II.10Разработка и эксплуатация AI/ML-систем

Qwen3-4B-expert-IF — плотная языковая модель семейства Qwen3 от автора репозитория David6995, дообученная методом supervised fine-tuning на базе Qwen/Qwen3-4B-Base для следования инструкциям. Она предназначена для генерации ответов на текстовые запросы и диалогового использования; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 65 536 токенов. Репозиторий содержит полные веса BF16, конфигурацию и токенизатор. Модель распространяется по лицензии Apache 2.0. README не описывает обучающие данные, языковой охват или результаты оценки качества, поэтому специализацию и надёжность в конкретных областях оценить по доступным сведениям нельзя.

JANGQ-AI/Qwen3.5-397B-A17B-JANG_1L — версия Qwen3.5-397B-A17B, подготовленная Jinho Jang с применением адаптивной смешанной квантизации JANG для запуска через MLX на компьютерах Mac с Apple Silicon. Модель имеет архитектуру MoE с гибридом GatedDeltaNet и полнослойного внимания: из 397 млрд параметров активны около 17 млрд, используются 512 экспертов на слой и top-10 активных экспертов. Профиль JANG_1L хранит экспертные MLP в 2-битном формате, а внимание, маршрутизаторы и эмбеддинги — в 8-битном; размер файлов составляет около 112 ГБ. Модель предназначена для диалогов, генерации текста и пошаговых рассуждений, а также анализа изображений. В карточке заявлена поддержка VLM и режима reasoning; приведён результат 86,5% на тесте MMLU из 200 вопросов при включённом reasoning, а также скорости генерации и обработки изображений. Для запуска требуется Mac с Apple Silicon и не менее 128 ГБ объединённой памяти, а также MLX Studio или пакет jang[mlx] версии 2.1.5 и выше. Лицензия — Apache-2.0. Это сильно сжатая производная базовой модели, поэтому качество может отличаться от исходной модели и других профилей квантизации; опубликованный результат MMLU основан на ограниченном наборе вопросов. Указанная конфигурация ориентирована на MLX и Apple Silicon, а карточка сообщает о несовместимости формата JANG с LM Studio, Ollama и oMLX.

CodeShield/Qwen3.5-9B-Instruct — инструкционная текстовая генеративная модель семейства Qwen, опубликованная на Hugging Face под организацией CodeShield. Модель предназначена для диалогового взаимодействия и генерации текста по инструкциям; для работы предполагается использование библиотеки Transformers. Из идентификатора модели следует размер порядка 9 млрд параметров и ориентация на instruction-tuning, однако подробности архитектуры, обучения и состава данных в доступных материалах не описаны. Модель может применяться для ответов на вопросы, ведения диалога, создания и преобразования текстов, а также в составе приложений на базе conversational AI. Лицензия, поддерживаемые естественные языки и длина контекста в предоставленных данных не указаны. README содержит шаблонную автоматически созданную карточку без результатов оценки и конкретных рекомендаций по использованию, поэтому модель следует дополнительно проверять на качество, безопасность и соответствие задачам перед применением.

Qwen3.6-27B-CoreAI — это плотная языковая модель на 27 млрд параметров, основанная на Qwen/Qwen3.6-27B и подготовленная mlboydaisuke для запуска в среде Apple Core AI. Модель предназначена для генерации текста, диалоговых приложений, суммаризации и других офлайн-сценариев на устройствах Apple через GPU или Neural Engine. Указанный язык — английский. Архитектура включает 64 слоя с чередованием линейных микшеров внимания GatedDeltaNet и полноразмерного gated attention, GQA с 24 query- и 4 KV-головами, 48 value-голов и плотные MLP размерности 17408. Все параметры активны при генерации каждого токена; модель поставляется в виде Core AI LanguageBundle размером около 28 ГБ с int8-квантованием весов. Заявлены скорость декодирования 15,9 токена в секунду на Mac с M4 Max и результаты, практически совпадающие с полной точностью на проверенных позициях. Сильными сторонами являются крупный плотный масштаб, локальное выполнение без обязательной передачи данных в облако и высокая точность int8-квантизации по приведённым тестам. Ограничения — значительные требования к памяти и хранилищу, зависимость от экосистемы Apple Core AI и отсутствие данных о поддерживаемом контексте и других языках. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-27B-F451-AND-TRI-Polar-Ultra-Pro-Writer-Uncensored-Heretic — плотная модель семейства Qwen3.5 на 27 млрд параметров, опубликованная DavidAU как дообучение с Unsloth. Автор сообщает, что обучал её на локальном оборудовании, чтобы повысить базовые интеллектуальные способности модели; в карточке приведены результаты тестов ARC, BoolQ, HellaSwag, OpenBookQA, PIQA и WinoGrande для вариантов с разной точностью. Указанные бенчмарки проверялись в режиме Instruct. Модель позиционируется для диалогов, письма и программирования; метаданные также отмечают обработку изображений и интерфейс вызова инструментов. Указанные в карточке языки — английский и китайский. Репозиторий содержит веса safetensors в формате bfloat16 и использует библиотеку Transformers. Лицензия — Apache-2.0. Карточка не сообщает длину контекста и не приводит конкретных результатов на задачах зрения или вызова инструментов. Заявления о превосходстве в бенчмарках основаны на описании автора; приведённые значения неполны. Название модели указывает на uncensored и heretic-вариант, но README не поясняет поведение модели в отношении такого содержимого.

Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-4bit-MLX — это 4-битная MLX-квантизация модели AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16. Исходную модель разработал AEON-7 при участии команды Qwen; оригинальная uncensored-версия создана автором под псевдонимом SpaceTimeViking. Репозиторий choppedgarlic содержит только конвертацию и квантизацию для локального запуска на компьютерах Apple Silicon, без дополнительного дообучения или намеренного изменения поведения. Модель предназначена для генерации текста, интерактивного диалога и локального использования через MLX, включая OpenAI-совместимый сервер. Поддерживаются режимы с включённым и отключённым reasoning. Архитектура и точная структура исходной модели в README не раскрыты; известно, что размер модели составляет 27B параметров, используется формат MLX, 4-битная affine-квантизация с group size 64, а примерный размер загрузки — 14 ГБ. Указан английский язык. Модель работает только с текстом: vision-компоненты и обработка изображений отсутствуют и не заявлены. Рекомендуется Apple Silicon с unified memory объёмом от 32 ГБ. К сильным сторонам относятся локальный запуск на Apple Silicon, поддержка интерактивного режима, reasoning и OpenAI-совместимого API при сниженных требованиях к памяти по сравнению с BF16-версией. Ограничения включают возможное снижение качества из-за квантизации, отсутствие мультимодальности, зависимость от MLX и платформы Apple Silicon, а также риск неточных, небезопасных или нежелательных ответов. Перед применением в производственных и ответственных сценариях результаты необходимо проверять. Модель выпущена под лицензией Apache License 2.0.

Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-DFlash2-NInfer — это артефакт для движка NInfer, объединяющий 27-миллиардную текстовую модель Qwen3.8 с community-тюном HauhauCS Uncensored Aggressive и моделью z-lab Qwen3.8-27B-DFlash2 для speculative decoding. Артефакт подготовлен в формате одного файла .ninfer и предназначен для локального инференса на одной GPU через C++/CUDA. В нём также сохранена собственная NextN/MTP-голова исходного тюна. Модель рассчитана на генерацию и обработку текста, а благодаря официальной vision-башне поддерживает сценарии image-text-to-text. Для ускорения вывода доступны режимы DFlash2 и MTP; в README приведены результаты проверки на Blackwell GPU: до 59,8 токена/с в режиме DFlash2 и до 112,1 токена/с в режиме DFlash2 Think, однако эти показатели зависят от оборудования и конфигурации. Артефакт использует groupwise quantization с форматами Q4G64_F16S, Q5G64_F16S, Q6G64_F16S и W8G32_F16S, а размер файла составляет около 20,4 ГБ. Основные ограничения связаны с требованиями к среде выполнения: upstream NInfer ориентирован на одну видеокарту класса RTX 5090 с 32 ГБ памяти и архитектурой Blackwell; для других GPU может потребоваться отдельная версия движка. В README указаны параметры запуска с контекстом 16 384 и 32 768 токенов, но заявленный максимальный контекст самой модели не приведён. Список поддерживаемых языков также не указан. Модель распространяется по лицензии Apache-2.0; при этом в составе используются производные компоненты и базовые модели сторонних авторов, условия которых следует проверять отдельно.

Qwen3.8-Flash-Next-ROCmFP4-STRIX_LEAN-GGUF — квантованная GGUF-версия модели Qwen3.8-Flash-Next, разработанная пользователем kingjones777 на базе модели Qwen/Qwen3.8-Flash-Next. Модель предназначена для генерации текста и запуска через llama.cpp-подобные среды, прежде всего на интегрированной графике AMD Ryzen AI Max+ 395 «Strix Halo» с архитектурой gfx1151 и общей памятью CPU/GPU. Указана поддержка длинного контекста; в README приведена проверка работы speculative decoding на диапазоне от 2K до 128K токенов. Точная длина контекста, число параметров и языковой охват не указаны. Модель использует архитектуру qwen4exp и типы тензоров ROCmFP4, поэтому стандартная сборка llama.cpp не подходит: требуется форк ROCmFPX с поддержкой обеих технологий и специальные патчи. Доступен режим speculative decoding через MTP-голову; на совместимой конфигурации он показал ускорение до 34% для задач рассуждения и до 11% для кода, однако на длинных документах и некоторых режимах может не давать ускорения или замедлять работу. Производительность и доступность модели существенно зависят от AMD Strix Halo, ROCm и объёма общей памяти. Модель ориентирована на сценарии локального текстового инференса, включая рассуждение, генерацию JSON, программирование и суммаризацию документов. Её сильная сторона — возможность запуска крупной модели в общей памяти интегрированного GPU; ограничениями являются специализированные требования к программному обеспечению и аппаратной платформе, а также отсутствие универсальной поддержки в стандартных рантаймах. Лицензия указана как qwen-community-1.0; модель связана с базовой моделью отношением quantized.

TheDrainFlorist/Qwen3.8-Flash-Next-VQ-3.2bpw — это векторно-квантизированная версия Qwen3.8-Flash-Next, подготовленная сообществом TheDrainFlorist с использованием VQLab для устройств Apple Silicon и MLX. Базовая модель разработана командой Qwen. Модель предназначена для генерации текста и обработки изображений в совместимых конфигурациях, включая локальный запуск на машинах с 96 ГБ объединённой памяти и распределённое обслуживание через exo. Архитектура основана на Mixture-of-Experts: заявлены 180B общих параметров, 10 из 512 активных экспертов, а также 51,2B n-gram PLE и vision-компонент. Используется VQ-квантизация с уровнем 3.2 bpw; размер артефакта составляет около 69,4 GiB. В составе поставляется собственный runtime model.py, а модель рассчитана на стек MLX. README указывает английский язык, но сведения о поддерживаемом размере контекста не приведены. Сильными сторонами являются низкое потребление памяти относительно исходной MoE-модели, поддержка текста и изображений, оптимизации ядер для Apple Silicon и возможность speculative decoding через специальную ветку exo. Ограничения связаны с зависимостью от экспериментальной архитектуры qwen4_exp: для текстового запуска требуется версия mlx-lm с ещё не вошедшим в стабильный релиз PR, а для изображений — mlx-vlm не ниже 0.6.16. Stock exo также несовместим без специальной ветки; при включении speculative decoding запросы обрабатываются последовательно. Модель распространяется по лицензии qwen-community-1.0; тип лицензии в README обозначен как other, а полный текст доступен в файле LICENSE.

Модель thao-uyen1508/qwen3_MT_epoch1_16bit — дообученная автором thao-uyen1508 плотная языковая модель Qwen3 с 14 млрд параметров. Она предназначена для генерации текста и диалогового общения; метаданные также указывают интерфейс вызова инструментов. Модель обучалась с Unsloth и библиотекой TRL и распространяется в формате safetensors. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 40 960 токенов. Она основана на unsloth/qwen3-14b-unsloth-bnb-4bit и выпущена по лицензии Apache-2.0.

FuriosaAI публикует эту версию Qwen3-VL-2B-Instruct вместе с исполняемым пакетом для запуска на ускорителях FuriosaAI RNGD через Furiosa-LLM. Это плотная мультимодальная модель с примерно 2 млрд параметров: визуальный энкодер обрабатывает изображения и видеокадры, а трансформерный декодер формирует текст. В архитектуре используются Interleaved-MRoPE и многоуровневое объединение визуальных признаков DeepStack; версия Instruct предназначена для диалога и не использует режим рассуждений из отдельной thinking-версии. Модель подходит для ответов на вопросы по изображениям и видео, OCR, анализа документов и диаграмм, пространственных рассуждений и вызова инструментов. README описывает запуск через Furiosa-LLM на RNGD; также указана совместимость с vLLM, SGLang и Transformers. Веса не квантизированы и сохраняют точность upstream-модели. Лицензия — Apache 2.0.

Qwen3.5-2B-GGUF — это квантизированная версия модели Qwen3.5-2B, разработанной командой Qwen. Модель представлена в формате GGUF и подготовлена пользователем bartowski с использованием llama.cpp и метода imatrix. В метаданных она обозначена как модель преобразования изображений и текста в текст, однако подробные сведения о поддерживаемых модальностях, языках и длине контекста в README не указаны. Модель предназначена для локального запуска через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие инструменты. Доступны варианты с разной степенью квантизации — от BF16 до Q2_K_L, включая Q4, Q5, Q6 и Q8; размеры файлов составляют примерно от 1,18 до 3,90 ГБ. В README рекомендуются, в частности, варианты Q4_K_M, Q5_K_M, Q6_K и Q6_K_L как обеспечивающие хороший баланс размера и качества. Ключевое преимущество сборки — возможность экономичного локального использования модели на устройствах с ограниченными ресурсами при выборе подходящего уровня квантизации. Более сильная квантизация уменьшает требования к памяти, но может снижать качество генерации; низкобитные варианты прямо описаны как имеющие низкое или очень низкое качество. Для запуска требуется совместимый инструмент с поддержкой данной архитектуры и формата GGUF. Лицензия модели — Apache-2.0. В README также указана поддержка MTP-слоёв в новых версиях llama.cpp с использованием параметра --spec-type draft-mtp.

QwQen-3B-LCoT — объединённая модель генерации текста на базе архитектуры Qwen2, созданная с помощью mergekit. Автор объединил bunnycore/Qwen2.5-3B-RP-Mix с prithivMLmods/QwQ-LCoT-3B-Instruct линейным слиянием; модель содержит 3,1 млрд параметров и работает с контекстом до 32 768 токенов. Модель предназначена для диалога и генерации текста, включая развёрнутые пошаговые объяснения. Метаданные также отмечают интерфейс вызова инструментов. README приводит результаты оценок IFEval и BBH, но не описывает их методику или практические ограничения модели. Лицензия в предоставленных данных не указана.

SG Raccoon Yi 55B 200K — языковая conversational-модель, разработанная Marco Lironi на базе архитектуры Yi и опубликованная в формате GGUF. Репозиторий TheBloke содержит её квантизированные версии для локального запуска; исходная неквантизированная модель доступна в формате PyTorch. Указан английский язык. Модель предназначена для диалоговых сценариев и генерации текста. GGUF-файлы поддерживаются llama.cpp и рядом совместимых интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Доступны варианты квантизации с разрядностью от 2 до 8 бит, что позволяет выбирать между требованиями к памяти, скоростью и сохранением качества. В README также указан размер контекста 200K, отражённый в названии модели. К сильным сторонам относятся большой контекст и возможность локального CPU+GPU-инференса с разными уровнями квантизации. Ограничения — необходимость значительных вычислительных ресурсов для модели класса 55B, возможная потеря качества при агрессивной квантизации и отсутствие в предоставленных данных подробных результатов оценки. Модель распространяется по лицензии yi-license; README ссылается на лицензию Yi и обозначает её как нестандартную.

jaspionjader/sof-13 — объединённая предобученная языковая модель, созданная методом Model Stock с помощью mergekit. В качестве базовой модели использована jaspionjader/sof-10, также в объединение вошли jaspionjader/sof-11 и jaspionjader/sof-12. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста и диалогов, поддерживает контекст до 131 072 токенов и работает с текстовым вводом и выводом. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Карточка не описывает специальные предметные области, языковое покрытие или сравнительные преимущества модели. Лицензия в предоставленных данных не указана.

SuperChat-7B — диалоговая языковая модель, созданная Яшем Маратхе путём слияния нескольких моделей на базе Mistral: openchat/openchat-3.5-0106, OpenPipe/mistral-ft-optimized-1227, berkeley-nest/Starling-LM-7B-alpha, jan-hq/supermario-v2 и mistralai/Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров и использует плотную архитектуру Mistral для генерации текста и общения в формате инструкций; заявленная длина контекста — до 32 768 токенов. Модель подходит для диалоговых приложений, ответов на запросы и генерации текста. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит сведения о языках или результаты оценок качества, поэтому их нельзя уточнить по доступным данным.

T3qm7xNeuralsirkrishna_NeuralExperiment26 — объединённая языковая модель семейства Mistral, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/NeuralExperiment26-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов; контекстное окно составляет до 32 768 токенов. Карточка не уточняет специализацию по языкам или предметным областям. Лицензия — Apache-2.0.

Tess-3-Mistral-Nemo-GGUF — набор GGUF-квантизаций текстовой генеративной модели Tess-3-Mistral-Nemo, опубликованный и сквантизированный пользователем bartowski с использованием llama.cpp и метода imatrix. Базовая модель разработана migtissera. Формат GGUF предназначен для локального запуска, в том числе через llama.cpp и LM Studio. Модель предназначена для генерации текста в диалоговом формате с системными инструкциями и пользовательскими запросами. В репозитории представлены варианты от исходных весов F32 до низкобитных квантизаций Q8_0, Q6, Q5, Q4, Q3 и Q2, а также вариантов IQ. Размер файлов составляет примерно от 4,14 до 49 ГБ. Более высокие уровни квантования обеспечивают лучшее сохранение качества, тогда как младшие варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для некоторых вариантов применена схема с весами embeddings и output, сохранёнными в Q8_0, что, согласно описанию, может улучшать качество, хотя эффект зависит от сценария. Конкретные архитектурные параметры, число параметров, поддерживаемые языки, модальности и размер контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

Theia-21B-v2-GGUF — это набор GGUF-квантизированных версий языковой модели Theia-21B-v2, разработанной TheDrummer. Квантизацию выполнил bartowski с использованием llama.cpp b3715 и метода imatrix. Модель относится к задачам генерации текста и предназначена для локального запуска, в том числе через LM Studio, с применением шаблона промпта <s> [INST] {prompt}[/INST]. Модель имеет размер 21 млрд параметров в исходной версии; доступны варианты от F16 размером 40,86 ГБ до IQ2_M размером 7,19 ГБ. Представлены различные форматы квантования Q2–Q8, включая варианты, оптимизированные для ARM. Более качественными считаются Q5–Q8, а Q4_K_M указан как вариант по умолчанию для большинства сценариев с ограниченными ресурсами. Некоторые версии используют Q8_0 для embedding- и output-весов, что помогает сохранить качество при уменьшении размера. Преимущество набора — широкий выбор компромиссов между качеством, размером и требованиями к памяти, а также поддержка локального инференса через совместимые инструменты llama.cpp. Ограничения включают снижение качества в низкобитных вариантах и отсутствие в представленном README сведений об архитектуре исходной модели, длине контекста, языках, мультимодальности и результатах оценки. Лицензия указана как other; конкретные условия использования не раскрыты.

laion/tt-x16-entropy0p003-42-30B — экспериментальный чекпойнт шагa 42, созданный в ходе исследования TaskTrove X16. Это дообучение инструктивной MoE-модели Qwen3-Coder-30B-A3B-Instruct методом GRPO с бонусом энтропии 0,003; модель предназначена для генерации текста и диалогового взаимодействия, в том числе для программирования и агентных сценариев. Использует архитектуру Qwen3 MoE, содержит 2,6 млрд параметров и поддерживает контекст до 262 144 токенов. Чекпойнт выбран как лучший по скользящей EMA награды среди сохранённых шагов этого запуска. Эксперимент остановили на шаге 92 из 400 после снижения награды и энтропии; README характеризует результат как отрицательный контроль: бонус энтропии не удержал исследование на данном расписании обучения. Модель опубликована в формате safetensors под лицензией Apache-2.0.

UwU-7B-Instruct — дообученная модель для генерации текста, разработанная автором репозитория qingy2024. Она создана на базе Qwen/Qwen2.5-7B и полностью дообучена на наборе FineQwQ-142k. Автор позиционирует её как универсальную модель для рассуждений и диалогового использования. Модель использует плотную архитектуру Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. Она принимает текст и генерирует текст; в метаданных заявлены русский, английский, китайский и другие языки. Лицензия — Apache-2.0. README не приводит количественных оценок качества или подробных результатов тестирования.

WestKunai-XD-7b — слитая языковая модель, созданная автором seyf1elislam с помощью mergekit из WestKunai-Hermes-7b и KuTrix-7b на основе Mistral-7B-v0.1. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров; для репозитория указаны веса safetensors и контекст до 32 768 токенов. Также доступны квантованные версии в формате GGUF. Модель предназначена для генерации текста и ответов на запросы, включая сценарии с длинным контекстом. В карточке приведены результаты оценивания на задачах рассуждения и здравого смысла, однако конкретные языки, на которых модель оптимизирована, не описаны. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Карточка модели xDAN2099/xDAN-APUS4-MoE-v3.1-0410 на Hugging Face совпадает с карточкой xDAN2099/APUS-xDAN-4.0-MoE-v2, поэтому описание составлено по ней. APUS-xDAN-4.0-MoE-v2 — авторская decoder-only трансформерная языковая модель с архитектурой Mixture of Experts, разработанная командой xDAN. В карточке указаны 136 млрд параметров и активация двух экспертов на токен; метаданные репозитория классифицируют веса как MixtralForCausalLM с 33,9 млрд параметров. Модель продолжает обучение на архитектуре LLaMA и опирается на возможности серии xDAN-L2; README сообщает об использовании обратной связи от людей для улучшения рассуждений, математических и логических задач. Модель предназначена для генерации текста и диалогового использования. Заявленная длина контекста — 32 768 токенов; метаданные указывают английский и китайский языки. README также описывает варианты квантования от 1,5 до 4 бит и совместимость открытой версии с потребительскими GPU. Репозиторий распространяется по лицензии CC BY 4.0.

Yi-70B-200k-RPMerge-Franken — плотная языковая модель примерно на 70,7 млрд параметров, созданная автором DisOOM с помощью mergekit. Автор описывает её как frankenmerge: слои Yi-34B-200K-RPMerge чередуются с копиями той же модели. В карточке также заявлены чат-возможности и контекст длиной до 200 000 токенов. Модель предназначена для генерации текста в диалогах, а также для задач понимания, рассуждения и письма. Автор сообщает о субъективно лучших результатах по сравнению с версией на 34 млрд параметров, но отмечает, что не проводил формальных бенчмарков и не смог широко проверить модель. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

ishikaa/acquisition_student_original_omnimath_qwen14b — текстовая генеративная модель на базе архитектуры семейства Qwen2, опубликованная пользователем ishikaa. Модель доступна для работы через библиотеку Transformers и имеет около 14 млрд параметров. Модель предназначена для генерации текста в диалоговых и других сценариях обработки текстовых запросов. По метаданным, она обучалась с применением supervised fine-tuning (SFT) и инструментов TRL, а также поддерживает контекст длиной до 32 768 токенов. Модель может использоваться для продолжения текста, формирования ответов на запросы и интеграции в conversational-приложения. README не содержит сведений о разработчиках, исходной модели, языках, лицензии, обучающих данных, результатах оценки или специальных областях применения. Поэтому перед использованием необходимо самостоятельно проверить лицензионные условия и качество модели на целевых данных.

ADAPT-Olmo3-4.3B-Instruct — диалоговая языковая модель, разработанная Harvard-DCML как студент на основе Olmo-3-7B-Instruct. Она создана в рамках метода ADAPT, который позволяет интерполировать размер между вариантами одной базовой модели после обучения; чекпойнт можно использовать для построения промежуточной модели вместе с исходной моделью. Модель имеет плотную архитектуру Olmo 3 с 3,9 млрд параметров, принимает текст и генерирует текст в диалоговом формате. Длина контекста составляет 65 536 токенов. Для интерполяции README рекомендует включать патчинг первых слоёв студенческой модели; число слоёв патчинга определяет размер промежуточной модели. Модель распространяется по лицензии Apache-2.0.

AquilaChat-7B — диалоговая языковая модель BAAI, дообученная методом supervised fine-tuning и с использованием обучения с подкреплением на базе Aquila-7B. Модель содержит 6,9 млрд параметров, построена на плотной архитектуре семейства Aquila и рассчитана на контекст до 2048 токенов. Модель предназначена для ведения диалогов и генерации текста на китайском и английском языках. Расширяемый формат инструкций поддерживает вызов внешних моделей и инструментов; в README приведены примеры интеграции с генерацией и редактированием изображений, но сама AquilaChat-7B принимает и выдаёт текст. Модель обучена с нуля на двуязычном корпусе, в котором около 40% данных составляют китайские тексты. В карточке упомянуты оценки на C-Eval, MMLU и BoolQ, однако результатов недостаточно, чтобы судить о качестве во всех сценариях. Для кода указан тип лицензии «other»; README описывает отдельную лицензию BAAI для весов и допускает коммерческое использование с учётом её ограничений.

smerchi/Arabic-Morocco-Speech_To_Text — дообученная модель распознавания речи на основе Whisper large-v3 от OpenAI. Она предназначена для преобразования аудио на арабском языке в текст; в карточке указан датасет Voice_Cleverlytics. Модель содержит 905,2 млн параметров и использует архитектуру WhisperForConditionalGeneration; веса представлены в формате Safetensors. Для запуска предусмотрена библиотека Transformers. Модель подходит для транскрибации речи на арабском языке, в частности марокканского варианта, о котором говорит название репозитория. Базовая Whisper large-v3 поддерживает многоязычное распознавание речи и перевод аудио в текст, однако карточка этой производной модели не приводит отдельные оценки качества или подробности обучения. Лицензия — Apache-2.0.

Awqward 2.5 32B Instruct — объединённая модель на архитектуре Qwen2, созданная автором репозитория maldv методом нормализованной интерполяции денойзенных сигналов. В основе лежит Qwen/Qwen2.5-32B-Instruct; в объединение также включены QwQ-32B-Preview, Rombos-LLM-V2.5-Qwen-32b, AiCloser/Qwen2.5-32B-AGI и EVA-Qwen2.5-32B-v0.2. Модель предназначена для диалоговой генерации текста и экспериментов с выводом в XML-подобном формате: автор объединил QwQ с instruct-моделью, чтобы улучшить поведение при таком выводе. Это плотная причинная языковая модель на 32 млрд параметров с контекстом до 32 768 токенов. Карточка указывает английский язык; метаданные отмечают поддержку чата и интерфейс для вызова инструментов. Автор сообщает, что провёл лишь ограниченное первоначальное тестирование, поэтому качество и устойчивость результатов не подтверждены систематической оценкой. Репозиторий распространяется по лицензии Apache-2.0.

BlackSheep-5B — плотная авторегрессионная языковая модель семейства Llama, созданная TroyDoesAI с помощью слияния SLERP через mergekit. В объединении использованы TroyDoesAI/Llama-3.2-4B и TroyDoesAI/BlackSheep-RAG-4B; базовой моделью в конфигурации указана TroyDoesAI/Llama-3.2-4B. В репозитории представлены веса safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия; интерфейс также предусматривает вызов инструментов. Размер модели — 4,6 млрд параметров, заявленная длина контекста — 131 072 токена. Карточка не описывает конкретные языки, качество на отдельных задачах или условия лицензии, поэтому их нельзя установить по доступным данным.