I.7Речь, диалоги и встречи

radlab/pLLama3.2-3B — плотная языковая модель семейства Llama, дообученная radlab на базе meta-llama/Llama-3.2-3B-Instruct. Модель содержит 3,2 млрд параметров и рассчитана на контекст до 131 072 токенов; репозиторий предоставляет веса в формате safetensors. Модель дообучена для общения на польском языке и выполнения инструкций: она предназначена для диалогов, ответов на вопросы и генерации польского текста. В README описан этап дообучения на корпусе примерно из 650 тысяч польских инструкций; эта версия не обозначена как прошедшая отдельный этап DPO. Метаданные также отмечают интерфейс вызова инструментов. Лицензия — Llama 3.2, условия которой следует учитывать при использовании и распространении модели. Описанные данные и сравнительное утверждение об улучшении точности общения приведены разработчиком; независимые оценки качества в карточке не представлены.

WesPro/PsyKidelic_Llama3_LimaRP — объединённая языковая модель, созданная WesPro с помощью mergekit линейным слиянием WesPro/PsykidelicLlama3 и mpasila/Llama-3-LimaRP-LoRA-8B. Она предназначена для генерации текста в диалоговом формате и может использоваться для ведения бесед и создания ответов на текстовые запросы. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Репозиторий хранит веса в формате safetensors; README указывает на слияние в float16. Лицензия в предоставленных данных не указана.

Qandora-2.5-7B-Creative — объединённая модель для генерации текста, созданная автором репозитория с помощью mergekit методом passthrough на основе bunnycore/Qandora-2.5-7B и bunnycore/Qwen-2.1-7b-Persona-lora_model. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers; метаданные также отмечают чатовые возможности и интерфейс вызова инструментов. Модель подходит для диалоговой генерации и творческих текстовых задач. В карточке не приведены результаты оценки качества, подробное описание навыков или языковой охват, поэтому нельзя уверенно судить о качестве для отдельных жанров и языков. Лицензия в предоставленных данных не указана.

GemMaroc/Qwen2.5-7B-Instruct-darija — инструктивная языковая модель на архитектуре Qwen2.5, дообученная командой GemMaroc для генерации текста на марокканском арабском языке (Darija). Модель содержит 7,1 млрд параметров, использует архитектуру decoder-only Transformer и поддерживает контекст до 32 768 токенов. Она основана на Qwen/Qwen2.5-7B-Instruct и обучена на наборе инструкций GemMaroc/TULU-3-50k-darija-english; опубликованные веса представлены в формате safetensors. Модель предназначена для диалогов, ответов на инструкции, рассуждений и генерации текста на Darija, а также для работы с английским в двуязычных сценариях. Разработчик приводит оценки на бенчмарках для Darija и английского; результаты различаются по задачам, а улучшения на одном языке или показателе не гарантируют качества в других сценариях. Среди ограничений — более слабые результаты в анализе тональности и абстрактивном суммировании, чем у современных специализированных моделей, а редкие варианты написания Darija могут дробиться токенизатором. Модель может наследовать социальные предубеждения предобучающих данных и не имеет дополнительного выравнивания безопасности RLHF/RLAIF, поэтому для прикладного развёртывания разработчик рекомендует модерацию. Условия лицензии в предоставленных данных не указаны.

Qwen2.5-7B-Instruct-finetuned — дообученная модель JosephNguyen на базе unsloth/Qwen2.5-7B-Instruct. Это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для диалогов и генерации текста; заявлена поддержка интерфейса вызова инструментов. Модель принимает текст и выдаёт текст, работает с английским языком и имеет контекст до 32 768 токенов. В карточке указано, что обучение проводилось с использованием Unsloth и библиотеки TRL. Конкретные специализация дообучения и результаты оценки качества не описаны, поэтому возможности базовой модели — генерация кода и структурированных ответов — не следует считать подтверждёнными характеристиками этого варианта. Распространяется по лицензии Apache-2.0.

OP12138/qwen3-4b-star1 — дообученная модель Qwen3-4B, созданная на наборе данных star1. Она предназначена для генерации текста и диалогового общения. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекстное окно до 40 960 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. В карточке не описаны специализация датасета star1, результаты оценки или дополнительные ограничения. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория и базовой модели.

Qwen-3.5-4B-ASVD-Healed — сжатая и восстановленная дообучением версия Qwen/Qwen3.5-4B от автора репозитория Kodjaoglanian. Это плотная причинная языковая модель для диалогов и генерации текста; архитектура Qwen3_5ForCausalLM, около 3,4 млрд параметров, контекст до 262 144 токенов. В README описан метод структурного сжатия ASVD с сохранением 85% дисперсии и последующим восстановлением LoRA rank 32; адаптеры объединены с весами, модель опубликована в bfloat16 и формате safetensors. Модель рассчитана на обычные сценарии генерации текста и диалога, включая запуск в стандартной экосистеме Hugging Face и vLLM, в том числе на устройствах с ограниченной памятью. Карточка сообщает об использовании Wikitext-2 для калибровки; метаданные указывают английский язык. По заявлению автора, восстановление улучшает синтаксис и рассуждения после сжатия, а уменьшение числа параметров экономит видеопамять. Лицензия — Apache-2.0. Сжатие с порогом сохранения дисперсии 85% может ухудшить запоминание редких и узкоспециализированных фактов по сравнению с базовой моделью; для высокой фактической точности в специализированных областях автор рекомендует дополнительное дообучение. В README нет количественных результатов сравнительной оценки.

Это набор смешанных по точности GGUF-квантований Qwen3.5-9B, подготовленный автором репозитория с помощью обученных профилей квантования для групп тензоров. Архитектура исходной модели гибридная: 24 слоя DeltaNet с линейным вниманием и 8 слоёв стандартного внимания; в README указана обработка 250 весовых тензоров. Доступны семь уровней точности с целевым бюджетом от 3,0 до 5,0 бит на параметр. Метаданные указывают Qwen/Qwen3.5-9B как базовую модель, библиотеку GGUF и лицензию Apache-2.0. Модель предназначена для диалоговой генерации текста и запуска через llama.cpp. Выбор файла позволяет подобрать компромисс между размером и качеством: README рекомендует вариант 3,5 bpw для соотношения качества и размера, 3,0 bpw для максимального сжатия и 4,5 bpw для максимального качества в этой линейке. В собственных тестах автора приведены значения perplexity на наборе из 20 фрагментов с контекстом 512 токенов; эти результаты не гарантируют такое же качество на других задачах и оборудовании. Это квантованная производная Qwen3.5-9B, а не отдельная архитектура.

Qwen3.6-35B-A3B-NInfer — это конвертированная версия мультимодальной модели Qwen3.6-35B-A3B, подготовленная разработчиком Neroued для нативного формата NInfer. Артефакт предназначен исключительно для запуска в NInfer и не является checkpoint для Transformers, Safetensors-дистрибутивом или файлом GGUF. Дополнительные веса DFlash предоставлены проектом z-lab/Qwen3.6-35B-A3B-DFlash. Модель рассчитана на диалоговую генерацию текста, работу с изображениями и видео, а также сценарии локального инференса через CLI или HTTP-сервер NInfer. Архитектура указана как Qwen3_5MoeForCausalLM; размер файла составляет около 21,23 GiB. В артефакт входят текстовые и vision-компоненты, MTP, DFlash, оптимизированная proposal head и frontend-ресурсы. Поддерживаются speculative decoding через MTP и DFlash, мультимодальные запросы и контекст до 240 000 токенов при серверном запуске. В README не указаны полный перечень языков и точное число активных или всех параметров, однако обозначение модели содержит 35B-A3B. К сильным сторонам относятся мультимодальность, большой заявленный контекст, локальный запуск и ускорение генерации с помощью MTP или DFlash. В приведённых оценках модель получила 90% на AIME 2025 и AIME 2026 и 85,35% на GPQA-Diamond; результаты заявлены для режима zero-shot. Ограничения включают жёсткую зависимость от NInfer, 64-битного Linux, NVIDIA GeForce RTX 5090 с архитектурой sm_120a и CUDA Toolkit 13.1 или новее, а также необходимость сборки NInfer из исходного кода. Распространение указано по лицензии Apache-2.0.

Модель linchiyi/qwen3-8b-hw3-grpo-lora-merged-16bit — дообученная разговорная языковая модель семейства Qwen3 с плотной архитектурой и 7,6 млрд параметров. Она основана на unsloth/qwen3-8b; для обучения использовались Unsloth и библиотека TRL. Репозиторий содержит веса в формате safetensors, а длина контекста составляет 40 960 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не уточняет специализацию дообучения или результаты оценки, поэтому пригодность для конкретных предметных областей и качество ответов по ним определить нельзя. Лицензия — Apache-2.0.

Qwen3-8B-LayerBoost — гибридная модель для генерации текста и диалогового общения, разработанная Openchip на основе Qwen3-8B с применением фирменного метода линейризации LayerBoost. Она предназначена для использования в чат-сценариях и генерации текста. Модель имеет плотную архитектуру семейства Qwen3, содержит 7,6 млрд параметров и рассчитана на контекст до 40 960 токенов; для работы используется библиотека Transformers, веса доступны в формате safetensors. Модель унаследовала базовую модель Qwen3-8B, но README не описывает подробно изменения LayerBoost, сравнительные результаты или поддерживаемые языки. Лицензия в предоставленных данных не указана.

Это пакет слоёв GGUF для запуска Qwen3-8B-Q4_K_M в распределённой системе Mesh LLM. Пакет подготовлен Mesh LLM на основе unsloth/Qwen3-8B-GGUF и разбивает модель на артефакты по слоям, чтобы распределять вычисления между несколькими локальными машинами. Используется для локального приватного инференса и чат-запросов через совместимый с OpenAI интерфейс Mesh LLM. Вариант модели — Q4_K_M; исходные веса распространяются в формате GGUF. В метаданных Hugging Face указаны библиотека mesh-llm и возможность чата. Условия лицензии и подробные параметры архитектуры предлагается уточнять по карточке исходной модели unsloth/Qwen3-8B-GGUF; в доступных данных они не приведены.

Qwen3-8B-SFT — дообученная методом supervised fine-tuning модель formalmathatepfl на базе Qwen/Qwen3-8B. Это плотная языковая модель с 7,6 млрд параметров для генерации текста в диалоговом формате; в метаданных указана поддержка чата. Для запуска используется библиотека Transformers, веса представлены в формате safetensors. Указанная длина контекста — 40 960 токенов. Модель предназначена для диалоговой генерации текста. README сообщает о дообучении на SFT-датасете и приводит значение loss 0,0647 на наборе оценки, но не раскрывает состав данных, методику оценки или специализацию модели. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке модели и связанных документах.

taurusduan/Qwen3.8-Whittle-MoE-27B-A17.8B-GGUF — это квантизированная GGUF-версия модели Whittle MoE 27B (A18B), разработанной logic65 на базе Qwen3.8-27B. Модель представляет собой постфактум сформированную mixture-of-experts-архитектуру с 27 млрд параметров, из которых около 17,8 млрд относятся к активным параметрам. В каждом слое используются 64 маршрутизируемых экспертных блока, а для каждого токена активируются 16 из них. Основное назначение — генерация текста и диалоговые сценарии с использованием llama.cpp и совместимых инструментов. Доступно несколько уровней квантизации: от Q8_0 размером около 28,7 ГБ до Q3_K_M размером около 13,9 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Для версии с визуальными возможностями предусмотрен отдельный проектор mmproj-qwen38.gguf размером около 0,9 ГБ, однако подробные сведения о поддерживаемых изображениях, языках и размере контекстного окна в карточке не указаны. Версия v2.2.1 исправляет проблему преждевременного завершения рассуждений внутри блока chain-of-thought, но не устраняет слабости при точном подсчёте элементов, длинных списках и повторяющихся фрагментах. Сильными сторонами являются MoE-архитектура с относительно умеренным числом активных параметров, несколько вариантов квантизации и улучшенное завершение ответов при включённом рассуждении. Ограничения включают сохраняющуюся склонность к повторениям, недостаточную надёжность при генерации списков длиной более 45 элементов и отсутствие гарантии точного количества элементов. Модель распространяется по лицензии Apache-2.0; репозиторий содержит именно квантизированные сборки базовой модели.

Rhodia — объединённая языковая модель автора TheDrunkenSnail, созданная методом SLERP с помощью mergekit на основе emplitude/rubysmart2 и StoneLabs/HorrorMerge-NOS4A2. Это плотная авторегрессионная модель семейства Mistral объёмом 9,8 млрд параметров, доступная в формате safetensors и предназначенная для генерации текста и диалогового общения. Модель подходит для генерации продолжений текста и ведения диалогов. Метаданные указывают на контекст до 1 024 000 токенов; библиотека для работы — Transformers. Условия лицензии и конкретные поддерживаемые языки в предоставленных данных не отражены.

Rose-2x7B — языковая модель архитектуры Mixtral Mixture of Experts, созданная uproai путём объединения моделей maywell/PiVoT-0.1-Starling-LM-RP и WizardLM/WizardMath-7B-V1.1 с помощью Mergekit. Она предназначена для генерации текста и диалоговых сценариев; сочетает базу для ролевого общения с моделью, ориентированной на математические задачи. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии Apache-2.0. Языки и отдельные ограничения качества в карточке не описаны.

sfm_filtered_e2e_alignment-4k_5k_6k_simpleavg_merge — объединённая языковая модель, созданная с помощью mergekit из контрольных точек обучения global_step4000, global_step5000 и global_step6000. В качестве базовой контрольной точки использована global_step6000, а метод объединения указан как Linear. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; веса сохранены в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Она работает с текстом, поддерживает контекст длиной до 16 384 токенов и запускается через Transformers. Доступные сведения не описывают специализацию по предметной области, языки обучения или сравнительные результаты качества. Лицензия в предоставленных данных не указана.

Модель sfm_filtered_e2e_insert_hyperstition_v1-3k_4k_5k_6k_7k_simpleavg_merge — объединение языковых моделей методом Linear merge с помощью mergekit. В качестве базового чекпойнта использован global_step7000, также объединены чекпойнты global_step3000, global_step4000, global_step5000 и global_step6000 из серии filtered_e2e_insert_hyperstition_v1. Это плотная авторегрессионная модель GPT-NeoX с 8,8 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель принимает текст и генерирует текст; заявленный контекст составляет 16 384 токена. В метаданных указана библиотека Transformers, веса представлены в формате safetensors. README не уточняет языковой охват, специализированные области применения и лицензию, поэтому оценить их по доступным данным нельзя.

sfm_filtered_e2e_insert_hyperstition_v1-3k_4k_5k_weightedavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, опубликованная пользователем yuhengtu-bytedance. Модель создана с помощью mergekit методом Linear: в объединение вошли контрольные точки обучения на шагах 3000, 4000 и 5000; контрольная точка шага 5000 использовалась как базовая. Размер модели — 8,8 млрд параметров, максимальный контекст — 16 384 токена. В репозитории веса представлены в формате safetensors; для работы используется библиотека Transformers. Модель предназначена для генерации текста и диалоговых сценариев. Данных о специализированной предметной области или поддерживаемых естественных языках в предоставленной карточке нет. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

Это объединённая модель генерации текста, созданная разработчиком yuhengtu-bytedance методом Linear merge с помощью mergekit. В качестве базовой использована контрольная точка global_step8000; также объединены контрольные точки global_step6000 и global_step7000. Архитектура — плотная авторегрессионная GPT-NeoX, размер — 8,8 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. Сведения о конкретных языках, обучающих данных и специальных прикладных областях в карточке не приведены. Лицензия в доступных данных не указана.

Это объединённая языковая модель на 8,8 млрд параметров, созданная автором репозитория yuhengtu-bytedance методом Linear merge с помощью mergekit. В качестве основы использован чекпойнт filtered_midtrain_alignment на шаге 6000; в объединение также вошли чекпойнты на шагах 2000, 3000, 4000 и 5000. Модель построена на архитектуре GPT-NeoX и сохранена в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Её можно применять для ведения беседы и создания текстовых ответов; поддерживаемая длина контекста составляет 16 384 токена. Сведения о конкретных языках, специализации и результатах оценки качества в карточке не приведены. Лицензия в предоставленных данных не указана.

Карточка модели Sakalti/SJT-990M на Hugging Face совпадает с карточкой Sakalti/SJT-1B-Alpha, поэтому описание составлено по ней. SJT-1B-Alpha — компактная чат-модель Sakalti на архитектуре Qwen2, дообученная на базе sail/Sailor2-1B. Она предназначена для диалогов и генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 851,8 млн параметров, поддерживает контекст до 131 072 токенов и представлена в формате safetensors. В карточке указаны английский и японский языки. Модель распространяется по лицензии Apache-2.0.

SJTpass-1 — языковая модель Sakalti для генерации текста и диалогов. Это производная модель, созданная с помощью mergekit методом passthrough из Sakalti/SJT-0.5B; архитектура — плотная Qwen2 с классом Qwen2ForCausalLM, веса представлены в safetensors. Модель содержит 851,8 млн параметров и поддерживает контекст до 32 768 токенов. Модель подходит для генерации продолжений текста, чат-ботов и диалоговых сценариев. В метаданных также указана возможность интерфейса вызова инструментов. Языки, на которых модель рассчитана, в доступных сведениях не определены. Распространяется по лицензии Apache-2.0.

SphinxMind-14B-normalize-false — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES на основе shuttleai/shuttle-3-mini с включением EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2. Модель содержит 14 млрд параметров и предназначена для диалогового общения и генерации текста; доступна в формате safetensors для библиотеки Transformers. Её контекстное окно составляет 65 536 токенов. Модель может использоваться для ведения диалогов, творческого письма и создания историй. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя.

WesPro/StarCaptain_Commander08_32B — объединённая модель для генерации текста и диалогового общения. Она создана сообществом WesPro методом SLERP с помощью mergekit на основе TheDrummer/Star-Command-R-32B-v1 и WesPro/C4AI_Adventure_CaptainCommand08_32B. Модель имеет плотную архитектуру CohereForCausalLM и 32,3 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Базовые модели связаны с ролевым общением и генерацией текста, поэтому модель может подойти для диалоговых и ролевых сценариев. В репозитории используются веса Safetensors, а для работы указана библиотека Transformers. Сведения о лицензии, языках и специальных ограничениях качества в предоставленных данных отсутствуют.

SzilviaB/Triple-SOLAR-2x10.7b-truthy-dpo-SKEWED — разговорная языковая модель для генерации текста, полученная слиянием через TIES с помощью mergekit. В конфигурации трижды использована модель macadeliccc/SOLAR-2x10.7b-truthy-dpo с разными параметрами плотности и весами; результат сохранён в формате float16. Архитектура Mixtral с MoE-компонентами, размер — 10,6 млрд параметров, контекст — до 4096 токенов. Модель предназначена для диалоговой генерации ответов и продолжения текста. Карточка и метаданные не уточняют языковую специализацию или отдельные прикладные области. Лицензия в предоставленных данных не указана.

Unhinged-Qwen2-72B — объединённая разговорная языковая модель, созданная с помощью mergekit на основе Qwen2 и моделей Tess-v2.5.2-Qwen2-72B и Dolphin-2.9.2-Qwen2-72B. В метаданных указаны архитектура Qwen2ForCausalLM, плотная архитектура и 71,5 млрд параметров; модель распространяется в формате safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. Лицензия обозначена как other, поэтому условия использования следует проверять в репозитории модели. Данных о специализированных областях применения в карточке нет.

Viking-SlimSonnet-v1-7B — диалоговая языковая модель, разработанная mpasila на базе LumiOpen/Viking-7B. Модель дообучена методом LoRA на наборе SlimOrca, очищенном от примеров длиннее 4076 токенов; использован формат диалогов ChatML. Это плотная архитектура Llama с 7 млрд параметров и контекстом 4096 токенов. Модель предназначена для генерации ответов в диалоге и других текстовых продолжений. В карточке указаны английский и скандинавские языки: финский, шведский, норвежский, датский и исландский; базовая Viking-7B ориентирована преимущественно на финский и скандинавские языки. Модель опубликована в формате safetensors по лицензии Apache-2.0.

vorenthos-architect-31b — разговорная языковая модель, опубликованная vorenthiclabs как экспорт из локальной установки Ollama. В карточке указано, что модель дообучена на базе `claude`; репозиторий содержит квантизированные веса GGUF и шаблон чата, а метаданные описывают архитектуру как плотную модель размером около 30,5 млрд параметров. Модель предназначена для генерации текста в диалоговом формате и запускается через Ollama; также упомянуты варианты использования с llama.cpp и библиотекой Transformers, поддерживающей GGUF. Карточка не описывает специальные предметные сценарии, языки, длину контекста или подтверждённые показатели качества. Лицензия обозначена как `other`, поэтому конкретные условия использования по имеющимся сведениям определить нельзя.

NTQAI разработала эту модель распознавания японской речи на основе facebook/wav2vec2-large-xlsr-53, дообучив её на Common Voice, JSUT, TEDxJP и других открытых данных. Это трансформер Wav2Vec2 с архитектурой Wav2Vec2ForCTC и примерно 404,9 млн параметров; модель принимает аудио с частотой дискретизации 16 кГц и преобразует речь в текст на японском языке. Модель предназначена для автоматической транскрибации японской речи. В приведённой оценке на тестовой части Common Voice указаны WER 73,10% и CER 18,15%, поэтому результаты могут требовать проверки и исправления, особенно в сценариях, где важна высокая точность. В README не указана лицензия.