II.11Кибербезопасность и приватность

theresa00l/Qwen3.8-27B-Uncensored-FP8-Q4_K_M-GGUF — это квантизированная версия модели orcarouter/Qwen3.8-27B-Uncensored-FP8, преобразованная в формат GGUF с помощью llama.cpp и сервиса GGUF-my-repo. Модель относится к семейству Qwen3.8 и распространяется под лицензией Apache-2.0. Модель предназначена для локального запуска через llama.cpp, включая использование в командной строке и в серверном режиме. В карточке заявлены сценарии рассуждений, function calling, red-teaming и AI red-teaming. Указана поддержка английского и китайского языков. Архитектура и точное число параметров явно не описаны, однако обозначение модели указывает на размер 27B и квантизацию Q4_K_M из исходного представления FP8. Также заявлена совместимость с vLLM и llama.cpp. К сильным сторонам относятся компактное квантизированное представление GGUF и возможность локального инференса на совместимом оборудовании. Ограничения — отсутствие в README подробностей о контекстном окне, точной архитектуре, результатах оценки, требованиях к памяти и качестве работы с изображениями, несмотря на тег image-text-to-text. Практическое использование требует llama.cpp и подходящей аппаратной конфигурации; заявленная лицензия — Apache-2.0.

RavenX-OpenFable-Coderagent-Gemma-4-12B-Coder-Fable5-Composer-Soulinfused-Remastered — плотная языковая модель на архитектуре Gemma 4 Unified с 12 млрд параметров, выпущенная Gabriel Garcia и RavenX LLC. Она объединяет базу Gemma-4-12B-Coder-Fable5-Composer2.5-v1 с настройками на код, поведение агента, идентичность OpenFable и отказы по безопасности; в метаданных происхождение указано как слияние моделей. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель предназначена для генерации и исправления кода, выполнения одношаговых агентных задач и ответов в диалоге. Карточка заявляет сохранение заданной идентичности без системного промпта и приводит внутренние результаты бенчмарков; эти заявления не являются независимой оценкой. В метаданных указан английский язык. Базовая Gemma 4 Unified мультимодальна, однако карточка этой модели описывает прежде всего кодовые и текстовые сценарии, поэтому дополнительные модальности здесь не заявлены. Автор называет модель экспериментальным исследовательским proof of concept и предоставляет её «как есть» для образовательного и исследовательского использования. Упоминаются версии GGUF Q4_K_M и Q8_0 и запуск на системах с 8 ГБ RAM, но в метаданных репозитория формат указан как safetensors; доступность квантованных файлов в этом репозитории из предоставленных сведений не следует. Заявленные результаты могут зависеть от промпта, среды и выбранной версии весов.

GLM-5.3-Flash-Uncensored-GGUF — это квантованные GGUF-версии модели GLM-5.3-Flash от Z.ai, подготовленные и опубликованные OrcaRouter. Модель предназначена для локального запуска в llama.cpp на CPU, CUDA, Metal и ROCm. Она ориентирована на исследовательские задачи, включая интерпретируемость, изучение механизмов отказа, red teaming, оценку устойчивости и контролируемые эксперименты. Вариант uncensored получен удалением значительной части механизмов отказа, поэтому модель может выполнять вредоносные, незаконные или этически проблемные запросы. Модель имеет архитектуру Mixture-of-Experts: около 320 млрд параметров, из которых активно примерно 18 млрд; используется 288 маршрутизируемых экспертов с выбором top-8 и один общий эксперт. Заявлены гибридное линейное и разреженное внимание, Manifold-Constrained Hyper-Connections шириной 4, поддержка текста, изображений и видео, а также контекст до 1 млн токенов. Поддерживаются английский и китайский языки. Доступны квантизации от 2 до 6 бит; Q4_K_M рекомендуется как баланс качества и размера, а Q6_K обеспечивает наивысшую точность среди представленных вариантов. Для обработки изображений требуется отдельный файл mmproj. GGUF-сборки не содержат MTP-голову для спекулятивного декодирования, а для работы необходима свежая версия llama.cpp с поддержкой архитектуры glm5next. Модель распространяется по лицензии MIT, однако её использование требует самостоятельных мер безопасности, модерации и предотвращения злоупотреблений.

jina-embeddings-v5-text-small-classification — компактная мультиязычная модель эмбеддингов, разработанная Jina AI и предназначенная прежде всего для задач классификации текста. Она создана на базе jina-embeddings-v5-text-small с применением дистилляции и task-specific contrastive losses, что ориентировано на высокое качество при небольшом размере. Модель может использоваться для классификации документов, маршрутизации обращений, анализа отзывов и других сценариев, где текстовые представления подаются в последующий классификатор. Модель содержит 677 млн параметров, поддерживает последовательности длиной до 32 768 токенов и формирует эмбеддинги размерностью 1024. Используется pooling по последнему токену; доступны Matryoshka-размерности 32, 64, 128, 256, 512, 768 и 1024, позволяющие выбирать компромисс между качеством и затратами на хранение или вычисления. К сильным сторонам относятся компактность, мультиязычность, поддержка длинного контекста и оптимизация под классификационные задачи. README не приводит конкретный перечень языков и подробные количественные результаты бенчмарков, поэтому сравнение качества для отдельных языков и сценариев требует дополнительной проверки. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая запрет коммерческого применения.

CodeSage Large — модель семейства открытых моделей эмбеддингов кода, представленная Dejiao Zhang, Wasi Uddin Ahmad, Ming Tan, Hantian Ding, Ramesh Nallapati, Dan Roth, Xiaofei Ma и Bing Xiang. Это encoder-модель на архитектуре CodeSage с 1,7 млрд параметров; она формирует векторы кода размерности 1024 для задач понимания исходного кода. Модель обучена на данных The Stack и рассчитана на код на C, C#, Go, Java, JavaScript, TypeScript, PHP, Python и Ruby. Её можно применять для поиска похожих фрагментов кода, семантического поиска по репозиториям, сравнения кода и извлечения признаков для классификации. Контекст составляет 2048 токенов. Доступны веса PyTorch для Transformers, лицензия Apache-2.0. Карточка также упоминает fill-mask и text-classification среди поддерживаемых задач.

gemma-4-26B-A4B-it-Uncensored-MAX — мультимодальная модель prithivMLmods на архитектуре Gemma 4 с механизмом Mixture of Experts. Она основана на huihui-ai/Huihui-gemma-4-26B-A4B-it-abliterated и связана с google/gemma-4-26B-A4B-it; карточка описывает обновлённую упаковку и совместимость с актуальными версиями Transformers. Репозиторий содержит веса safetensors в формате bf16, а лицензия указана как Apache-2.0. Модель принимает текст и изображения и генерирует текст; её можно применять для диалогов, рассуждений, анализа изображений, исследований мультимодальных моделей и red-teaming. В карточке заявлены 26 млрд параметров и MoE-конфигурация A4B. Метаданные указывают английский язык. Модифицированная версия обозначена как uncensored и refusal-ablated, поэтому её ответы могут включать содержание, отказываемое базовой моделью. Ответы могут быть ошибочными, неполными или непоследовательными и зависят от промпта и параметров генерации. Для запуска требуются значительные вычислительные ресурсы; производительность зависит от оборудования и среды инференса. Авторы рекомендуют учитывать риски и ответственность при использовании модели.

Nemotron-Terminal-14B — модель NVIDIA для автономного взаимодействия с терминалом. Это дообученная на корпусе Nemotron-Terminal-Corpus плотная языковая модель семейства Qwen3 с 14 млрд параметров, представленная в формате safetensors и предназначенная для работы через библиотеку Transformers. Модель планирует и выполняет задачи в командной строке, формируя структурированный JSON с анализом состояния терминала, планом, командами и признаком завершения задачи. В README приведён результат 20,2% на Terminal-Bench 2.0 для варианта 14B; для воспроизводимости оценки рекомендована оболочка Terminus 2. Метаданные указывают контекст 40 960 токенов и английский язык. Модель рассчитана на текстовый ввод и выдаёт текст с командами для терминала; для их выполнения требуется внешняя среда или оболочка. Указана лицензия «other», поэтому конкретные условия использования следует сверить с лицензией в репозитории.

facebook/fasttext-en-vectors — англоязычная модель векторных представлений слов на базе библиотеки fastText, разработанной Meta. Предобученные векторы предназначены для извлечения признаков из текста и могут применяться в классификации текста, определении языка и оценке сходства слов по косинусной близости. Модель обучена на данных Common Crawl и Википедии с помощью CBOW с позиционными весами. Размерность векторов — 300; используются символьные n-граммы длины 5, окно контекста 5 и 10 отрицательных примеров. fastText рассчитана на работу на обычных процессорах и подходит как для прототипирования, так и для производственных сценариев. Векторы представляют английский язык. Возможны смещения в предсказаниях, связанные с обучающими данными. Лицензия — CC BY-SA 3.0.

VidhuMathur/bart-log-summarization — модель для абстрактивного суммирования журналов событий программного обеспечения. Автор дообучил BART-base на синтетическом наборе данных, созданном с помощью GPT-3.5. Архитектура BART — трансформер encoder-decoder с двунаправленным энкодером и авторегрессионным декодером; модель содержит 95,2 млн параметров и рассчитана на контекст до 1024 токенов. Модель предназначена для создания кратких пересказов логов, чтобы быстрее выделять основное в записях. Карточка демонстрирует загрузку через Transformers и TensorFlow. Базовый BART обучен для работы с английским текстом; карточка не сообщает о поддержке других языков. Лицензия модели — MIT. В README не приведены оценки качества или сведения о проверке на реальных логах, поэтому пригодность для конкретных форматов журналов стоит оценить на собственных данных.

Bobcat 1.1 — дообученная модель sanghwa-na на базе Qwen/Qwen3.8-27B. Это плотная модель архитектуры Qwen3.5 с весами BF16 в формате safetensors; исходную LoRA ранга 16 объединили с базовой моделью. Для каждого запроса приложение задаёт состояние и набор допустимых ответов, а модель оценивает их вероятности за один проход. Она не генерирует текст: приложение формирует из результатов ответ в заданном формате. Модель предназначена для повторяющихся ограниченных решений, например маршрутизации запросов, ранжирования, проверки цитат, классификации и проверки вызовов инструментов. Карточка указывает поддержку английского и корейского языков; в обучающих данных 36% решений были на английском. Лицензия — Apache-2.0. По опубликованным разработчиком оценкам, Bobcat 1.1 повысила точность на тестах по сравнению с необученной базовой моделью и реже поддавалась ответам, подсказанным внутри состояния. Модель может ошибиться, хотя её ответ останется одним из допустимых вариантов. Она слабо распознаёт ситуации с недостатком свидетельств, а уверенность не гарантирует правильность. В длинных состояниях результаты зависят от длины и развертывания; вычисления, подсчёт и сравнение дат лучше выполнять в коде. Для критически важных решений модель не предназначена. Для развёртывания автор описывает работу через vLLM; требуются подходящие GPU-ресурсы.

facebook/fasttext-de-vectors — предварительно обученные векторные представления немецких слов на основе fastText, разработанного Facebook. Модель предназначена для получения векторов слов и использования их в задачах извлечения признаков, классификации текста и определения языка. fastText работает на обычных многоядерных процессорах; обучение и применение не требуют специализированного оборудования. Векторы размерности 300 обучены методом CBOW с весами позиций, символьными n-граммами длины 5, окном 5 и 10 отрицательными примерами. Обучающие данные взяты из Common Crawl и Википедии. Лицензия — CC BY-SA 3.0. Модель может наследовать смещения обучающих данных; сходство векторов не гарантирует семантической эквивалентности.

GLM-5.3-Flash-CYBERSECURITY-W4A16 — модификация модели GLM-5.3-Flash, разработанная dealignai на базе zai-org/GLM-5.3-Flash. Это текстовая и vision-language модель для генерации ответов, работы с изображениями и видео, рассуждений, многошаговых агентных сценариев и вызова инструментов. Название указывает на ориентацию на задачи кибербезопасности, однако подробная специализация и результаты тестирования в README не приведены. Модель использует архитектуру MoE и квантование W4A16, сохраняет vision tower и Multi-Token Prediction (MTP), а также поддерживает режимы рассуждений. В связке с vLLM заявлена совместимость с OpenAI-совместимыми tool calls, prefix caching и спекулятивным декодированием MTP, что может повысить производительность в агентных нагрузках. Размер модели, длина контекста и список поддерживаемых языков не указаны. К сильным сторонам относятся сохранённые возможности рассуждений и мультимодальности, поддержка инструментов и сниженная точность весов для более эффективного размещения. Ограничения связаны с требованиями к настройке сервинга: для корректной обработки рассуждений нужен соответствующий reasoning parser, режимы reasoning_effort ограничены значениями low и high, а глубокий режим требует большого бюджета токенов. Параметры обработки изображений и видео зависят от версии vLLM; ошибочная настройка fps может привести к сбою движка. Модель распространяется по лицензии MIT.

KielEmbed-Code — модель плотных эмбеддингов для представления кода и текста, опубликованная под идентификатором kiel2/KielEmbed-Code. Это Sentence Transformer, дообученный на базе microsoft/codebert-base с архитектурой RoBERTa. Модель кодирует предложения и фрагменты кода в векторы размерности 768; сходство между ними оценивается косинусной мерой. Максимальная длина входной последовательности — 512 токенов по README и 514 токенов по метаданным. Модель предназначена для семантического поиска по коду и тексту, сравнения смысловой близости и кластеризации. В README указаны 10 000 обучающих примеров и дообучение в течение одной эпохи с CosineSimilarityLoss. Эти сведения описывают обучение, но не подтверждают качество на независимых тестах. Условия лицензирования в предоставленных данных не указаны.

Mungert/nomic-embed-code-GGUF — набор GGUF-квантованных версий модели для создания векторных представлений исходного кода. Модель разработана пользователем Mungert на базе Qwen/Qwen2.5-Coder-7B-Instruct; преобразование выполнено с помощью llama.cpp. В метаданных она обозначена как sentence-transformers с задачей sentence-similarity и feature-extraction. Модель предназначена для семантического сравнения и поиска фрагментов исходного кода, извлечения признаков, построения систем поиска по репозиториям и других сценариев, где требуется сопоставлять программный код по смыслу. В обучающих данных представлены Python, JavaScript, Java, Go, PHP и Ruby. Архитектура и размер базовой модели указаны как Qwen2.5-Coder-7B-Instruct и 7B параметров соответственно; поддерживаемые языки, размер контекста и дополнительные модальности в README не уточняются. Ключевая особенность сборки — специальная схема квантования с повышением точности отдельных слоёв относительно стандартного imatrix-подхода, особенно для низкобитных вариантов. Доступны форматы различной точности и размера, включая BF16, F16, гибридные варианты и квантования Q4, Q6, Q8 и IQ3. Это позволяет выбирать баланс между качеством, скоростью и требованиями к памяти на GPU или CPU, однако низкобитные варианты могут уступать более точным по качеству, а размер файлов увеличивается при сохранении отдельных слоёв в повышенной точности. Лицензия — Apache-2.0.

NuNER-BERT-v1.0 — англоязычная модель распознавания именованных сущностей от NuMind, представленная в работе NuNER: Entity Recognition Encoder Pre-training via LLM-Annotated Data. Это BERT, дообученный на данных NuNER; модель использовалась в сравнении с TadNER в разделе 4.2 статьи. Она предназначена для извлечения сущностей из текста и может использоваться как готовый энкодер признаков или дообучаться на специализированных наборах данных. Модель содержит 136,7 млн параметров, имеет контекстное окно 512 токенов и опубликована в формате safetensors. Модель рассчитана на английский язык. Лицензия MIT разрешает широкое использование и модификацию при соблюдении её условий. Карточка приводит название статьи и контекст одного эксперимента, но не сообщает конкретные метрики качества; распознавание сущностей на новых предметных областях может потребовать дополнительного дообучения.

CANINE-s — многоязычная предварительно обученная модель Google для представления текста. Она использует архитектуру CANINE и принимает текст на уровне символов: вместо отдельного токенизатора символы представляются кодовыми точками Unicode. Модель содержит 113,2 млн параметров и обучалась на 104 языках с целями masked language modeling и предсказания следующего предложения; для masked language modeling применялся subword loss. В метаданных указан контекст до 16 384 токенов. Модель предназначена прежде всего для извлечения признаков, которые затем используют в задачах классификации последовательностей и токенов, ответов на вопросы и других задачах понимания текста. Она может работать с многоязычными текстами, включая языки с разными письменностями, без предварительной настройки границ токенов. Для генерации текста модель не предназначена. Распространяется по лицензии Apache-2.0.

Jeevesh8/multiberts_seed_1_ft_4 — модель классификации текста на базе BERT/MultiBERTs, опубликованная пользователем Jeevesh8 и представленная на Hugging Face. Она предназначена для присвоения тексту одного или нескольких классов в прикладных NLP-конвейерах. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. В метаданных указаны Transformers, JAX и BERT; связанный с MultiBERTs первоисточник Google описывает семейство как набор BERT-моделей для английского языка, предназначенных для исследований устойчивости и последующей адаптации к задачам классификации. Основное преимущество — готовая адаптация BERT-представлений к классификационному сценарию и совместимость с экосистемой Hugging Face. Ограничения включают максимальную длину контекста 512 токенов и зависимость качества от данных и классов, использованных при дообучении; точная схема меток для этого варианта из доступных источников не установлена.

Qwen3-4B Guardrails Embedding v1 — текстовая модель эмбеддингов, дообученная в проекте SJSU Guardrails на базе Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска и извлечения нормативных документов в RAG-системах, связанных с управлением ИИ и соблюдением требований. Модель используют как источник проверочных фрагментов для дискуссий нескольких агентов и поиска по EU AI Act, рамкам NIST и нормативам кибербезопасности. Модель построена на архитектуре Qwen3 с decoder-only трансформером и pooling по последнему токену; размер — 3,7 млрд параметров, размерность эмбеддинга — 2560, контекст — до 40 960 токенов. README сообщает высокие значения recall@1 и MRR на тесте с четырьмя кандидатами, однако оценка проводилась на ограниченном наборе из 864 примеров и не характеризует качество на более широких пулах или иных предметных областях. Для запросов требуется использовать инструкционный префикс, а фрагменты документов кодируются без него. Модель не предназначена для генерации текста, общей семантической близости или самостоятельной классификации. Лицензия — Apache-2.0.

Это экспериментальный чекпойнт Grug 67B, дообученный командой Marin на корпусе Nemotron Terminal и опубликованный в формате BF16 для Hugging Face и vLLM. Модель создана для диалогового взаимодействия и выполнения задач в терминале; метаданные также указывают интерфейс вызова инструментов. Это причинная языковая модель семейства Grug MoE с архитектурой mixture-of-experts и 2,8 млрд параметров. Контекстное окно — 32 768 токенов. Обучение началось с Grug 67B stage-2 thinking checkpoint на шаге 630 и продолжалось 1 888 шагов на данных Nemotron Terminal Corpus. Модель оценивали в кампании воспроизведения OpenThoughts-TBLite с помощью Terminus-2, однако результаты оценки хранятся отдельно, поэтому качество выполнения конкретных задач из карточки установить нельзя. Лицензия — Apache-2.0.

cyberneurova-gemma-4-26B-A4B-GGUF — квантизированная GGUF-версия модели cyberneurova-gemma-4-26B-A4B, разработанная CyberNeurova на базе google/gemma-4-26B-A4B. Модель предназначена для локального и self-hosted развертывания, генерации текста, диалоговых сценариев, программирования, tool calling, агентных приложений и задач, где требуется режим рассуждений. Она также поддерживает обработку изображений и относится к мультимодальным моделям. Архитектура модели — Gemma-4 MoE (mixture-of-experts): всего 26 млрд параметров, из которых при обработке активны 4 млрд. Доступны варианты квантизации от 2 до 8 бит, включая специализированный MXFP4_MOE; рекомендуемым универсальным вариантом указан Q4_K_M. Файлы рассчитаны на использование с llama.cpp и Ollama. В README приведён пример контекста 32 768 токенов, однако не уточняется, является ли это максимальным размером контекста модели. Ключевая особенность сборки — abliteration, то есть удаление из весов направления, связанного с типичным отказным поведением. Поэтому у модели снижены встроенные ограничения безопасности, и она может отвечать на запросы, которые стандартная Gemma-4 отклоняет. Это может быть полезно для red teaming, исследований безопасности, разработки управляемых агентов и контролируемых локальных ассистентов, но повышает риск вредоносных или небезопасных результатов; для публичного доступа рекомендуется прикладная модерация. Указан английский язык. Распространение осуществляется по Gemma Terms of Use; ответственность за соблюдение законодательства и условий лицензии несёт оператор.

Llama3-8B-Instruct-Replete-Adapted-GGUF — квантизированная GGUF-версия инструкционной модели Llama3-8B-Instruct-Replete-Adapted, разработанной Replete-AI и подготовленной для распространения пользователем bartowski. Модель предназначена для текстовой генерации, прежде всего для программирования, работы с кодом, математическими задачами, инструкциями, диалогами, function calling и анализа уязвимостей. Обучение или дообучение проводилось на смешанном наборе датасетов с примерами кода, инструкций, диалогов, математических задач и данных для ассистентов программирования. Модель основана на архитектуре Llama 3 с 8 млрд параметров и поставляется в формате GGUF для запуска через llama.cpp. Доступны варианты квантизации от Q5 до Q8 с размером файлов примерно от 5,73 до 8,54 ГБ; для вариантов Q6 и Q5 заявлено высокое качество, близкое к исходной модели. В README указан результат pass@1 около 64,7% на HumanEval. Формат промпта использует специальные токены Llama 3. Языки, размер контекстного окна и мультимодальные возможности в предоставленных данных не указаны; описание относится к текстовой модели. Сильными сторонами являются специализация на генерации и анализе кода, поддержка локального запуска через llama.cpp и наличие нескольких уровней квантизации с разным балансом качества и требований к памяти. Ограничения включают возможные потери качества из-за квантизации, отсутствие подтвержденных характеристик по языкам и контексту, а также неполные значения большинства приведенных бенчмарков. Модель распространяется по лицензии Llama 3; условия следует уточнять в официальном тексте лицензии Meta.

airoboros-l2-13b-3.1.1 — экспериментальная инструктивная языковая модель на архитектуре Llama 2, дообученная автором jondurbin на наборе синтетических и других примеров airoboros-3.1. Она предназначена для выполнения инструкций и диалогов в формате чата Llama 2; модель содержит 12,9 млрд параметров и имеет контекстное окно 4096 токенов. Модель подходит для ответов на вопросы по предоставленному контексту, суммаризации, математических задач с формированием MathJSON, извлечения полей из журналов, анонимизации текста, программирования и планирования действий с инструментами. По описанию она сильнее ориентирована на точное следование инструкциям, чем на непринуждённый чат и ролевые диалоги. Для математических ответов автор рекомендует низкую температуру генерации; формат чата должен соответствовать шаблону Llama 2. Это дообученная модель, опубликованная в формате safetensors. В карточке указана лицензия Llama 2. Разработчик описывает её как экспериментальную; результаты могут быть нестабильными, а генерация MathJSON и вызовы функций требуют внешнего разбора и выполнения. Русский язык явно не заявлен.

Qwythos-9B-v2 — модель генерации текста и рассуждений от Empero AI, дообученная на базе empero-ai/Qwythos-9B-Claude-Mythos-5-1M методом FTPO. Она предназначена для диалогов, многошаговых рассуждений, решения задач и генерации кода; разработчик сообщает, что в этой версии устранено зацикливание при генерации, восстановлена голова MTP и сохранены возможности предыдущей версии. Модель построена на гибридной архитектуре Qwen3.5-9B с чередованием линейного внимания Gated-DeltaNet и полного внимания. Контекст заявлен до 1 млн токенов с YaRN. Хотя базовый стек поддерживает мультимодальность, README описывает практическое использование как текстовое. Основной язык карточки — английский. Модель подходит для исследовательских и технических сценариев, включая программирование, кибербезопасность и анализ научных вопросов. По внутренним оценкам разработчика, знания и рассуждения в целом сохранены относительно предыдущей версии; это обновление направлено прежде всего на устойчивость генерации, а не на рост возможностей. Известное ограничение — результат HumanEval ниже, чем у исходной Qwen3.5-9B; показатели бенчмарков получены на внутреннем тестовом наборе. Модель намеренно не ограничивает ответы на чувствительные темы. Лицензия — Apache-2.0.

OpenIntelligenceNet заявляет, что это плотная инструктивная языковая модель семейства LFM2 примерно с 2,4 млрд параметров. Она дообучена на базе huihui-ai/Huihui-LFM2-2.6B-Exp-abliterated на синтетических диалоговых данных; в карточке указаны направления обучения: программирование и системные задачи, рассуждения и кибербезопасность. Модель предназначена для генерации текста и диалогов, в том числе для технических вопросов и работы на устройствах с ограниченными ресурсами. Метаданные указывают контекст до 128 000 токенов, формат весов safetensors и интерфейс чата с поддержкой вызова инструментов. README приводит иное значение контекста — 2 048 токенов — и описывает обучение на 200 000 примерах, но не раскрывает данные полностью. В тегах указан английский язык. Модель распространяется по лицензии Apache-2.0. README сообщает об удалении отказов и защитных шаблонов, поэтому модель может отвечать на запросы, от которых другие модели отказываются; это также означает, что она не подходит для сценариев, требующих надёжных встроенных ограничений безопасности.

Карточка модели kaivoss/MiMo-V2.6-Distill-Qwen-9B-compat на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, поэтому описание составлено по ней. MiMo-V2.6-Distill-Qwen-9B — плотная мультимодальная модель на 9 млрд параметров, разработанная Xiaomi MiMo посредством supervised fine-tuning Qwen3.5-9B на данных, созданных MiMo. Модель предназначена для диалогов и агентных сценариев, включая программирование, визуальное программирование и задачи кибербезопасности; также поддерживает обработку изображений. Карточка публикует результаты SFT-чекпойнта на бенчмарках по программированию. Это контрольная точка для дальнейших исследований в области агентного обучения с подкреплением. Для запуска README рекомендует свежую сборку SGLang с поддержкой Qwen3.5; модель включает токенизатор и шаблон чата MiMo v2.6. Репозиторий содержит веса safetensors. Лицензия — MIT. README не описывает конкретные ограничения качества или безопасности модели.

Карточка модели lovedheart/MiMo-V2.6-Distill-Qwen-9B-FP8 на Hugging Face совпадает с карточкой XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B, поэтому описание составлено по ней. MiMo-V2.6-Distill-Qwen-9B — плотная мультимодальная модель на 9 млрд параметров, разработанная Xiaomi MiMo посредством supervised fine-tuning Qwen3.5-9B на данных, созданных MiMo. Модель предназначена для диалогов и агентных сценариев, включая программирование, визуальное программирование и задачи кибербезопасности; также поддерживает обработку изображений. Карточка публикует результаты SFT-чекпойнта на бенчмарках по программированию. Это контрольная точка для дальнейших исследований в области агентного обучения с подкреплением. Для запуска README рекомендует свежую сборку SGLang с поддержкой Qwen3.5; модель включает токенизатор и шаблон чата MiMo v2.6. Репозиторий содержит веса safetensors. Лицензия — MIT. README не описывает конкретные ограничения качества или безопасности модели.

GLiClass Instruct Large v1.0 — модель Knowledgator для классификации последовательностей текста с нулевым и малым количеством примеров. Она сопоставляет входной текст с заданными пользователем метками и предназначена для тематической и тональной классификации, определения намерений, проверки логического следования, обнаружения галлюцинаций и классификации безопасности LLM. Модель также можно применять для оценки релевантности пар «запрос — фрагмент». Архитектура относится к семейству GLiClass; веса опубликованы в формате safetensors. Модель поддерживает работу с произвольными метками, а в версии GLiClass V3 описаны иерархические метки, примеры для few-shot, текстовые описания меток и подсказки задачи. В README приведены результаты zero-shot-бенчмарков для large-v1.0, в том числе F1 0,9154 на SST-2 и 0,3387 на SST-5. Модель принимает текст и выдаёт оценки или классы, связанные с заданными метками. В README не перечислены поддерживаемые естественные языки, поэтому языковые поля оставлены пустыми. Лицензия — Apache-2.0. Качество зависит от формулировок меток и задачи; для NLI README рекомендует подавать одну гипотезу за раз. Результаты приведены не для всех наборов данных.

Granite-20B-Code-Base-8K — авторегрессионная decoder-only языковая модель для генерации и анализа кода, разработанная IBM Research и обученная с нуля. Модель содержит 20 млрд параметров, использует архитектуру GPTBigCode и принимает контекст до 8192 токенов. Модель предназначена для генерации, объяснения и исправления кода, написания модульных тестов и документации, поиска уязвимостей и перевода кода. Она обучалась на коде 116 языков программирования, а второй этап обучения включал также отобранные данные на естественном языке и математике. Это базовая модель без выравнивания для диалогового следования инструкциям. IBM не рекомендует применять её в новых проектах и предоставляет для исторических и научных целей; для новых приложений предлагаются более поздние модели Granite. Генерируемый код может быть ошибочным или содержать проблемные результаты, поэтому его нужно проверять. Лицензия — Apache 2.0.

knowledgator/gliclass-instruct-edge-v1.0 — компактная модель классификации последовательностей семейства GLiClass, разработанная Knowledgator. Она предназначена для классификации текста с произвольными метками в zero-shot и few-shot сценариях: метки и их описания задаются при запросе, без обязательного дообучения под каждую задачу. По README модель также применяют для определения тематики, тональности и намерений, проверки следования правилам, обнаружения галлюцинаций и оценки безопасности ответов LLM, NLI и ранжирования релевантности текста. Модель использует архитектуру GLiClass и распространяется в формате safetensors. В версии V3 библиотека GLiClass поддерживает иерархические метки, примеры в контексте, описания меток и промпты задач. В приведённых бенчмарках edge-вариант уступает более крупным вариантам GLiClass по F1 на тестах CR, SST-2 и SST-5, что отражает компромисс между размером и качеством. В карточке не приведены размер модели, контекстное окно и поддерживаемые языки. Лицензия — Apache-2.0.

Qwen2.5-Coder-7B-Instruct-GGUF — это GGUF-квантизированная версия инструкционной модели Qwen2.5-Coder-7B-Instruct, разработанной командой Qwen и подготовленной для распространения пользователем bartowski. Модель предназначена прежде всего для генерации и обработки программного кода, работы в чат-режиме и локального текстового вывода через llama.cpp и совместимые приложения, включая LM Studio. Модель содержит 7 миллиардов параметров, поддерживает текстовый ввод и вывод, а в README заявлен английский язык. Доступны варианты с разными уровнями квантизации — от F16 до Q2 и специализированных форматов для ARM, с размером файлов примерно от 3,5 до 15,2 ГБ. В README также указано обновление конфигурации длины контекста и токенизатора, однако точное значение контекстного окна не приведено. Для диалогов используется формат сообщений Qwen с ролями system, user и assistant. Сильная сторона модели — возможность локального запуска при выборе подходящего уровня квантизации: варианты Q6 и Q5 ориентированы на высокое качество, а более компактные варианты подходят для систем с ограниченной памятью. Ограничения включают возможное снижение качества при сильной квантизации, необходимость совместимого ПО и аппаратных ресурсов, а также отсутствие подробных данных о языковой поддержке и бенчмарках в данном README. Модель распространяется по лицензии Apache-2.0.