwen/Qwen3.5-4B, разработанной командой Qwen. Модель предназначена для генерации текста, диалоговых и инструкционных сценариев, локального инференса и развёртывания на потребительских GPU. Указаны поддерживаемые языки English и Chinese, а также интеграция с Transformers и vLLM. Модель использует квантизацию AWQ INT4 по схеме W4A16_ASYM с размером группы 128 и zero point. Калибровка выполнена на 512 примерах OpenPlatypus с максимальной длиной последовательности 1024 токена посредством llm-compressor; формат хранения — compressed-tensors. Размер модели составляет около 3,13 ГБ, а потребление VRAM при загрузке — около 3,06 ГБ, что примерно в 2,5–2,6 раза меньше базовой BF16-версии. Это позволяет запускать её на одной видеокарте с 8 ГБ памяти. В заявленных оценках нулевого выстрела модель получила 77,69% на PIQA, 68,75% на Winogrande, 71,65% на HellaSwag, 73,53% на ARC-Easy и 51,71% на ARC-Challenge; средний результат — 68,67%. Сильными сторонами являются существенно сниженные требования к памяти и сохранение заметной производительности в задачах здравого смысла и школьных научных вопросов. Ограничение состоит в том, что результаты приведены только для квантизированной версии и не сопоставлены в идентичных условиях с BF16-моделью, поэтому влияние квантизации точно не установлено. Распространяется по лицензии Apache-2.0.

Qwen3.5-4B-SX8 — версия модели Qwen3.5-4B, подготовленная Martí Vidal Leandro из MarlaLabs и опубликованная marlalabsAI. Веса представлены в формате квантования S-X8 v4.3 с точностью 7,50 бит на вес; репозиторий также содержит контейнер GGUF. Модель предназначена для диалоговой генерации текста и работы через интерфейс вызова инструментов. В карточке базовой модели указаны мультимодальность и понимание изображений, однако сведения о поддержке этих функций именно в данной версии в метаданных и README ограничены описанием полного контейнера с визуальной частью. Автор заявляет качество, близкое к FP16: на RTX 5060 Ti приведены результаты на Wikitext-2, Winogrande и HellaSwag, а также показатели скорости и потребления видеопамяти. Для запуска доступны собственный Python runtime, требующий NVIDIA GPU и CUDA Toolkit для компиляции ядер, и вариант GGUF, требующий форка llama.cpp с поддержкой S-X8. Контейнер `.sx8v43` включает конфигурацию и неквантованные тензоры и, согласно README, не требует отдельно загружать базовую модель. Лицензия — Apache-2.0.