II.10Разработка и эксплуатация AI/ML-систем

ClaudioItaly/QwenTies-7B — слитая методом TIES языковая модель на архитектуре Qwen2 для генерации текста и диалогов. Она объединяет Qwen/Qwen2.5-7B-Instruct и Qwen/Qwen2.5-7B; в README указана база Qwen2.5-7B-Instruct. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговых сценариев и генерации текстовых ответов; метаданные также указывают интерфейс вызова инструментов. Базовая Qwen2.5-7B-Instruct описана как модель для генерации текста, кода и структурированных ответов, но отдельные преимущества этого слияния не приведены. Лицензия в предоставленных данных не указана.

featherless-ai-quants/SillyTilly-Meta-Llama-3.1-8B-Instruct-GGUF — набор GGUF-квантизаций инструкционной языковой модели SillyTilly/Meta-Llama-3.1-8B-Instruct. Квантизации подготовлены featherless-ai-quants. Модель предназначена для генерации текста и диалоговых сценариев, включая запуск инструкционной Llama-модели в совместимом с GGUF окружении. В репозитории доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 3 до 8 ГБ. README не указывает архитектуру подробнее, поддерживаемые языки, модальности и размер контекстного окна; по назначению модель относится к текстовой генерации и не заявлена как мультимодальная. Главное преимущество набора — возможность выбрать компромисс между размером файла, требованиями к ресурсам и сохранением качества при локальном или ином GGUF-запуске. Более агрессивные квантизации занимают меньше места, но могут сильнее снижать качество по сравнению с менее сжатыми вариантами. Лицензия в README не указана, поэтому условия использования необходимо уточнять по исходной модели SillyTilly/Meta-Llama-3.1-8B-Instruct и правилам распространения конкретных файлов.

Socrates Qwen2.5 14B DPO — диалоговая языковая модель, созданная SocratesFT путём дообучения Qwen/Qwen2.5-14B-Instruct. Она предназначена для генерации текста и ответов на инструкции в формате чата; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 14 млрд параметров, использует плотную архитектуру Qwen2 и принимает контекст длиной до 32 768 токенов. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. В качестве данных для дообучения указан набор SocSci210. Метаданные указывают английский язык; дополнительных языков и специализированных прикладных областей не заявлено.

Star-Command-R-32B-v1-GGUF — набор GGUF-квантизаций базовой модели Star-Command-R-32B-v1, разработанной TheDrummer и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, в том числе в LM Studio, с использованием указанного chat prompt format. В набор входят версии от F16 до низкобитных вариантов Q3 и IQ3, размером примерно от 14 до 64,6 ГБ. Доступны разные уровни компромисса между качеством и требованиями к памяти; варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены как рекомендуемые, а некоторые Q4-варианты оптимизированы для ARM-процессоров. Архитектура, поддерживаемые языки, длина контекста, модальности и точные сценарии применения в README не указаны, поэтому модель можно охарактеризовать только как текстовую генеративную модель общего назначения. Сильной стороной является широкий выбор квантизаций для локального инференса и применение imatrix-квантизации, направленной на сохранение качества при уменьшении размера. Ограничения зависят от выбранного варианта: более компактные версии имеют более низкое качество, а полноразмерная F16-версия требует значительного объёма памяти. Лицензия указана как other; её конкретные условия в README не раскрыты и требуют проверки в источнике базовой модели.

Steelskull_L3.3-Mokume-Gane-R1-70b-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Steelskull/L3.3-Mokume-Gane-R1-70b, подготовленный bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Доступны варианты квантизации от Q8_0 до Q2_K_L и ряда IQ-форматов; размер файлов составляет примерно от 27,47 до 74,98 ГБ. Варианты с более высокой точностью обеспечивают лучшее качество, но требуют больше памяти. В README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS; низкобитные варианты рассчитаны на системы с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Модель поддерживает текстовый сценарий использования; сведения о мультимодальности, языках, размере контекста, архитектурных деталях и конкретных целевых задачах в README не указаны. Для работы следует использовать приведённый формат промпта с системным сообщением, пользовательским запросом и ответом ассистента. Лицензия указана как llama3.3.

T3qm7xNeuralsirkrishna_Experiment28Experiment24 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment28Experiment24-7B. Модель содержит 7,1 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов по текстовым запросам. Она доступна по лицензии Apache-2.0. Сведения о специальной предметной настройке или дополнительных возможностях в карточке не приведены.

Trendyol LLM v1.0 — базовая генеративная языковая модель, разработанная Trendyol и дообученная на основе Mistral-7B-v0.1. Это авторегрессионный трансформер Mistral с 7,2 млрд параметров; модель принимает текст и генерирует текст. Для версии base указано дообучение с LoRA на 10 млрд токенов, а максимальная длина последовательности при обучении составляла 1024 токена. В метаданных указан нативный контекст 32 768 токенов. Модель предназначена для продолжения текста и может служить основой для приложений генерации текста и диалоговых сценариев на английском и турецком языках. Карточка также упоминает варианты chat и DPO. Модель распространяется по лицензии Apache-2.0. Качество не проверено в широком круге реальных сценариев: возможны фактические ошибки, предвзятые или токсичные ответы. Понимание сленга и языков, кроме английского и турецкого, может быть ограниченным; результаты следует проверять.

allenai/tulu-v2.5-dpo-13b-alpacafarm-human-pref — англоязычная диалоговая модель AllenAI из набора RLHF-моделей Tulu. Она основана на Llama 2 с 13 млрд параметров и дообучена на смеси инструкций и диалогов Tulu V2, затем дополнительно выровнена методом DPO на предпочтениях людей из набора AlpacaFarm Human Preference. Модель предназначена для генерации текста и ответов помощника на инструкции и вопросы на английском языке. Она принимает текст в формате диалога, для которого рекомендуется использовать шаблон чата токенизатора, и поддерживает контекст до 4096 токенов. Модель может давать проблемные или небезопасные ответы: на этапе выравнивания её не обучали безопасно отказывать на вредоносные запросы, а фильтрация ответов не встроена. Лицензия — Apache 2.0.

Vikhr-Llama-3.2-1B-instruct-GGUF — инструкционная языковая модель семейства Vikhr, разработанная командой Vikhr Team. Она основана на Llama-3.2-1B-Instruct и дообучена на русскоязычном датасете GrandMaster-PRO-MAX. Модель предназначена для генерации текста и выполнения инструкций на русском и английском языках. Модель имеет компактный размер 1B параметров и ориентирована на эффективный запуск на слабых, маломощных и мобильных устройствах. В README также заявлена эффективность в пять раз выше базовой модели. Указан формат GGUF и библиотека llama.cpp, что подходит для локального развёртывания и инференса с ограниченными вычислительными ресурсами. Рекомендуемая температура генерации — 0,3. По результатам оценки на ru_arena_general модель получила Score 19,04 и LC Score 45,56, превзойдя базовую meta-llama-Llama-3.2-1B-Instruct в этом сравнении. При этом README не содержит сведений о размере контекста, точной архитектуре GGUF-квантизации и поддерживаемых модальностях, поэтому модель следует рассматривать как текстовую. Лицензия указана как llama3.2; условия её применения необходимо уточнять в соответствующих лицензионных документах.

Voz — модель распознавания речи, созданная Desert Ant Labs на основе NVIDIA Parakeet TDT 0.6B v3. Разработчики преобразовали и сжали исходные веса для запуска на iPhone, iPad, Mac, Windows, в браузере и Node.js; по README, сами веса при этом не дообучались. Модель обрабатывает аудио окнами по 15 секунд и выдаёт текст транскрипции с временными отметками для отдельных слов. Поддерживаются 25 языков, включая русский. Для Apple-устройств используется Core ML с выполнением на Neural Engine; также доступны форматы ONNX и TFLite. Voz предназначена для локальной транскрипции записей, включая длинные файлы, с низкими требованиями к памяти и без отправки аудио с устройства. Заявленные результаты близки к Whisper large-v3-turbo, но точность зависит от языка и типа записи: модель лучше справляется с совещаниями, чем с подготовленной и дикторской речью; в подкастах разработчики советуют проверять примерно каждое десятое слово. Средняя ошибка временных отметок составляет около 83 мс для начала и 95 мс для конца слова. Модель распространяется на условиях CC BY 4.0, унаследованных от Parakeet TDT 0.6B v3.

wav2vec2-finetuned-asr — модель автоматического распознавания речи, дообученная на основе facebook/wav2vec2-xls-r-300m. Она использует архитектуру Wav2Vec2ForCTC и принимает аудио, преобразуя речь в текст. Датасет дообучения не указан; сведения о поддерживаемых языках и целевых сценариях отсутствуют. На оценочном наборе указаны Loss 0,4425, WER 0,5418 и CER 0,3254. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Результаты приведены без описания набора данных и методики оценки, поэтому их нельзя уверенно переносить на другие аудио и условия записи.

Модель Gabor Madarasz — система автоматического распознавания речи на венгерском языке, дообученная на базе facebook/mms-1b-all. Она использует архитектуру Wav2Vec2ForCTC с 1,3 млрд параметров и предназначена для преобразования венгерской речи в текст. Модель рассчитана на запись речи одного говорящего, например подкасты, аудиокниги и другие чёткие аудиозаписи. В карточке приведены результаты тестирования: WER 19,93% и CER 5,19% на тестовой части FLEURS для венгерского языка, а также WER 16% на 500 отложенных примерах Common Voice. Для уменьшения ошибок распознавания похожих по звучанию слов рекомендуется декодирование с языковой моделью, например KenLM через beam search. Лицензия — CC0-1.0.

skylord/wav2vec2-large-xlsr-hindi — модель распознавания речи, разработанная на основе facebook/wav2vec2-large-xlsr-53 и дообученная для хинди. Она преобразует аудиозапись речи в текст и подходит для транскрибации записей на хинди без отдельной языковой модели. Модель использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Для входного аудио требуется частота дискретизации 16 кГц. При дообучении использовались Common Voice, Indic TTS–IITM и IIITH Indic Speech; автор сообщает о WER 17,23% на пользовательском тестовом наборе и 56,46% на тесте Common Voice Hindi. Модель лицензирована по Apache-2.0. Качество заметно различается между тестовыми наборами; в README также отмечен перекос Common Voice в сторону мужских голосов, поэтому точность может зависеть от состава аудио, акцента и диктора.

Wav2vec 2.0 With Open Brazilian Portuguese Datasets v2 — модель распознавания речи на базе Wav2Vec2, дообученная автором lgris для бразильского варианта португальского языка. Чекпойнт содержит 402,7 млн параметров и предназначен для преобразования аудиозаписей речи в текст. Для обучения объединили корпуса CETUC, Multilingual Librispeech, VoxForge, Common Voice 6.1 и Lapsbm; исходная модель дообучалась с помощью fairseq, а веса для этой версии конвертированы из исходного формата. В README приведены результаты WER 10,69% на тестовой выборке Common Voice и 34,53% на аудио TEDx вне обучающего домена. Автор отмечает возможное пересечение дикторов между обучающей и тестовой выборками Common Voice, поэтому первый результат может быть завышен; на записи вне домена качество заметно ниже. Модель распространяется по лицензии Apache-2.0.

WeDLM-7B-Instruct — инструкционно дообученная диффузионная языковая модель Tencent на 7,1 млрд параметров, созданная на основе tencent/WeDLM-7B. Она генерирует текст с параллельным декодированием при стандартном причинном механизме внимания и поддерживает диалог и выполнение инструкций. Модель предназначена для генерации ответов и многошагового общения; для ускоренного вывода разработчики рекомендуют движок wedlm, а интерфейс Hugging Face Transformers описан как удобный для обучения и простых прямых проходов. В README приведены результаты на тестах ARC-C, GSM8K и MATH, но они различаются по задачам, поэтому эти цифры не гарантируют качество в конкретном приложении. Контекст в метаданных указан как 16 384 токена, тогда как README сообщает 32 768 токенов. Модель доступна на условиях лицензии Apache 2.0.

ovsyannikovls/whisper-base-ru — модель распознавания речи семейства Whisper, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для преобразования аудиозаписей в текст; карточка приводит результат оценки WER 33,1041, но не описывает тестовый набор и условия измерения. Модель распространяется в формате Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Подробности о данных обучения, поддерживаемых языках, контекстном окне и сценариях применения в карточке не приведены.

Это дообученная на неизвестном наборе данных модель OpenAI Whisper large-v3-turbo для автоматического распознавания речи. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и представлена в формате safetensors; библиотека для работы с ней — Transformers. Модель принимает аудио и преобразует речь в текст. В карточке приведены результаты оценки: loss 0,3081 и глобальный WER 46,6495. Данных о целевых языках, сценариях обучения и ограничениях применения в README нет. Лицензия — MIT.

ChuckMcSneed/WinterGoddess-1.4x-70b-32k — версия модели Sao10K/WinterGoddess-1.4x-70B-L2 с контекстом 32 768 токенов. В README указано, что контекст расширен методом LongLoRA; архитектура — плотная LlamaForCausalLM с 68,7 млрд параметров, веса представлены в safetensors. Модель предназначена для генерации текста и работы с более длинными входами и продолжениями. Автор приводит результаты бенчмарков NeoEvalPlusN и Open LLM Leaderboard, включая ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. По его оценке, расширение контекста сопровождается снижением результатов на MMLU и GSM8K относительно базовой модели. Лицензия в метаданных указана как llama2; применимость лицензии следует оценивать по её условиям.

jeiku/zenithquantum — языковая чат-модель, полученная автором репозитория слиянием SLERP двух предварительно обученных моделей: FourOhFour/Zenith_4B и FourOhFour/QuantuMinx_4B. Она предназначена для генерации текста и диалогового ассистирования. Модель имеет плотную архитектуру LlamaForCausalLM примерно на 3,9 млрд параметров и контекстное окно до 131 072 токенов; файлы опубликованы в формате safetensors для Transformers. Модель подходит для ответов на вопросы, ведения диалогов и генерации текста. В метаданных QuantuMinx_4B описана как англоязычная модель общего ассистирования и ролевых диалогов, однако сведения о языках ZenithQuantum отдельно не приведены. Лицензия в доступных данных не указана.

Gemma 4 12B Unified — мультимодальная модель с открытыми весами, разработанная Google DeepMind и относящаяся к семейству Gemma 4. Она принимает текст, изображения, видео и аудио, а выдаёт текст; для аудио предусмотрены распознавание речи и перевод речи в текст. Единая архитектура позволяет обрабатывать аудио и изображения без отдельных энкодеров, что подходит для локального запуска на потребительских устройствах. Модель имеет плотную архитектуру и гибридное внимание, сочетающее локальные скользящие окна с глобальным вниманием; заявленное окно контекста для версии 12B — до 256 тысяч токенов. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, вызова инструментов, а также понимания изображений, видео и аудио. Среди визуальных сценариев — извлечение текста из документов, OCR, разбор PDF, диаграмм и экранных интерфейсов; для аудио доступны транскрипция и перевод речи в текст. Семейство поддерживает более 35 языков в обычном использовании и обучалось на более чем 140 языках, но README не перечисляет конкретные языки этой версии. Модель распространяется по лицензии Apache 2.0. Как и другие генеративные модели, она может давать ошибочные ответы; README также указывает, что приведённые сценарии использования не являются исчерпывающими.

Карточка модели Openintelligent123/gemma-4-12B на Hugging Face совпадает с карточкой google/gemma-4-12B, поэтому описание составлено по ней. Gemma 4 12B Unified — мультимодальная модель с открытыми весами, разработанная Google DeepMind и относящаяся к семейству Gemma 4. Она принимает текст, изображения, видео и аудио, а выдаёт текст; для аудио предусмотрены распознавание речи и перевод речи в текст. Единая архитектура позволяет обрабатывать аудио и изображения без отдельных энкодеров, что подходит для локального запуска на потребительских устройствах. Модель имеет плотную архитектуру и гибридное внимание, сочетающее локальные скользящие окна с глобальным вниманием; заявленное окно контекста для версии 12B — до 256 тысяч токенов. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, вызова инструментов, а также понимания изображений, видео и аудио. Среди визуальных сценариев — извлечение текста из документов, OCR, разбор PDF, диаграмм и экранных интерфейсов; для аудио доступны транскрипция и перевод речи в текст. Семейство поддерживает более 35 языков в обычном использовании и обучалось на более чем 140 языках, но README не перечисляет конкретные языки этой версии. Модель распространяется по лицензии Apache 2.0. Как и другие генеративные модели, она может давать ошибочные ответы; README также указывает, что приведённые сценарии использования не являются исчерпывающими.

Granite-3.1-3B-A800M-Instruct — языковая модель IBM Granite Team для выполнения общих инструкций и создания диалоговых ассистентов. Это дообученная версия Granite-3.1-3B-A800M-Base: метаданные относят её к семейству Granite MoE, а README описывает decoder-only архитектуру с GQA, RoPE, SwiGLU и RMSNorm. В репозитории указано 352,3 млн параметров и контекст до 131 072 токенов. Модель предназначена для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и вызова функций. Она поддерживает диалоги на английском, немецком, испанском, французском, японском, португальском, арабском, чешском, итальянском, корейском, нидерландском и китайском языках; также подходит для анализа длинных документов и записей встреч. README указывает, что обучение инструкциям преимущественно велось на английском, поэтому качество на других языках может быть ниже. Модель принимает текст и генерирует текст. Она выпущена под лицензией Apache 2.0. Ответы могут быть неточными, предвзятыми или небезопасными; для конкретных сценариев нужны проверка и настройка.

Granite-3.2-8B-Instruct-Preview — языковая модель IBM Granite Team, дообученная на основе ibm-granite/granite-3.1-8b-instruct для улучшенного пошагового рассуждения. Это плотная авторегрессионная модель на 8,2 млрд параметров с контекстом до 131 072 токенов; режим рассуждения можно включать по необходимости. Модель предназначена для ответов на общие инструкции и создания диалоговых помощников, в том числе для бизнес-сценариев. Она поддерживает суммаризацию, классификацию и извлечение текста, ответы на вопросы, RAG, задачи с кодом и вызов функций, а также работу с длинными документами и стенограммами встреч. Заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Модель выпущена в формате safetensors и распространяется по лицензии Apache 2.0. Это предварительный релиз; унаследованные от Granite-3.1 ограничения и этические соображения сохраняются.

Granite-3.3-8B-Instruct — плотная языковая модель с 8,2 млрд параметров, разработанная командой Granite компании IBM и дообученная на базе ibm-granite/granite-3.3-8b-base для следования инструкциям и улучшенного рассуждения. Она принимает текст и генерирует ответы, поддерживает диалог и интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. Модель предназначена для общих задач ассистента и бизнес-приложений: ответов на вопросы, суммаризации длинных документов и встреч, классификации и извлечения текста, RAG, задач по математике и программированию, а также многоязычного диалога. В README заявлена поддержка английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Модель доступна в формате safetensors для Transformers. Лицензия — Apache 2.0. В README отмечено, что применимы этические ограничения и ограничения базовой модели Granite-3.3-8B-Base; подробности этих ограничений в предоставленных материалах не раскрыты.

Карточка модели nttruong1007/qb-granite31-8b на Hugging Face совпадает с карточкой ibm-granite/granite-3.1-8b-instruct, поэтому описание составлено по ней. Granite-3.1-8B-Instruct — языковая модель IBM Granite Team для выполнения инструкций и создания диалоговых ассистентов. Это дообученная на базе Granite-3.1-8B-Base плотная авторегрессионная трансформерная модель на 8,2 млрд параметров; при обучении использовались supervised fine-tuning, выравнивание с помощью обучения с подкреплением и слияние моделей. Архитектура включает GQA, RoPE, SwiGLU и RMSNorm. Модель принимает текст и поддерживает контекст до 131 072 токенов. Модель предназначена для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и вызова функций. Поддерживает диалоги на английском, немецком, испанском, французском, японском, португальском, арабском, чешском, итальянском, корейском, нидерландском и китайском языках. Лучше всего модель обучена следовать инструкциям на английском; качество на других языках может быть ниже. Она может выдавать неточные, предвзятые или небезопасные ответы. Лицензия — Apache 2.0.

Qwen3.5-122B-A10B-GPTQ-Int4 — мультимодальная модель семейства Qwen3.5, разработанная командой Qwen. Это causal language model с vision encoder, предназначенная для работы с текстом и изображениями. Модель ориентирована на рассуждения, программирование, визуальное понимание, агентские сценарии и универсальные задачи обработки контента. Модель использует гибридную архитектуру с Gated Delta Networks, Gated Attention и разреженным Mixture-of-Experts. Общее число параметров составляет 122 млрд, при этом во время работы активируется около 10 млрд. Архитектура включает 48 слоёв и 256 экспертов, из которых активируются 8 маршрутизируемых и 1 общий эксперт. Нативная длина контекста — 262 144 токена, с возможностью расширения до 1 010 000 токенов. Поддерживаются 201 язык и диалект. Данная версия содержит GPTQ-квантизацию до 4 бит и распространяется в формате, совместимом с Hugging Face Transformers, vLLM, SGLang и KTransformers. Сильными сторонами модели являются сочетание текстовых и визуальных возможностей, большой контекст, высокая вычислительная эффективность разреженной архитектуры и широкое языковое покрытие. Ограничения включают необходимость совместимого программного и аппаратного окружения для запуска крупной MoE-модели, а также возможные потери качества из-за 4-битной квантизации; конкретные требования к ресурсам в README не указаны. Лицензия — Apache-2.0.

Карточка модели eyes-dot-ml/gemma-4-12B-it на Hugging Face совпадает с карточкой google/gemma-4-12B-it, поэтому описание составлено по ней. Gemma 4 12B IT — мультимодальная модель Google DeepMind с открытыми весами, настроенная для следования инструкциям. Она построена на плотной унифицированной архитектуре Gemma4Unified и принимает текст, изображения, видео и аудио, выдавая текст. Модель поддерживает анализ изображений и видеокадров, распознавание речи и перевод речи в текст, а также генерацию текста и кода, рассуждения и вызов инструментов. Модель рассчитана на локальный запуск на потребительских устройствах и сценарии с длинным контекстом; для семейства заявлено до 256 тысяч токенов у версии 12B. Gemma 4 поддерживает более 35 языков непосредственно и обучалась на данных более чем 140 языков. Лицензия — Apache 2.0. Карточка описывает семейство Gemma 4 в целом, поэтому отдельные характеристики и возможности конкретной версии могут зависеть от реализации и настроек.

Карточка модели mirvo/gemma-4-12B-it на Hugging Face совпадает с карточкой google/gemma-4-12B-it, поэтому описание составлено по ней. Gemma 4 12B IT — мультимодальная модель Google DeepMind с открытыми весами, настроенная для следования инструкциям. Она построена на плотной унифицированной архитектуре Gemma4Unified и принимает текст, изображения, видео и аудио, выдавая текст. Модель поддерживает анализ изображений и видеокадров, распознавание речи и перевод речи в текст, а также генерацию текста и кода, рассуждения и вызов инструментов. Модель рассчитана на локальный запуск на потребительских устройствах и сценарии с длинным контекстом; для семейства заявлено до 256 тысяч токенов у версии 12B. Gemma 4 поддерживает более 35 языков непосредственно и обучалась на данных более чем 140 языков. Лицензия — Apache 2.0. Карточка описывает семейство Gemma 4 в целом, поэтому отдельные характеристики и возможности конкретной версии могут зависеть от реализации и настроек.

Карточка модели alekshandru/gemma-4-E2B на Hugging Face совпадает с карточкой google/gemma-4-E2B, поэтому описание составлено по ней. Gemma 4 E2B — мультимодальная плотная модель с открытыми весами от Google DeepMind, принадлежащая семейству Gemma 4. Она принимает текст и изображения, а также аудио; генерирует текст. Семейство использует гибридное внимание с локальными скользящими окнами и глобальным вниманием. Для малых моделей, включая E2B, заявлено контекстное окно до 128 тысяч токенов. Модель предназначена для диалогов, рассуждений, генерации и исправления кода, суммаризации, понимания изображений и аудио, распознавания речи и перевода речи в текст. Она рассчитана на локальный запуск на мобильных устройствах и ноутбуках; семейство поддерживает многоязычные сценарии, включая более 35 языков в готовом виде. Модельные карточка описывает возможности семейства, поэтому отдельные характеристики E2B следует трактовать в его контексте. Репозиторий распространяется по лицензии Apache 2.0. Возможности включают OCR, разбор документов, анализ видео и вызов функций; описание аудиоподдержки для E2B подтверждает обработку аудио, а не генерацию речи. Качество ответов может зависеть от языка, сложности задачи и доступных вычислительных ресурсов; для критически важных сценариев результаты следует проверять.

Gemma 4 E4B — мультимодальная плотная модель семейства Gemma, разработанная Google DeepMind и представленная в виде весов с лицензией Apache 2.0. Она принимает текст, изображения и аудио и генерирует текст; аудиовозможности включают распознавание речи и перевод речи в текст. Модель рассчитана на запуск на мобильных устройствах и ноутбуках, а также на диалоговые сценарии, рассуждения, программирование и работу с инструментами. Архитектура реализует гибридное внимание: чередует локальные окна внимания с глобальным вниманием. Для E4B заявлено контекстное окно до 128 тысяч токенов. Модель понимает изображения, в том числе документы, графики и интерфейсы, а также аудио; семейство Gemma 4 поддерживает более 140 языков при обучении и более 35 языков при использовании. Карточка описывает семейство в целом, поэтому отдельные языковые возможности E4B могут зависеть от задачи и конфигурации.