I.6Перевод и языковая адаптация

Cyronius создал Qwen3.6-27B-A2.8B — производную модель Qwen3.6-35B-A3B для диалоговой генерации текста и вызова инструментов на CPU и встроенной графике. Разработчик удалил 10 из 40 слоёв базовой модели, дообучил оставшуюся модель с помощью LoRA для восстановления качества и подготовил сборки GGUF; в репозитории также указаны файлы safetensors. В модели 26,2 млрд параметров, из которых активно 2,83 млрд на токен, и 30 слоёв. В GGUF-сборках сохранена голова MTP для спекулятивного декодирования через llama.cpp. Модель рассчитана на быстрый локальный запуск на оборудовании с общей памятью без дискретной видеокарты. Доступны сбалансированная сборка Q4_K_M и более компактная IQ3_S для экспертов с Q4_K для выходного слоя; последняя быстрее и меньше, но может уступать в точности. В тестах авторов сбалансированная сборка показала хорошие результаты на вызове инструментов, однако точность GSM8K и perplexity уступают базовой модели. Проверка проводилась на небольших внутренних наборах и может не отражать качество на других задачах. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-RAZOR-28B-A3B-E192of256 — производная диалоговая модель семейства Qwen, созданная методом RAZOR: из 256 маршрутизируемых экспертов в каждом MoE-слое оставлены 192. По README, это обучение-не-затрагивающее прореживание экспертов без градиентных обновлений и восстановительного дообучения; сохранены исходные веса оставшихся экспертов. В карточке указано 27,7 млрд параметров (27,0 млрд без модуля MTP) и около 3 млрд активных параметров на токен. Архитектура — Qwen3.5 MoE для Transformers; веса представлены в safetensors и bfloat16. Модель предназначена для генерации текста в диалогах и работы с интерфейсом вызова инструментов. Метаданные связывают её с Qwen/Qwen3.6-35B-A3B, краткое описание которого указывает на мультимодальный анализ изображений, однако README этой производной версии описывает только прореживание экспертов и не подтверждает сохранение или проверку обработки изображений. Лицензия — Apache-2.0. Прореживание уменьшает объём хранения экспертов, сохраняя примерно прежнее число активных параметров на токен, но является потерным: могут измениться разнообразие, форматирование и поведение завершения ответов; качество вне конечного калибровочного корпуса отдельно не охарактеризовано.

Qwen3.8-27B-nvfp4qat-NInfer — квантизированная версия модели Qwen3.8-27B, подготовленная cometkim для выполнения в runtime NInfer v3. В состав артефакта также встроен модуль-черновик DFlash2 от z-lab для speculative decoding. Модель предназначена для генерации текста, диалоговых сценариев и мультимодальных задач с обработкой текста и изображений через компоненты Text и Vision. Модель содержит около 27 млрд параметров в основном Text-компоненте и использует профиль весов NVFP4 W4A4, полученный с применением quantization-aware training из QUASAR-QAT/Qwen3.8-27B-QUASAR-NVFP4. В артефакте также присутствуют MTP, Vision, оптимизированная draft head и NVFP4-версия DFlash2 размером около 2 млрд параметров. Для DFlash2 заявлены пять слоёв, скользящее окно 2048, selector rank 256 и top-16. Размер файла составляет около 17,35 GiB. Языки и максимальная длина контекста в карточке не указаны. Сильными сторонами являются существенное уменьшение размера весов за счёт NVFP4, отсутствие необходимости в отдельном файле для DFlash2 и поддержка ускоренного декодирования в NInfer. В приведённых оценках модель получила accuracy 89,22 на GPQA-Diamond, 91,11 на AIME 2026 и 66,30 на LongBench v2, однако эффективность встроенного DFlash2 ниже, чем у профиля nvfp4full: 2,50 токена за раунд и 21,4% принятия против 5,50 и 64,3% соответственно на указанном тесте. Модель не является checkpoint для Transformers, Safetensors или GGUF и требует NInfer v3; карточка также не указывает совместимость с другими средами. Распространяется по лицензии Apache-2.0.

Это мультимодальная диалоговая модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration и 27 млрд параметров, представленная Solstice-AI. Репозиторий содержит версию NVFP4 для оборудования NVIDIA Blackwell и упакованную конфигурацию с контекстом до 1 048 576 токенов на основе YaRN; заявлена автоматическая настройка контекста при запуске в vLLM и SGLang. Модель предназначена для диалога, следования инструкциям, творческого письма и анализа изображений. Поддерживает текстовый и визуальный ввод и выдаёт текст; в метаданных также указаны интерфейс вызова инструментов и английский и китайский языки. Это производная от дообученной модели DavidAU версия, упакованная Solstice-AI; лицензия — Apache-2.0. Заявление README о NVFP4 для Blackwell соседствует с метаданными о форматах GGUF BF16 и safetensors, поэтому точный формат конкретных файлов следует проверять в репозитории. Длина контекста 1 млн токенов заявлена в конфигурации, но практические требования к памяти и производительность зависят от оборудования и движка инференса.

keXjos/Qwen3.8-9B-mlx-4Bit — языковая модель для генерации текста, преобразованная в формат MLX из базовой модели empero-ai/Qwen3.8-9B с использованием mlx-lm 0.31.2. Разработчик конвертации — keXjos; исходную модель разработала команда empero-ai. Модель предназначена для запуска и генерации текста через библиотеку mlx-lm, включая диалоговые сценарии при наличии совместимого chat template. Модель имеет размер 9B параметров и 4-битное представление, ориентированное на эффективное выполнение в MLX. В карточке заявлены поддержка английского языка, reasoning, function-calling и обучение методом SFT, однако подробности архитектуры, длины контекста, фактической поддержки модальностей и количественные показатели качества не указаны. MLX-формат и 4-битная квантизация могут быть сильными сторонами для локального запуска на совместимом оборудовании, но могут ограничивать точность по сравнению с полноразмерными вариантами. Модель распространяется по лицензии Apache-2.0.

Qwen3-VL-30B-A3B-Instruct-NVFP4 — мультимодальная модель для генерации текста по текстовым и визуальным входным данным, опубликованная пользователем или организацией ig1. Она основана на Qwen/Qwen3-VL-30B-A3B-Instruct и предназначена для сценариев, где требуется анализ изображений совместно с обработкой естественного языка; README также упоминает поддержку изображений и видео, однако конкретные языки и полный набор мультимодальных возможностей не указаны. Модель использует архитектуру Qwen3-VL с mixture-of-experts; обозначение 30B-A3B указывает на 30 млрд параметров в общей модели и около 3 млрд активных параметров на токен. Она подвергнута NVFP4-квантизации с использованием llm-compressor и предназначена для запуска через vLLM с поддержкой OpenAI-совместимого сервера, автоматического выбора инструментов и parser hermes. Для видеокарт RTX 5090 README рекомендует ограничивать контекст примерно 56K токенами, использовать не более трёх изображений и отключать видео из-за ограничений памяти; точный максимальный контекст модели не указан. К сильным сторонам относятся сниженные требования к памяти благодаря NVFP4-квантизации и возможность быстрого инференса на совместимом оборудовании. Ограничения включают возможную потерю качества из-за квантизации, зависимость от совместимой версии vLLM и необходимость уменьшать контекст или число мультимодальных входов на видеокартах с ограниченной памятью. Модель распространяется по лицензии Apache-2.0.

Vishva007/Qwen3-VL-8B-Instruct-W4A16-AutoRound-AWQ — это 4-битная AWQ-квантизованная версия мультимодальной модели Qwen/Qwen3-VL-8B-Instruct. Модель предназначена для генерации текста по изображениям и текстовым инструкциям, включая визуальный анализ и распознавание текста на изображениях. Разработчик данной версии — Vishva007; базовая модель создана командой Qwen. Модель содержит 8 млрд параметров и оптимизирована для запуска через vLLM и Transformers. Веса языковой части представлены в формате W4A16 с квантизацией AWQ и дообучались 800 шагов с использованием AutoRound, чтобы минимизировать потерю качества. Визуальный энкодер сохранён в формате FP16, что должно поддерживать высокую точность в OCR и других задачах компьютерного зрения. Заявлена возможность работы на видеокартах с 12 ГБ и более видеопамяти, а в примере использования указан максимальный контекст 4096 токенов. Сильные стороны модели — сниженное потребление VRAM, высокая скорость сервинга и сохранение точности визуальной части благодаря отсутствию её квантизации. Ограничения включают возможную небольшую потерю качества из-за 4-битного представления весов, а также зависимость от совместимого GPU и программного окружения. В README языки модели не указаны. Лицензия — Apache-2.0.

Sakalti/QwenPass-4 — объединённая методом passthrough языковая модель на архитектуре Qwen2, созданная Sakalti с помощью mergekit на основе Sakalti/light-7b-beta. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель содержит 3,8 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В репозитории представлены веса в формате safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Reflection-Llama-3.1-70B-GGUF — набор GGUF-квантизованных версий модели, опубликованный leafspark и основанный на mattshumer/ref_70_e3. Модель дообучена с применением LoRA ранга 256 на Llama-3.1-70B-Instruct и предназначена для генерации текста, диалогов и задач, требующих рассуждений. Заявленная особенность — Reflection-Tuning: модель должна выявлять ошибки в рассуждении и корректировать ход решения с использованием секций <thinking>, <reflection> и <output>. Это текстовая авторегрессионная модель семейства Llama с примерно 70 млрд параметров. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель использует стандартный формат чата Llama 3.1 и доступна в вариантах от FP16 размером около 141 ГБ до сильно квантизованных сборок; приведённые размеры отдельных вариантов находятся примерно в диапазоне от 14,6 до 57,9 ГБ. Для некоторых вариантов применялась калибровка iMatrix. Сильной стороной заявляется способность к явному самопроверяемому рассуждению, однако авторы README предупреждают, что опубликованные результаты бенчмарков, вероятно, недостоверны и не воспроизводятся. Также отмечается неопределённость исходного обучения и возможная фиктивность связанной версии модели, поэтому характеристики качества следует проверять самостоятельно. Для запуска рекомендуется системный промпт из README, температура 0,7 и Top P 0,95. Модель распространяется по лицензии llama3.

RolmOCR — мультимодальная модель Reducto AI для распознавания и разбора документов по изображениям. Это дообученная на наборе allenai/olmOCR-mix-0225 модель Qwen/Qwen2.5-VL-7B-Instruct с архитектурой Qwen2.5-VL, 7,1 млрд параметров и контекстом до 128 000 токенов. Она принимает изображения документов и текстовые инструкции, а в ответ формирует текстовое содержимое документа. Модель задумана как более быстрая и экономичная по памяти замена olmOCR для обработки PDF и других сложных документов. В отличие от исходного подхода, RolmOCR не использует извлечённые из PDF метаданные, что сокращает запрос и снижает требования к VRAM; около 15% обучающих данных были повёрнуты для повышения устойчивости к наклонённым документам. Модель поддерживает визуальный диалог и распространяется по лицензии Apache 2.0. Модель может галлюцинировать или пропускать содержимое. Она не выдаёт ограничивающие рамки элементов макета; качество квантованных версий не оценивалось.

Rombo-LLM-V2.5-Qwen-1.5b — плотная причинная языковая модель на архитектуре Qwen2, созданная Rombo-Org как дообученная версия Qwen2.5-1.5B-Instruct. Она предназначена для диалогов и генерации текста, включая структурированные ответы и интерфейс вызова инструментов. В карточке заявлено слияние instruct- и base-моделей методом TIES, однако метаданные указывают связь с Qwen2.5-1.5B-Instruct как finetune; поэтому происхождение точнее определить по доступным данным нельзя. Модель содержит 1,5 млрд параметров, работает через Transformers и распространяется в формате safetensors; автор также упоминает варианты GGUF. Указанный контекст — до 131 072 токенов. Лицензия — Apache-2.0. README заявляет о более высокой производительности по сравнению с исходными instruct- и base-моделями, но не приводит результатов бенчмарков или подробностей оценки.

Saba-Passthrough-2 — объединённая языковая модель Sakalti, созданная методом passthrough с помощью mergekit на основе Sakalti/Saba1.5-Pro. Это плотная авторегрессионная модель семейства Qwen2 с 2,9 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors под лицензией Apache-2.0. README указывает на слияние одной модели, хотя метаданные каталога описывают происхождение как дообучение Sakalti/Saba1.5-Pro, поэтому способ происхождения в карточке трактуется как слияние по описанию автора.

Salamander-24B-v1 — разговорная языковая модель Naphula, опубликованная как Checkpoint 82. Это слияние Della нескольких моделей на базе Mistral, включая варианты 2501, 2506 и 2509, а также Fallen Mistral 2503. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных заявлена поддержка чата. Модель использует плотную архитектуру MistralForCausalLM, содержит 23,4 млрд параметров и рассчитана на контекст до 131 072 токенов. README сообщает, что в начальных тестах модель не отказывала в ответах; это наблюдение не заменяет систематическую оценку поведения и безопасности. Лицензия — Apache-2.0.

MaziyarPanahi/samantha-mistral-7b-Mistral-7B-Instruct-v0.1 — чат-модель, полученная слиянием Mistral-7B-Instruct-v0.1 и cognitivecomputations/samantha-mistral-7b методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации ответов на инструкции и ведения диалогов; заявленная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст. Модель подходит для диалоговых ассистентов и ответов на запросы на естественном языке. Репозиторий содержит веса Safetensors, лицензия — Apache 2.0. В метаданных не указаны отдельные языки или специализированные прикладные области.

SciPhi-Mistral-7B-32k-Mistral-7B-Instruct-v0.1 — объединённая модель Maziyar Panahi на архитектуре Mistral с 7,1 млрд параметров. Она создана методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и SciPhi/SciPhi-Mistral-7B-32k и предназначена для генерации текста и ответов в диалоге по инструкциям. Модель принимает текстовые запросы и поддерживает контекст длиной до 32 768 токенов, что позволяет вести длинные диалоги и работать с объёмными текстовыми фрагментами. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или специальных ограничений применения.

Semantic-Lite-2 — многоязычная модель эмбеддингов предложений, созданная на основе Spark-X2.5-1.7B с замороженными слоями базовой модели и обучаемой проекционной головой. Она преобразует текст в L2-нормированные векторы размерности 256 для сравнения семантической близости; косинусное сходство можно вычислять скалярным произведением. В репозитории указано 371,2 млн параметров, а метаданные задают контекст до 1 048 576 токенов. Модель предназначена для семантического поиска, ранжирования близких предложений и документов, кластеризации, выявления дубликатов, сопоставления запросов и FAQ, рекомендаций по содержанию и поиска контекста для RAG. README описывает поддержку индонезийского, английского, арабского, китайского, японского, корейского, русского, тайского, хинди, вьетнамского, амхарского и суахили; метаданные подтверждают первые десять языков. В README приведены результаты оценки на небольших наборах индонезийских и межъязыковых пар, поэтому они не гарантируют аналогичного качества на других данных. Доступны варианты fp16, q8 и q4; для q4 указано снижение точности примерно на 3 процентных пункта top-1 относительно fp16. Лицензия — Apache-2.0.

Lucyfer1718/Spartan_v3 — языковая модель на архитектуре Llama, созданная слиянием методом SLERP моделей meta-llama/Meta-Llama-3-8B и meta-llama/Llama-3.1-8B-Instruct. Веса представлены в формате safetensors; модель содержит около 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на запросы и использование интерфейса вызова инструментов. Она работает с текстом; карточка указывает базовые многоязычные модели, но конкретный перечень языков для этого слияния не приведён. Условия лицензирования в предоставленных данных не описаны.

Swift-Qwen3.8-27B-NVFP4-GGUF — это GGUF-версия модели Swift-Qwen3.8-27B-NVFP4, подготовленная для запуска в llama.cpp. Модель разработана UkisAI на основе Qwen3.8-27B от команды Qwen; Swift-Qwen3.8-27B представляет собой дообученную модель с эффективным рассуждением. Данный файл переносит калиброванные веса NVFP4 в формат GGUF без повторного квантования весов NVFP4. Модель предназначена для генерации текста и работы с изображениями при использовании отдельного мультимодального проектора. Она поддерживает контекст до 262 144 токенов, включает голову MTP для speculative decoding и рассчитана прежде всего на NVIDIA Blackwell, где NVFP4 выполняется нативно. Архитектура сочетает NVFP4-квантованные MLP-слои и часть attention-слоёв с компонентами Q8_0 и F32; размер опубликованного файла составляет 19,72 ГБ. Доступны режимы reasoning_effort xhigh, medium и low. Сильная сторона модели — сохранение исходных NVFP4-весов и возможность эффективного запуска через llama.cpp с поддержкой MTP. Для других GPU требуется сборка llama.cpp с fallback-поддержкой NVFP4, а для vision-сценариев необходим отдельный mmproj-файл. Качество именно этого GGUF-файла ещё не измерялось; заявленные результаты относятся к исходному NVFP4-чекпойнту. Модель распространяется по лицензии Swift Open License v1.0: коммерческое использование разрешено физическим и юридическим лицам с годовой регулярной выручкой до 1 млн долларов США; при превышении лимита требуется Swift Enterprise License от UkisAI.

T3qm7xNeuralsirkrishna_Experiment31Experiment29 — объединённая автором карточки модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов, принимает текст и выдаёт текст. Максимальная длина контекста — 32 768 токенов. Модель объединяет automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment31Experiment29-7B. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_ShadowOgno — объединённая модель для генерации текста, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/ShadowOgno-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. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

tempesthenno-nuslerp-0124 — слитая с помощью mergekit по методу NuSLERP языковая модель, созданная sthenno. В README указаны два компонента с именами tempesthenno--converge-breadcrumbs и tempesthenno--converge-dtask; метаданные также связывают модель с несколькими базовыми моделями Qwen2. Модель имеет плотную архитектуру Qwen2ForCausalLM и 14 млрд параметров, распространяется в формате safetensors и лицензирована по Apache-2.0. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленный контекст составляет 131 072 токена. В метаданных указаны английский и китайский языки. README приводит результаты оценок IFEval и BBH, но без подробностей об условиях тестирования и без оснований делать выводы о превосходстве в конкретных сценариях.

una-cybertron-7b-v2-bf16-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.2 и fblgit/una-cybertron-7b-v2-bf16 методом SLERP. Веса представлены в формате BF16; модель содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и выполнения инструкций. Её можно использовать в чат-ботах, для ответов на вопросы и создания текстовых черновиков. В карточке не приведены отдельные оценки качества или сведения о специализации модели. Лицензия — Apache-2.0.

srv-sngh подготовил для среды Krill на Apple Silicon квантованную сборку модели baidu/Unlimited-OCR, основанной на DeepSeek-OCR. Это мультимодальная модель для распознавания текста и разбора документов по изображениям с выдачей текстового результата, привязанного к содержимому страницы. Архитектура включает языковую основу DeepSeek-MoE и визуальный энкодер DeepEncoder на базе SAM-ViT-B, CLIP-L и проектора; размер модели по метаданным — 559,7 млн параметров, контекст — 32 768 токенов. Сборка использует смешанную точность: эксперты MoE квантованы в nvfp4, а внимание, плотные слои и линейные слои визуального энкодера — в 8-битный формат. В описанном режиме модель обрабатывает одну страницу с глобальным представлением изображения; режим разбиения больших или плотных сканов на фрагменты указан как будущая возможность. Для запуска предназначен Krill со Swift и MLX на Apple Silicon; контрольная точка не является готовой для Transformers. Лицензия — MIT.

WildMBXMarconi-SLERP-7B — слитая модель генерации текста семейства Mistral, созданная с помощью LazyMergekit из BarryFutureman/WildMarcoroni-Variant1-7B и flemmingmiguel/MBX-7B. Слияние выполнено методом SLERP; модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста по запросу и диалогового взаимодействия. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов. В README приведены результаты Open LLM Leaderboard, включая показатели на тестах AI2 Reasoning Challenge и HellaSwag.

T145/ZEUS-8B-V17-abliterated-V2 — слитая разговорная языковая модель на архитектуре Llama 3.1, созданная методом DARE TIES с помощью mergekit. В качестве базовой использована unsloth/Meta-Llama-3.1-8B-Instruct; в слияние также вошли Llama-3.1-SuperNova-Lite, Dark-Planet-SpinFire-Uncensored, SauerkrautLM, Lexi-Uncensored и Storm. Модель содержит 7,5 млрд параметров, работает через Transformers и имеет контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста, включая ответы на запросы и продолжение текста. Карточка также указывает интерфейс для вызова инструментов. В README модель названа abliterated, однако подробностей о методе или эффекте этой обработки не приведено. Лицензия в предоставленных данных не указана.

yuq-zhou/2026-05-o-b0p3-a1p0-gc0p5-exp-td4p0-tw10p0-r1-7-last — контрольная точка языковой модели в стандартном формате Hugging Face для загрузки через Transformers. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов; основная задача модели — генерация текста. Модель может использоваться для диалоговых ответов и генерации текста с длинным контекстом. Карточка называет её резервной копией исследовательского артефакта, но не описывает конкретные данные обучения, специализацию или проверенные показатели качества. Лицензия в предоставленных данных не указана.

Это исследовательская резервная копия чекпойнта в стандартном формате Hugging Face Transformers. Модель Yuq Zhou относится к семейству Qwen2: плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Доступны веса в формате safetensors. Карточка не описывает конкретные области применения или языковую специализацию, поэтому модель можно характеризовать как общего назначения. Чекпойнт обозначен как исследовательский артефакт-резервная копия, однако сведений о базовой модели, обучении или конкретных ограничениях качества в карточке нет. Условия лицензии в предоставленных данных не указаны.

Карточка модели ehristoforu/BigFalcon3-18B на Hugging Face совпадает с карточкой ehristoforu/BigFalcon3-36B, поэтому описание составлено по ней. BigFalcon3-36B — объединённая языковая модель для генерации текста и диалогов, созданная с помощью mergekit на основе tiiuae/Falcon3-10B-Instruct. В репозитории указано слияние методом passthrough; метаданные описывают архитектуру как плотную LlamaForCausalLM и указывают 17,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и доступна в формате safetensors для Transformers. Модель подходит для диалоговых сценариев и генерации текста; метаданные также отмечают интерфейс вызова инструментов. Карточка не описывает отдельную специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

Bwindi/CrawLM — генеративная языковая модель для создания текста и ведения диалогов. Модель доступна для использования через библиотеку Transformers и относится к семейству моделей с тегом llama; общий объём параметров составляет 3,2 млрд, а нативное контекстное окно — до 131 072 токенов.

DatacampLlama-3.1-8B-GGUF — набор GGUF-квантизированных версий модели DatacampLlama-3.1-8B, опубликованной mlabonne. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через llama.cpp и LM Studio; в README заявлена поддержка английского языка и формат чата с ролями system, user и assistant. Модель относится к семейству Llama 3.1 и имеет размер 8B параметров. Доступны варианты от исходных весов F16 размером около 16,07 ГБ до компактных форматов Q2 и IQ3 размером примерно 3,66–4,78 ГБ, а также более качественные варианты Q4–Q8. Высокие уровни квантизации обеспечивают лучшее сохранение качества, тогда как компактные версии требуют меньше оперативной памяти, но могут заметнее уступать в качестве генерации. Отдельные варианты оптимизированы для CPU и ARM-инференса. README не указывает размер контекста, мультимодальные возможности, результаты бенчмарков или подробности обучения, поэтому модель следует рассматривать как текстовую, без подтвержденной поддержки изображений и других модальностей. Лицензия — Apache 2.0.