I.6Перевод и языковая адаптация

Bahushruth/Qwen3.6-35B-A3B-abliterated-v4-GGUF — набор GGUF-квантизаций языковой модели, разработанный Bahushruth на базе Bahushruth/Qwen3.6-35B-A3B-abliterated-v4. Модель предназначена для генерации текста и локального запуска через llama.cpp, Ollama, LM Studio, KoboldCPP и другие совместимые среды. Это MoE-модель с 35 млрд общих параметров, 256 экспертами и 8 активными экспертами на токеном; согласно карточке, около 3 млрд параметров активны при обработке каждого токена. Данные о языках и размере контекстного окна не указаны. Доступны варианты от BF16 до 2-битных K-квантизаций и IQ-квантизаций с importance-matrix-калибровкой. Размер файлов составляет примерно 12–71 ГБ, а требования к оперативной памяти — от 16 ГБ в зависимости от варианта. Основные квантизации не содержат MTP-компонент для максимальной совместимости; отдельный BF16-вариант поддерживает Multi-Token Prediction и спекулятивное декодирование в совместимых версиях llama-server. Модель позиционируется как эффективная по вычислениям благодаря MoE-архитектуре и предлагает выбор между качеством, размером и требованиями к памяти. Вариант является «uncensored»: поведение отказа удалено методом norm-preserving abliteration, поэтому встроенные защитные ограничения ослаблены или отсутствуют. Это может быть полезно для исследовательских и экспериментальных сценариев, но повышает риски небезопасного использования и не гарантирует сохранение исходного поведения базовой модели. Модель распространяется по лицензии Apache-2.0; автор отдельно указывает, что релиз предназначен для исследований и не принимает на себя ответственность за дальнейшее использование.

Qwen3.8-27B-Uncensored-INT8-W8A16-MTP — это мультимодальная квантизированная версия модели Qwen3.8-27B-Uncensored, опубликованная morikomorizz на основе исходной модели OrcaRouter и семейства Qwen. Модель предназначена для генерации текста и обработки изображений с текстом, включая диалоговые и аналитические сценарии. В README заявлена поддержка английского и китайского языков, а максимальный контекст составляет до 262 144 токенов. Модель использует формат W8A16: основные матричные вычисления выполняются с весами INT8 и активациями BF16, а vision tower, lm_head, MTP-компоненты и отдельные чувствительные элементы сохраняют BF16 или FP32. Размер весов на диске составляет около 29,4 ГБ, что позволяет запускать модель на одной RTX 4090 или A6000, а также на двух RTX 3090 с tensor parallelism. Поддерживаются vLLM, Marlin и speculative decoding через MTP; это не GGUF-модель. Ключевое преимущество — существенное снижение требований к памяти при заявленном близком к исходному качеству, однако производительность и совместимость зависят от подходящих GPU и версии vLLM. Исходная модель является abliterated, то есть с существенно удалёнными механизмами отказа, поэтому она может выполнять вредоносные или неэтичные запросы и требует осторожного применения. Лицензия — Apache 2.0, унаследованная от базовой модели.

Карточка модели willhx/Qwen3-8B-Base-SeaSFT-Search 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.

RaceBench-MiniCPM5-heretic — языковая модель, разработанная RACER IS OP на основе saidutta69/RaceBench-MiniCPM5 и MiniCPM5-1B. Это decensored-вариант, созданный с помощью Heretic 1.4.0 методом directional ablation (abliteration): целевые изменения весов подавляют поведение, связанное с отказами, без дополнительного дообучения. Модель предназначена для генерации текста и диалогов на английском и китайском языках. Модель ориентирована на многошаговое рассуждение, код, агентское использование инструментов, ролевые сценарии и локальные приложения. Заявлены режимы Think и No-Think, контекст до 128K токенов, поддержка llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang, а также GGUF-квантизации для запуска на потребительских GPU, CPU и устройствах edge-класса. Размер исходной модели составляет около 1,1 млрд параметров; доступны варианты от Q2_K до Q8_0 и F16. К сильным сторонам относятся компактность, длинный контекст, низкие требования к памяти, поддержка локального запуска и снижение частоты отказов с 39 до 2 на 100 проверочных adversarial-запросов по данным карточки. При этом отсутствие защитных ограничений является существенным риском для безопасного применения, а изменения весов могут влиять на поведение и качество модели. Также заявлен компромисс между улучшением результатов на BBH и ухудшением показателей на математических задачах; подробные результаты в этой карточке не приведены. Модель распространяется по лицензии Apache 2.0.

Карточка модели rhombus18/rhododendron-analyst-1o на Hugging Face совпадает с карточкой rhombus18/rhododendron-professor-1o, поэтому описание составлено по ней. Rhombus18 Rhododendron Professor 1o — дообученная языковая модель семейства Qwen3, разработанная пользователем rhombus18 на основе unsloth/qwen3-32b-bnb-4bit. Модель имеет плотную архитектуру Qwen3ForCausalLM и содержит 29,7 млрд параметров. Карточка указывает обучение с помощью Unsloth и библиотеки TRL от Hugging Face; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Она поддерживает английский язык и контекст длиной до 128 000 токенов. В README не описаны специализированные области применения или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия — Apache 2.0.

StrangeMerges_49-7B-dare_ties — языковая модель Gille, полученная слиянием трёх моделей с помощью LazyMergekit и метода DARE-TIES. Это плотная архитектура Mistral с 7,1 млрд параметров; модель предназначена для генерации текста и диалогового использования. Указанное окно контекста составляет 32 768 токенов. Модель объединяет Gille/StrangeMerges_32-7B-slerp, AurelPx/Percival_01-7b-slerp и louisbrulenaudet/Pearl-7B-slerp. В карточке приведены результаты Open LLM Leaderboard, включая среднее значение 75,50, ARC 72,35 и HellaSwag 88,30. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Sakalti/ultiima-14b-pass1 — языковая модель для генерации текста, созданная с помощью mergekit методом passthrough на основе Sakalti/ultiima-14B. В метаданных указана архитектура Qwen2 с плотной моделью и классом Qwen2ForCausalLM; размер составляет 23,9 млрд параметров, формат весов — safetensors, длина контекста — до 131 072 токенов. Модель предназначена для диалогов и генерации текста; метаданные также отмечают интерфейс вызова инструментов. Карточка не описывает отдельные специализированные области или языки. Лицензия в доступных данных не указана.

QuixiAI/WizardLM-7B-V1.0-Uncensored — текстовая модель генерации на базе архитектуры LLaMA с 6,6 млрд параметров. Это переобученная версия WizardLM-7B-V1.0: автор использовал отфильтрованный набор данных, чтобы снизить частоту отказов, уклончивых ответов и проявлений предвзятости. Модель обучена на инструкциях в формате Vicuna-1.1 и предназначена для диалогов и выполнения текстовых инструкций. Модель принимает текст и генерирует текст; заявленная длина контекста — 2048 токенов. Карточка указывает, что у модели ослаблены защитные ограничения, но отмечает, что она не является полностью «без цензуры». Лицензия в метаданных обозначена как other, поэтому конкретные условия использования по доступным сведениям определить нельзя.

AquilaChat2-7B-16K — диалоговая языковая модель из серии Aquila2, разработанной BAAI. Она предназначена для ведения чата и генерации текста, в том числе работы с длинными диалогами и текстами благодаря контексту до 16 384 токенов. Модель имеет плотную архитектуру AquilaForCausalLM и около 6,9 млрд параметров. В карточке заявлена поддержка английского и китайского языков; модель распространяется в формате PyTorch. Лицензия указана как other, поэтому условия использования следует уточнять в материалах разработчика.

Citaman/command-r-22-layer — языковая модель для генерации текста, созданная с помощью mergekit методом SLERP из слоёв Citaman/command-r-23-layer. Это плотная авторегрессионная модель семейства Cohere с 20,2 млрд параметров; репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Контекстное окно — 8192 токена. Модель подходит для диалоговых приложений и генерации ответов, а также для сценариев, где чату нужно передавать вызовы инструментов. В README указана лицензия?

Citaman/command-r-25-layer — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Cohere для генерации текста и диалогов. В README указано объединение двух диапазонов слоёв одной модели Citaman/command-r-26-layer; метаданные также связывают её с этой базовой моделью. Модель содержит 22,6 млрд параметров, работает с текстом и имеет контекстное окно 8192 токена. Метаданные отмечают поддержку чата и интерфейса вызова инструментов. Модель подойдёт для диалоговых приложений и генерации текста. В README не приведены оценки качества или результаты тестирования. Репозиторий содержит веса в формате Safetensors; лицензия в предоставленных данных не указана.

GPT-4 Turbo — мультимодальная модель OpenAI с поддержкой зрения. Она предназначена для диалогов и задач, где нужно анализировать изображения вместе с текстовыми запросами. Для запросов с изображениями поддерживаются JSON mode и вызов функций. В README указано, что обучающие данные охватывают период до декабря 2023 года. Размер модели, длина контекста и условия лицензии в предоставленных материалах не описаны.

harrier-oss-v1-270m — разработанная Microsoft мультиязычная модель для получения плотных текстовых эмбеддингов. Она использует декодерную архитектуру Gemma 3 Text с пуллингом последнего токена и L2-нормализацией. Размер модели — 257 млн параметров по метаданным; размерность эмбеддингов — 640, максимальный контекст — 32 768 токенов. Модель предназначена для семантического поиска и извлечения документов, оценки сходства текстов, кластеризации, классификации, поиска параллельных фрагментов и ранжирования. Для адаптации эмбеддингов к сценарию README рекомендует добавлять к запросу краткую инструкцию; для документов инструкции не требуются. Модель обучалась контрастивным методом на мультиязычных данных, а вариант на 270 млн параметров дополнительно обучался с дистилляцией от более крупных моделей. Заявлена поддержка широкого набора языков, включая русский; перечисленные в карточке языки не исчерпывают весь список. Лицензия — MIT. README сообщает о высоких результатах на Multilingual MTEB v2, но воспроизведённые оценки могут немного различаться в зависимости от версий Transformers и PyTorch.

K2-Horizon-32B MLX 6-bit — 6-битная квантизованная версия плотной авторегрессионной языковой модели IFM/K2-Horizon-32B, подготовленная hermitdave для запуска на компьютерах Apple Silicon через MLX. Модель содержит 31,2 млрд параметров по метаданным, а README описывает исходную архитектуру как декодер с 64 слоями. Заявленная длина контекста — 524 288 токенов. Модель предназначена для генерации текста, диалогов, рассуждений и агентных задач; карточка характеризует исходную модель как reasoning-модель и приводит результаты нескольких бенчмарков. Квантование уменьшает объём весов примерно до 24 ГБ, что, согласно README, позволяет запускать модель на устройствах Apple Silicon с 64 ГБ памяти. Для использования указаны MLX и mlx-lm; README также сообщает о необходимости патча oMLX версии 0.6.4 или новее для поддержки типа модели и формата вызовов инструментов. Это чекпойнт Stage 1; автор README сообщает, что ожидается финальный чекпойнт с улучшенными результатами. Модель выпущена по лицензии Apache-2.0. Данные о поддерживаемых естественных языках в источниках не приведены.

kromcomp/L3.1-Spectrev2-12B — объединённая языковая модель на архитектуре Llama, созданная автором репозитория с помощью mergekit и метода Passthrough. В объединении использована модель merge/imps. Модель содержит 11,4 млрд параметров, построена как плотная авторегрессионная модель для генерации текста и поддерживает диалоговый режим. Модель подходит для генерации ответов в чате и других задач, где требуется продолжать или создавать текст. Заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате Safetensors; для работы указана библиотека Transformers. README и метаданные не описывают специализацию по предметным областям или отдельные ограничения качества. Лицензия в предоставленных данных не указана.

kromvault выпустил L3-Horizon-Anteros-Ara-v0.1-9B — объединённую модель для генерации текста и диалогов. Она построена на архитектуре Llama с плотной моделью причинного языкового моделирования и содержит 8,4 млрд параметров; максимальный контекст — 8192 токена. Модель создана методом Della с помощью mergekit: в качестве базовой использована parts/anterosara.b, в объединение также включена parts/anterosara.c. Вес модели сохранён в формате safetensors, тип данных при объединении — bfloat16. Метаданные указывают библиотеку Transformers и возможность чата. Лицензия в предоставленных данных не указана.

LFM2-350M — компактная языковая модель, разработанная Liquid AI для работы на периферийных устройствах и локального запуска на смартфонах, ноутбуках и автомобильных системах. Это плотная гибридная модель семейства LFM2 с примерно 318,8 млн параметров по метаданным и 354,5 млн по карточке модели; архитектура сочетает 10 блоков коротких свёрток с двойными вентильными механизмами и 6 блоков внимания GQA. Модель поддерживает контекст до 128 000 токенов согласно метаданным; README указывает 32 768 токенов. Модель предназначена для генерации текста и диалогов, включая извлечение данных, RAG, творческое письмо, многошаговые разговоры и сценарии с вызовом инструментов. Liquid AI рекомендует адаптировать её дообучением под узкие задачи. По данным карточки, модель эффективно работает на CPU, GPU и NPU; указаны ускорения обучения и CPU-инференса относительно предыдущего поколения LFM и Qwen3 соответственно. Обучение включало дистилляцию от LFM1-7B, supervised fine-tuning, DPO и слияние моделей. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Разработчик не рекомендует модель для задач, требующих обширных знаний или навыков программирования. В метаданных указана лицензия other; конкретные условия использования следует сверять с лицензией репозитория Hugging Face.

nlpguy/Lion-Lamarck-v.1.1.0 — объединённая с помощью mergekit модель на базе семейства Qwen2.5. В слиянии использован SCE, а CultriX/Qwen2.5-14B-Wernicke указан как базовая модель; также объединены SuperNova-Medius, Qwen2.5-14B-Vimarckoso-v3, DeepSeek-R1-Distill-Qwen-14B и Lamarck-14B-v0.7. Модель содержит 14 млрд параметров, построена на плотной архитектуре Qwen2ForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Контекст составляет до 131 072 токенов. В карточке не приведены сведения о целевых языках, тестировании качества или рекомендуемых сценариях. Лицензия в предоставленных данных не указана.

athirdpath/Llama-3-11b-Instruct — разговорная модель генерации текста, созданная как merge трёх вариантов Part Wave, Part Block и Part Funnel; в README Part Funnel указан как основа. Сборка использует слои NousResearch/Meta-Llama-3-8B-Instruct, а метаданные определяют архитектуру как плотную LlamaForCausalLM. Размер модели — 10,6 млрд параметров, формат весов — safetensors, контекст — до 8192 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Автор описывает её как основу для дальнейшей работы и отмечает, что после исправления ошибки в YAML она работает, но количественных оценок качества и подробностей о тестировании не приводит. Лицензия указана как llama3; перед использованием следует учитывать условия лицензии Llama 3.

M7Yamshadowexperiment28_YamYam — объединённая модель для генерации текста, опубликованная MaziyarPanahi. Она создана на основе automerger/M7Yamshadowexperiment28-7B и automerger/YamYam-7B; в метаданных архитектура указана как плотная MistralForCausalLM с 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Модель подходит для диалоговой генерации, написания и продолжения текста, а также для задач, где требуется учитывать длинный контекст. Репозиторий содержит веса в формате safetensors. Лицензия — Apache 2.0. В карточке не описаны специальные предметные области или подтверждённые ограничения качества; возможности следует оценивать на целевых задачах.

Marcoroni-neural-chat-7B-v2 — объединённая языковая модель на архитектуре MistralForCausalLM, созданная с помощью Slerp и mergekit из AIDC-ai-business/Marcoroni-7B-v3 и Intel/neural-chat-7b-v3-3. Обе исходные модели основаны на mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 32 768 токенов. Она предназначена для тестирования возможностей объединённой модели и задач генерации текста. Репозиторий предоставляет веса в формате safetensors; лицензия — Apache-2.0.

MiniCPM-MoE-8x2B — генеративная языковая модель от OpenBMB на архитектуре decoder-only Transformer с механизмом Mixture-of-Experts: в каждом слое восемь экспертов, из которых для каждого токена активируются два. Это версия после instruction tuning, без дополнительных методов RLHF; модель содержит 2,7 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. Её можно использовать для ответов на вопросы, написания и редактирования текстов, а также для классификации текста. Для запуска доступны Transformers и vLLM; веса представлены в формате PyTorch с точностью bfloat16. Модель генерирует ответы на основе обучающих текстов и не выражает личных мнений. Сгенерированную информацию следует проверять. Лицензия в предоставленных данных не указана.

Mixtral-8x22B-Capyboros-v1 — дообученная с помощью QLoRA языковая модель автора tdrussell на базе Mixtral-8x22B-v0.1. Она использует архитектуру Mixtral с разреженными экспертами и предназначена для генерации текста в формате инструкций Mistral: запрос заключают между маркерами [INST] и [/INST]. Обучение проведено на сочетании датасетов Capybara и Airoboros; адаптер имеет ранг LoRA 64, обучение шло два эпоха с длиной последовательности 4096 токенов. Модель подходит для диалоговых ответов, объяснения понятий и выполнения текстовых инструкций. В репозитории есть веса safetensors и отдельный квантованный вариант GGUF Q4_K_S; README сообщает, что квантованный файл помещается при контексте не менее 16 тысяч токенов на видеопамяти 96 ГБ. Метаданные указывают размер 22B параметров и нативный контекст 65536 токенов. Лицензия — Apache-2.0. Результаты зависят от формата промпта и могут наследовать ограничения обучающих данных; сведений о систематической оценке качества нет.

MOSS-Transcribe-Diarize 0.9B — мультимодальная модель семейства MOSS от OpenMOSS для расшифровки длинных аудио- и видеозаписей. Она за один проход преобразует запись в текст с временными метками и анонимными метками говорящих, совместно выполняя распознавание речи и диаризацию. Также модель может размечать акустические события и учитывать пользовательские инструкции и подсказки с терминами.

Nemotron-3-Nano-Omni-30B-A3B-JANGTQ4-CRACK — мультимодальная модель dealignai, созданная на базе nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning. Это доработанная и квантизированная сборка с гибридной архитектурой Mamba-2, attention и MoE: 52 слоя, 128 маршрутизируемых экспертов с выбором шести и один общий эксперт на MoE-слой. В README указано 19 ГБ; метаданные сообщают 1,9 млрд параметров и контекст до 262 144 токенов. Модель предназначена для диалогов и рассуждений с текстом, изображениями и аудио; для мультимодального конвейера с видео README рекомендует дополнение Multimodal-Addon. Заявлены поддержка tool calling и сохранение мультимодальных компонентов базовой модели. Разработчик приводит результаты собственных проверок HarmBench и MMLU, однако это не независимая оценка; в частности, на сложных задачах рассуждения может потребоваться бюджет не менее 16 384 токенов. Сборка использует JANGTQ4 (8-битные attention-компоненты и 4-битные маршрутизируемые эксперты) и CRACK v2, в которой удалено обучение отказам. Поэтому модель может выдавать вредоносное содержание и требует отдельного защитного слоя перед практическим развёртыванием. Лицензия в метаданных обозначена как other; конкретные условия использования следует проверять в репозитории. Для запуска README указывает vMLX или jang-tools.

Occiglot-7B-EU5 — базовая многоязычная генеративная языковая модель, разработанная Occiglot Research Collective. Это плотный авторегрессионный трансформер с архитектурой Mistral и 7,1 млрд параметров. Модель создана продолжительным предобучением Mistral-7B-v0.1 на 293 млрд дополнительных токенов многоязычных данных и кода; максимальная длина контекста по метаданным — 32 768 токенов. Модель предназначена для генерации и продолжения текста на английском, немецком, испанском, французском и итальянском языках, а также для работы с кодом. Её можно использовать как основу для собственных дообучений и оценок. Это базовая модель без дообучения на инструкциях, поэтому она не оптимизирована для диалога или чат-приложений; для таких сценариев авторы предлагают вариант Occiglot-7B-EU5-Instruct. Лицензия — Apache 2.0.

Open Instruct ShareGPT Llama2 7B — языковая модель из серии Tulu, разработанной Allen Institute for AI (AI2). Это дообученная на данных ShareGPT модель Meta Llama 2 с плотной архитектурой LlamaForCausalLM и 6,6 млрд параметров. Она предназначена для генерации текста в ответ на инструкции и ведения диалогов в роли помощника; для получения лучших результатов следует использовать обученный формат сообщений с переводом строки после маркера начала сообщения. Модель принимает текст и выдаёт текст, в первую очередь на английском языке. Размер её контекстного окна — 2048 токенов. Она подходит для диалоговых сценариев и выполнения широкого круга текстовых инструкций. Модель не проходила этап RLHF для выравнивания безопасных ответов и может выдавать проблемный контент, особенно в ответ на соответствующие запросы. Лицензия — AI2 ImpACT Low-risk.

OrcaMaid 13B — это языковая модель для генерации текста в формате GGUF, созданная ddh0 на базе архитектуры Llama и квантизированная TheBloke. Репозиторий содержит варианты модели с разрядностью 2, 3, 4, 5, 6 и 8 бит для запуска на CPU и GPU. Исходная модель доступна в формате FP16 для GPU-инференса и дальнейших преобразований. Модель предназначена для выполнения инструкций и генерации ответов в текстовых сценариях, включая локальный инференс через llama.cpp и совместимые приложения и библиотеки. Для работы используется шаблон Alpaca с секциями Instruction и Response. Поддерживаются клиенты и инструменты, совместимые с GGUF, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Ключевые характеристики — 13 миллиардов параметров, текстовая модальность, архитектура семейства Llama и формат GGUFv2. Сведения о поддерживаемых языках и размере контекста в README не указаны. Квантизация позволяет выбирать компромисс между требованиями к памяти и качеством, однако конкретные характеристики качества и аппаратные требования зависят от выбранного варианта. Лицензия указана как microsoft-research-license для исходной модели; также заявляется применимость лицензии Meta Llama 2, поэтому условия использования и взаимодействие лицензий следует проверять в исходном репозитории.

Quyen-Plus-v0.1 — диалоговая языковая модель серии Quyen, разработанной авторами модели на основе семейства Qwen1.5. Это плотная авторегрессионная модель архитектуры Qwen2ForCausalLM примерно с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст, используя шаблон диалога ChatML. Модель предназначена для диалоговых ответов и помощи с текстовыми запросами. Серия Quyen обучалась с использованием SFT и DPO на наборах OpenHermes-2.5, Capybara, Orca DPO и distilabel-capybara-dpo, а также на закрытых данных. В карточке приведены отдельные результаты тестов, но полный набор результатов и бенчмарков не представлен. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией и файлами репозитория. Модель опубликована в формате Safetensors и доступна через Transformers.

Карточка модели tayaee/Qwen2.5-1.5B-Korean-GRPO-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.