II.10Разработка и эксплуатация AI/ML-систем

t-firefly/qwen3.5-27b-rknn3-rk1828 — сборка модели Qwen3.5-27B, подготовленная t-firefly для запуска на Rockchip RK1828 через LlamaPi. Исходную модель разработала команда Qwen; это мультимодальная модель генерации текста по текстовым и визуальным входам с архитектурой Qwen3.5 и гибридной конструкцией Gated Delta Networks со разреженной смесью экспертов. В репозитории указаны форматы GGUF и safetensors, а метаданные отмечают поддержку диалогов, зрения и интерфейса вызова инструментов. Модель предназначена для диалогов, рассуждений и анализа изображений на совместимом устройстве RK1828. Исходная модель поддерживает 201 язык и диалект, имеет контекст 262 144 токена с возможностью расширения до 1 млн токенов. Лицензия — Apache-2.0. README описывает сборку для LlamaPi, но не приводит измерений качества или подробностей о точности и квантовании файлов этой версии.

Qwen3.6-27B-Heretic2-Uncensored-Finetune-Thinking-OptiQ-4bit — текстовая языковая модель, разработанная на основе DavidAU/Qwen3.6-27B-Heretic2-Uncensored-Finetune-Thinking и адаптированная сообществом mlx-community для запуска на Apple Silicon с использованием MLX. Модель предназначена для генерации текста, включая сценарии рассуждений и creative writing. Режим thinking можно включать или отключать через суффиксы :think и :no-think в идентификаторе модели либо параметр enable_thinking в chat template. Модель использует архитектуру qwen3_5, соответствующую Qwen3.6-27B, и работает только с текстом. Она применяет смешанное квантование OptiQ: разные слои имеют разрядность 4 или 8 бит, средняя разрядность составляет около 5,6 бит на вес; 220 слоёв квантованы в 8 бит, а 276 — в 4 бита. Такой подход призван сохранить больше точности в чувствительных слоях при снижении требований к памяти. Для запуска требуются MLX и совместимое окружение Apple Silicon; модель можно использовать через mlx-optiq или mlx_lm. Поведение и возможности модели определяются базовой дообученной моделью DavidAU, тогда как данный репозиторий изменяет только способ квантования. В README не указаны поддерживаемые языки, размер контекстного окна и подробные ограничения качества. Лицензия — Apache-2.0.

Shiftedx/qwen3.8-27b-aeon-ultimate-uncensored-mxfp8-vision-mtplx — экспериментальная независимая конверсия модели AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 в формат MLX, созданная сообществом, а не официальными разработчиками AEON-7 или Qwen. Модель предназначена для генерации текста и задач image-to-text, включая описание изображений, и ориентирована на запуск в экосистеме MLX и mlx-vlm. Для использования требуется локальный инференс; README также указывает поддержку speculative decoding через MTPLX и multi-token prediction. Модель имеет плотную архитектуру семейства Qwen3.5 с гибридным attention/GDN, 64 языковых слоя и заявленный контекст до 262 144 токенов. Языковые веса квантизированы в MXFP8 с 8-битными группами размера 32, а 333 исходных BF16-тензора визуальной части сохранены; размер индексированного артефакта составляет 27,50 ГиБ. В пакет включены 15 BF16-тензоров MTP, а локально выбранная глубина D3 показала 24,36 токена в секунду и ускорение 1,540 раза относительно авторегрессионного декодирования, однако фактическая производительность зависит от оборудования, запроса, контекста и версии MTPLX. К сильным сторонам относятся поддержка изображений, большой заявленный контекст, снижение требований к памяти благодаря MXFP8 и возможность ускоренного декодирования. Ограничения включают экспериментальный статус, необходимость локальной проверки загрузки и производительности, а также отсутствие исчерпывающей квалификации работы на полном контексте. Модель является abliterated и намеренно не обладает стандартным выравниванием безопасности; разработчики предупреждают о возможной генерации небезопасных или незаконных материалов, поэтому необходимы контроль доступа, журналирование, модерация и проверка человеком. Лицензия указана как Apache-2.0; при этом ответственность за соблюдение законодательства и безопасность применения возлагается на операторов модели.

IvanKrastevAdventics/Qwen3.8-27B-AWQ-INT4-Q4_0-GGUF — это конвертированная в формат GGUF версия модели cyankiwi/Qwen3.8-27B-AWQ-INT4. Конвертацию выполнили с помощью llama.cpp через сервис GGUF-my-repo; в качестве библиотеки указана Transformers. В карточке также заявлена задача image-text-to-text, однако подробные сведения о разработчиках исходной модели приведены во внешней карточке и здесь отсутствуют. Модель предназначена для запуска локального вывода через llama.cpp, включая работу в командной строке и в режиме сервера. Из известных характеристик указаны размер 27B, квантование AWQ INT4 и вариант файла Q4_0 в формате GGUF. В README приведён пример запуска с контекстом 2048 токенов. Сведения о поддерживаемых языках, точной архитектуре, мультимодальных возможностях и качестве на конкретных задачах не указаны. Ключевое преимущество — готовность к использованию в экосистеме llama.cpp и сниженное потребление памяти благодаря 4-битному представлению. Ограничения связаны с потерями качества, возможными для квантованной версии, а также с отсутствием в карточке детальной информации о производительности и совместимости с конкретным оборудованием. Для модели указана лицензия Apache 2.0.

Qwen3.8-27B-heretic-VL-MLX-bf16 — мультимодальная модель для диалогов и анализа изображений, подготовленная donedynamics для компьютеров Apple Silicon. Это конверсия в формат MLX из trohrbaugh/Qwen3.8-27B-heretic-ara; в репозитории сохранён визуальный энкодер. Модель принимает текст и изображения, а библиотека запуска — mlx-vlm. Основа модели — плотная архитектура Qwen3.5 с 27 млрд параметров; веса представлены в bf16 без квантизации. Модель распознаёт объекты и их атрибуты на изображениях и отвечает на текстовые запросы. В README описан режим рассуждения, включённый по умолчанию: он расходует токены до начала ответа и может занять весь небольшой лимит генерации. В базовой модели снижено число отказов на запросы, которые обычно отклоняет модель с настройкой безопасности. Поэтому перед пользовательским развёртыванием следует оценить её ответы и при необходимости применять собственную фильтрацию. Лицензия — Apache-2.0.

PreDoctor подготовил локальную версию мультимодальной модели Qwen3.8-27B для запуска через расширение PreTensor для Chrome и локальный хост на NVIDIA CUDA. Это плотная модель с 27,8 млрд параметров и архитектурой Qwen3.5; она принимает текст и изображения и предназначена для диалогов и задач image-text-to-text. Модель поддерживает интерфейс вызова инструментов. Языковые веса представлены в формате NVFP4 W4A16, а энкодер изображений и мультимодальный объединитель сохранены в BF16. Для работы требуется загрузчик PreTensor: стандартный Transformers не загружает этот предварительно квантованный чекпойнт напрямую. Это распределение использует safetensors и рассчитано на локальный запуск с NVIDIA CUDA; оно не предназначено для выполнения через WebGPU. Контекстная длина в предоставленных данных не указана. Лицензия — Apache 2.0.

Qwen3.8-27B-Uncensored-GGUF — общественная GGUF-квантизация модели JonathanColetti/Qwen3.8-27B-Uncensored, опубликованная пользователем bowmanslayer. Артефакт предназначен для локального запуска через llama.cpp и совместимые инструменты. Это неофициальный релиз, не одобренный и не связанный с командой Qwen или Alibaba Cloud. Модель предназначена для генерации текста, локальных чат-сценариев и других задач вывода, поддерживаемых llama.cpp. Основные веса доступны в вариантах от Q3_K_M до Q8_0; размер Q4_K_M составляет 15,4 GiB, а IQ4_XS — 14,0 GiB. Указана гибридная архитектура с 64 слоями: 16 слоёв используют полноценное внимание, а 48 — Gated DeltaNet linear attention, что уменьшает объём KV-кэша и позволяет работать с большим контекстом. На одной RTX 3090 заявлен максимальный контекст до 111 872 токенов для Q4_K_M и до 133 632 для IQ4_XS, однако фактические значения зависят от квантизации, оборудования и настроек. Возможности vision предоставляются отдельным файлом mmproj и позволяют обрабатывать изображения; для сложного OCR и подсчёта мелких объектов специализированные модели Qwen3-VL могут быть лучше. Дополнительный файл MTP поддерживает speculative decoding и, по заявлению автора, ускоряет генерацию на CUDA примерно на 36%; требуется llama.cpp версии b10502 или новее. Модель имеет удалённое safety alignment и может выполнять запросы, от которых исходная модель отказывается, поэтому её нельзя безопасно предоставлять третьим лицам без собственного защитного слоя. Доступна по лицензии Apache-2.0.

Qwen3.8-27B-Uncensored MLX BF16 — конверсия сообщества для компьютеров Apple с Apple silicon, основанная на модели orcarouter/Qwen3.8-27B-Uncensored. Это плотная мультимодальная модель семейства Qwen3.5/Qwen3.8 с 27 млрд параметров: она принимает текст и изображения, поддерживает диалоги, рассуждения и анализ визуального содержимого. Настроенное окно контекста — 262 144 токена, но доступная длина зависит от памяти, настроек KV-кэша и типа входа. Модель предназначена для генерации текста и ответов на вопросы по изображениям; включён отдельный MTP-драфтер для ускорения спекулятивного декодирования. По карточке, исходная модель снижает склонность к отказам, а эта публикация переносит её веса в формат MLX BF16 без квантизации и дополнительного дообучения. Для запуска требуются Mac с Apple silicon, совместимая версия mlx-vlm и около 55 ГБ памяти только для весов, плюс память для вычислений и KV-кэша. Карточка приводит локальные проверки генерации, анализа изображений и MTP, а также результаты отдельных бенчмарков; они не гарантируют качество на других задачах и устройствах. В частности, указаны ограничения на длинных документах, а режим JSON не всегда соблюдал запрошенную схему. Модель не является официальным релизом Qwen или OrcaRouter. Лицензия — Apache-2.0.

Qwen3.8-Flash-Next-heretic-2-GGUF — это квантизированная GGUF-версия модели Qwen3.8-Flash-Next-heretic-2. Модель разработана trohrbaugh на основе Qwen3.8-Flash-Next от команды Qwen с применением модифицированного Heretic для снижения отказов; данный репозиторий spiritfather переупаковывает веса для запуска через llama.cpp. Модель предназначена для генерации текста, диалогов, творческого письма и ролевых сценариев, а также поддерживает обработку изображений через отдельный vision-проектор. Архитектура — qwen4exp, MoE: 177 млрд параметров всего и около 3 млрд активных. Указан нативный контекст до 262 144 токенов, встроенное рассуждение с уровнями reasoning_effort и возможность его отключения. Доступны квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 130,8 до 175,3 GiB; также включена собственная MTP/NextN-голова для speculative decoding. Сильные стороны модели — большой контекст, мультимодальность, низкое авторское число отказов и поддержка ускоренного декодирования через MTP. Ограничения связаны с очень высокими требованиями к памяти, необходимостью актуальной версии llama.cpp, а для MTP — поддержки PR #27836. Представленные показатели CaliperBench характеризуют творческое письмо, ролевое взаимодействие и готовность отвечать, а не общий интеллект модели. Лицензия указана как qwen-community-1.0; применяются условия лицензии Qwen.

barozp/Qwen3.8-Whittle-MoE-27B-MLX-4bit — 4-битная версия модели, преобразованная в формат MLX для Apple Silicon. Разработчик конверсии — barozp; исходная модель logic65/Qwen3.8-Whittle-MoE-27B-A17.8B создана на основе Qwen/Qwen3.8-27B. Это постфактум сформированная MoE-модель с 27 млрд параметров, из которых 17,8 млрд активны во время обработки токена. В каждом слое используются 64 маршрутизируемых экспертных фрагмента и один общий эксперт; маршрутизатор выбирает 16 из 64 фрагментов. Вариант v2.1 включает обучение маршрутизаторов, балансировку и обучение против зацикливания. Модель предназначена для генерации текста, диалоговых сценариев, рассуждений и локального запуска через mlx-lm, включая OpenAI-совместимый локальный сервер. Она поддерживает только текстовый режим. Контекст, перечень языков и специализированные показатели производительности в README не указаны. К преимуществам относятся MoE-архитектура с меньшим числом активных параметров, 4-битное квантование с group size 64 и адаптация к экосистеме MLX, что делает модель ориентированной на запуск на устройствах Apple Silicon. Ограничения включают отсутствие MTP head: модель работает только авторегрессионно, а MTPLX speculative decoding не поддерживается. В исходных экспериментах после обучения маршрутизаторов показатель на тесте знаний составил 27/39, а в версии v2.1 — 28/39; частота одношаговых зацикливаний снизилась до 8%, а доля ошибок структурированного вывода составила 22%. Эти результаты относятся к описанным автором тестам и не заменяют независимую оценку. Модель распространяется по лицензии Apache-2.0.

Qwen3-HereticLM-4B — плотная языковая модель семейства Qwen3, созданная Yamatazen с помощью слияния SLERP двух предварительно обученных моделей: yamatazen/Qwen3-4B-HereticCPT и heretic-org/Qwen3-4B-Instruct-2507-heretic. Модель содержит 3,7 млрд параметров, работает через Transformers и распространяется в формате safetensors; для слияния использованы веса bfloat16. Модель предназначена для генерации текста и диалоговых сценариев. В карточке базовой модели отмечены abliteration для снижения частоты отказов и поддержка длинного контекста; заявленная длина контекста составляет 262 144 токена. Основной язык и отдельные специализированные области применения в предоставленных данных не определены. Модель выпущена под лицензией Apache-2.0. Данные не содержат независимых оценок качества или подробностей о поведении конкретно этого слитого чекпойнта, поэтому результаты могут зависеть от запроса и способа использования.

Это дообученная разговорная языковая модель семейства Llama, опубликованная mazzaqq и основанная на unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Модель предназначена для генерации текста и диалогов; в репозитории указаны веса в формате safetensors, а метаданные описывают плотную архитектуру LlamaForCausalLM объёмом 7,5 млрд параметров и контекст до 131072 токенов. Модель поддерживает английский язык. Метаданные отмечают чат и интерфейс вызова инструментов. Карточка сообщает, что обучение выполнено с Unsloth и библиотекой TRL, но не описывает конкретную специализацию дообучения или результаты оценки качества. Лицензия — Apache-2.0.

SmolLM2-1.7B-Instruct-GGUF — компактная языковая модель для генерации текста и выполнения инструкций, разработанная HuggingFaceTB. Эта версия представляет собой GGUF-квантизацию оригинальной модели SmolLM2-1.7B-Instruct, подготовленную bartowski на основе llama.cpp. Модель предназначена для диалоговых сценариев, генерации текста и других задач обработки естественного языка, где важны умеренные требования к ресурсам. Она обучалась на наборе данных объёмом 11 триллионов токенов, поддерживает контекст до 8192 токенов и заявлена для английского языка. Размер модели — 1,7 миллиарда параметров. К сильным сторонам относятся компактность и формат GGUF, подходящий для использования с совместимыми инструментами экосистемы llama.cpp. Ограничениями являются меньший размер по сравнению с крупными языковыми моделями, заявленная поддержка только английского языка и возможные неточные, вредные или неподходящие ответы. Модель распространяется по лицензии Apache 2.0.

jaspionjader/sof-6 — объединённая языковая модель, созданная разработчиком jaspionjader с помощью mergekit и метода Model Stock. В основу объединения легла jaspionjader/Kosmos-EVAA-Franken-stock-v43-8B; также использованы jaspionjader/sof-5, jaspionjader/sof-3 и jaspionjader/ek-6. Модель семейства Llama с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и предназначена для генерации текста в диалогах. Заявленная длина контекста — до 131 072 токенов; веса доступны в формате safetensors и типе данных bfloat16. README не приводит результатов оценки качества и не описывает конкретные языки или специальные прикладные области. Сведения о лицензии в предоставленных данных отсутствуют.

ctaguchi/ssc-tob-mms-model-mix-adapt-max — дообученная модель автоматического распознавания речи на основе facebook/mms-1b-all. Она принимает аудио и преобразует речь в текст; архитектура — Wav2Vec2 с CTC-выходом, размер — 1,3 млрд параметров. Базовая модель поддерживает более тысячи языков, но язык и состав данных, на которых дообучена эта версия, не указаны. В карточке приведены результаты оценки: CER 0,1791 и WER 0,6105. Эти метрики указывают на ошибки распознавания, однако без описания набора данных и протокола оценки их нельзя напрямую переносить на другие условия. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Synatra-V0.1-7B-Instruct-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и Synatra-V0.1-7B-Instruct методом SLERP. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; поддерживает контекст до 32 768 токенов и работает с текстом в формате диалога. Модель предназначена для генерации ответов на инструкции и ведения диалога. Её можно применять для чат-ботов, черновиков текстов и ответов на вопросы в текстовом интерфейсе. В README приведены конфигурация слияния и использованные модели; сведения о языковом покрытии и специализированных областях применения отсутствуют. Лицензия — Apache-2.0.

Synthia-S1-27b-GGUF — это квантованная версия модели Synthia-S1-27b, разработанной Tesslate и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель распространяется в вариантах от BF16 до различных квантовок Q8, Q6, Q5, Q4, Q3 и Q2, что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Размер исходной модели составляет 27 млрд параметров, однако сведения об архитектуре, языках и максимальной длине контекста в README не указаны. Модель предназначена для задач генерации текста и мультимодального сценария image-text-to-text согласно метаданным репозитория. Готовые файлы можно запускать локально через llama.cpp, LM Studio и другие совместимые проекты. Для работы рекомендуется использовать указанный формат prompt с маркерами ролей user и model. Сильная сторона сборки — широкий выбор квантовок: варианты Q6_K_L и Q6_K обеспечивают близкое к исходному качество, Q4_K_M предлагают распространённый компромисс между качеством и размером, а более компактные варианты подходят для систем с ограниченной памятью, но могут заметно уступать по качеству. Ограничения включают отсутствие в README подробных данных о фактических возможностях, поддерживаемых языках, контекстном окне и мультимодальной конфигурации. В метаданных указана лицензия Gemma; условия её применения следует уточнять по лицензии исходной модели и соответствующим условиям распространения.

Gemma-3-R1-4B-v1-GGUF — это набор квантизированных версий языковой модели TheDrummer/Gemma-3-R1-4B-v1, подготовленный пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В набор входят варианты с разной степенью квантизации: от полноразмерных BF16-весов объёмом около 7,77 ГБ до компактных версий Q2 и IQ3 объёмом менее 2 ГБ. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ, что позволяет выбирать между качеством ответов, потреблением памяти и скоростью работы. Для квантизации применялась методика imatrix с калибровочными наборами данных; для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K_M, Q6_K или сопоставимые версии. README не содержит сведений о точной архитектуре, размере контекста, поддерживаемых языках, мультимодальности, исходных возможностях базовой модели или лицензии. Также не указан формат промпта, поэтому его следует уточнять на странице оригинальной модели. Более сильные варианты требуют больше оперативной памяти, а низкобитные версии экономичнее, но заметнее теряют в качестве.

Это GGUF-квантизированная версия языковой модели Snowpiercer-15B-v3, разработанной TheDrummer и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Модель имеет размер 15 миллиардов параметров и представлена в нескольких вариантах точности и квантизации: от BF16 размером около 30 ГБ до компактных Q2–Q8-вариантов размером примерно от 6,45 до 15,92 ГБ. Квантизация выполнена с использованием imatrix на базе llama.cpp, что позволяет выбирать баланс между качеством, требованиями к памяти и скоростью инференса. Наиболее качественными и рекомендуемыми в README названы варианты Q5, Q6 и Q4_K_M; для систем с ограниченным объёмом RAM доступны варианты Q3 и Q2. Сильная сторона модели — возможность локального запуска на широком спектре оборудования благодаря большому выбору квантизаций. Ограничения включают отсутствие в README сведений о базовой архитектуре, поддерживаемых языках, длине контекста, мультимодальности, специализированных сценариях обучения и формате промпта; его рекомендуется уточнять на странице оригинальной модели. Лицензия в предоставленных данных не указана.

Thespis-CurtainCall-7b-v0.2.1 — экспериментальная разговорная модель на базе Mistral, опубликованная cgato. Автор описывает её как первую модель в серии экспериментов по улучшению своих моделей и отмечает, что работа ещё не завершена. Модель предназначена для генерации диалоговых ответов, следования инструкциям и рассуждений в чате. При дообучении использованы наборы Dolphin, UltraChat, Capybara, ToxicQA, OpenOrca, Airoboros 3.1 и другие, включая данные для задач по программированию, физическому рассуждению и теории разума. В README приведены шаблоны чата Oobabooga и SillyTavern. Это плотная MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение. Автор предупреждает, что модель экспериментальная и ещё не завершена; карточка также помечена как устаревшая.

TheTop-5x7B-Instruct-T-v0.1 — языковая модель MaziyarPanahi, полученная слиянием пяти моделей примерно по 7 млрд параметров методом TIES. Она предназначена для генерации текста и инструкционного диалога. Модель построена на архитектуре Mistral, распространяется в формате Safetensors и поддерживает контекст до 32 768 токенов. В карточке приведены результаты Open LLM Leaderboard, включая оценки на тестах AI2 Reasoning Challenge и HellaSwag. Модель можно применять для ответов на запросы, составления и преобразования текста, а также задач рассуждения в диалоге. Лицензия Apache-2.0 разрешает использование на её условиях. README не уточняет языковой охват и конкретный состав моделей, вошедших в слияние.

Это GGUF-квантизированная версия языковой модели TildeOpen-30b, разработанной TildeAI. Репозиторий подготовлен пользователем bartowski с использованием llama.cpp версии b6317 и метода imatrix. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. Модель содержит около 30 миллиардов параметров и представлена в форматах от BF16 до различных вариантов квантования Q8, Q6, Q5, Q4, Q3 и Q2. Размер файлов варьируется примерно от 12 до 61 ГБ. Более высокие варианты квантования обеспечивают лучшее качество при больших требованиях к памяти, а низкие позволяют запускать модель на системах с ограниченными ресурсами, но с заметным снижением качества. Для версии не указан шаблон промпта; README также не содержит данных о поддерживаемых языках, длине контекста, архитектуре, мультимодальности или лицензии. Основные сильные стороны — широкий выбор уровней квантования, возможность локального использования и оптимизация imatrix, направленная на сохранение качества при уменьшении размера. Ограничения связаны с высокими требованиями к памяти для крупных вариантов, возможным ухудшением качества у низкобитных версий и отсутствием в README информации о лицензии и характеристиках исходной модели.

jonatasgrosman/wav2vec2-xls-r-1b-portuguese — модель распознавания речи на португальском языке, созданная дообучением facebook/wav2vec2-xls-r-1b. Она использует архитектуру Wav2Vec2 с выходной головой CTC и содержит около 1,3 млрд параметров. Для обучения использованы обучающие и валидационные части Common Voice 8.0, CORAA, Multilingual TEDx и Multilingual LibriSpeech; модель предназначена для преобразования португалоязычной речи в текст. Модель принимает аудио с частотой дискретизации 16 кГц и выдаёт транскрипцию. В карточке приведён пример использования через библиотеку HuggingSound. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает метрики качества или ограничения на типы записей, поэтому практическую точность следует оценивать на данных целевого сценария.

zeynepgulhan/whisper-medium-mediaspeech-cv-tr — дообученная модель распознавания речи на базе openai/whisper-medium, разработанная автором репозитория. Она предназначена для преобразования аудио в текст; в карточке приведены результаты оценки: loss 0,1813 и WER 9,9776. Модель содержит 455,8 млн параметров, построена на архитектуре Whisper и распространяется в формате PyTorch. Базовая Whisper-medium мультиязычная, однако язык и особенности обучающих данных этой дообученной версии не установлены: README ссылается на набор данных «None» и не раскрывает область применения. Лицензия — Apache-2.0. Оценка WER приведена без описания набора тестов и условий измерения, поэтому её нельзя напрямую переносить на другие данные.

whisper-small-alif — дообученная на датасете audiofolder модель распознавания речи на основе openai/whisper-small. Она предназначена для преобразования аудио в текст; карточка сообщает о результате WER 0,0 на оценочном наборе, но не описывает его состав, поэтому этот показатель нельзя переносить на другие данные. Модель построена на архитектуре WhisperForConditionalGeneration и распространяется в формате safetensors через библиотеку Transformers. Базовая Whisper поддерживает несколько языков и перевод аудио на английский, однако карточка этой версии не уточняет языки и сценарии дообучения. Модель распространяется по лицензии Apache-2.0. Состав обучающих данных и ограничения применения в карточке подробно не раскрыты.

amirsz8203/whisper-small-fa-finetuned — версия Whisper Small, дообученная автором репозитория для автоматического распознавания речи. Модель принимает аудио и генерирует текстовую транскрипцию; карточка указывает оценку WER 24,1495 на наборе оценки, но не описывает сам набор данных и условия измерения. Модель использует архитектуру Whisper и библиотеку Transformers, веса представлены в формате safetensors. Лицензия — Apache 2.0. Поддерживаемый язык в карточке не подтверждён.

Oblix/yolov10m-doclaynet_ONNX_document-layout-analysis — модель обнаружения объектов на базе YOLOv10m, предоставленная в формате ONNX для использования через Transformers.js. Она предназначена для анализа макета документа: находит и размечает текстовые блоки, заголовки, списки, таблицы, изображения, формулы, подписи, сноски и элементы колонтитулов. Модель принимает изображение страницы и выдаёт рамки обнаруженных областей с классами из набора DocLayNet. Карточка не сообщает размер модели или поддерживаемые языки. Репозиторий содержит ONNX-веса; сведения о лицензии в доступных данных отсутствуют.

lilmeaty/5 — объединённая языковая модель, созданная с помощью mergekit из предварительно обученных весов lilmeaty/4 методом passthrough. Модель построена на плотной архитектуре Mistral и содержит 8,9 млрд параметров; она предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста составляет 131 072 токена, формат весов — safetensors. Модель можно использовать для генерации продолжений текста и ведения диалога на основе текстовых запросов. Карточка не описывает специализированные области применения или языковую поддержку. Лицензия в предоставленных данных не указана.

ArmorOCR-GGUF — GGUF-версия мультимодальной модели ArmorOCR, разработанной командой inclusionAI (Ant Group) на базе Qwen3-VL-8B-Instruct. Модель предназначена для распознавания текста на изображениях, включая adversarial OCR и degraded visual conditions, когда изображение содержит искажения или подвергается атакам. Она поддерживает grounded OCR и vision-language сценарии, выполняя инференс непосредственно по исходному изображению без обязательного кадрирования, увеличения, шумоподавления или внешних инструментов. Заявленный язык — английский. ArmorOCR использует двухэтапный подход с observation-transferred self-distillation и формирует структурированный ответ: рассуждение помещается в теги <analyze></analyze>, а распознанный текст — в <answer></answer>. Публикация содержит варианты квантования от Q2_K до Q8_0, а также BF16 и F16; размеры основных файлов составляют примерно от 3,28 до 16,4 ГБ. Для обработки изображений предусмотрены отдельные multimodal-проекции mmproj в форматах BF16, F16 и Q8_0, что позволяет использовать модель через llama.cpp. Сильной стороной модели является устойчивость к неблагоприятным визуальным условиям и возможность однопроходного распознавания исходного изображения. Ограничения включают ориентацию заявленного языка на английский, значительные требования к дисковому пространству и памяти для высокоточных вариантов, а также зависимость качества от выбранного уровня квантования и совместимости используемого inference-стека. Модель распространяется по лицензии Apache 2.0; использование также регулируется лицензией и политикой допустимого использования базовой Qwen3-VL-8B-Instruct.

BBALAW1.0 — объединённая языковая модель, созданная автором репозитория Lawnakk с помощью mergekit и метода SLERP. В объединении использованы Qwen/Qwen2.5-7B и Qwen/Qwen2.5-Math-7B-Instruct; конфигурация сочетает их слои, а итоговая архитектура — плотная Qwen2ForCausalLM. Модель содержит 3,8 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогового использования. Включение математической версии Qwen2.5 указывает на возможную полезность в задачах с математическим текстом, однако README не приводит результатов оценки или конкретных гарантий качества. Репозиторий содержит веса safetensors и использует библиотеку Transformers; метаданные отмечают интерфейс вызова инструментов. Сведения о лицензии в предоставленных данных отсутствуют.