II.1Анализ требований и архитектура ПО

TheStageAI/gemma-4-E2B-it-GGUF — набор квантизированных GGUF-чекпойнтов модели Google Gemma 4 E2B IT, подготовленных TheStageAI для запуска через llama.cpp. Модель предназначена для генерации текста и локального инференса на устройствах с ограниченным объёмом памяти. Архитектурные детали, число параметров, поддерживаемые языки и размер контекстного окна в README не указаны. Доступны четыре варианта с разным компромиссом между размером и точностью: XS — 1,73 ГБ, S — 2,40 ГБ, M — 2,68 ГБ и L — 4,97 ГБ. Рекомендуется вариант S: по заявленным результатам он сопоставим с эталонной версией BF16 на instruction-strict IFEval, набрав 77,26% против 76,89%, а также получил 60,70% на MMLU-Pro. Варианты S, M и L предпочтительнее для развёрнутого рассуждения, тогда как XS ориентирован на минимальный объём памяти и заметно уступает по MMLU-Pro. Чекпойнты созданы с использованием производственного post-training quantization-пайплайна с учётом Fisher information, распространения ошибок квантования между слоями, оптимизации распределения битового бюджета и дистилляции распределения следующего токена. Сильной стороной является выбор нескольких уровней точности для локального запуска при сохранении близкого к BF16 качества у рекомендуемого варианта S. Ограничения включают зависимость характеристик от выбранного уровня квантования и отсутствие в README данных о скорости, требованиях к оборудованию, мультимодальности и языковом покрытии. Модель распространяется по лицензии Apache-2.0.

AKALI — языковая модель, опубликованная Ali Eren Ak и дообученная на базе google/gemma-2-2b-it с использованием фреймворка AKALI. В метаданных указаны архитектура Gemma 2 с плотной causal language model, 2,7 млрд параметров, контекст до 8192 токенов и поддержка диалогового режима. Модель работает с текстом и предназначена для генерации ответов и выполнения языковых задач. В карточке заявлены сценарии дополнения знаний, подготовки данных и интеграции в NLP-системы. Эффективность зависит от базовой модели, качества данных и выбранной задачи; автор отдельно отмечает возможные смещения в сгенерированных данных и отсутствие универсальной оценки. Указана проприетарная конфиденциальная лицензия, поэтому условия использования следует сверять с правообладателем.

GLM-5.2-JANGTQ — версия GLM-5.2, подготовленная bearzi для запуска через MLX на компьютерах Apple с Apple silicon. Она предназначена для генерации текста и диалогов; базовая модель GLM-5.2 также рассчитана на программирование и длительные задачи. Архитектура указана как glm_moe_dsa, класс — GlmMoeDsaForCausalLM; всего 30,4 млрд параметров, контекст — до 1 048 576 токенов. В профиле JANGTQ_2L внимание и общие эксперты хранятся в FP16, а маршрутизируемые эксперты — в 2-битном представлении. Для загрузки требуются пакет jang-tools или vMLX; обычные MLX, LM Studio и Ollama не поддерживаются. Токенизатор базовой модели требует tiktoken, blobfile и разрешения на пользовательский код. Репозиторий распространяется по лицензии MIT.

GML-Mistral-merged-v1 — языковая модель, опубликованная mlabonne как попытка воспроизвести zyh3826/GML-Mistral-merged-v1. Это слияние весов quantumaikr/quantum-v0.01 и mncai/mistral-7b-dpo-v5, выполненное с помощью mergekit методом passthrough; модель построена на архитектуре MistralForCausalLM и содержит около 8,9 млрд параметров. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на вопросы и рассуждений на основе текстового запроса. В метаданных указан контекст до 32 768 токенов. README приводит результаты оценки на задачах AI2 Reasoning Challenge и HellaSwag, но не описывает целевые языки или специализированные области применения. Веса доступны в формате safetensors, лицензия — Apache-2.0. Показатели из README относятся к отдельным бенчмаркам и сами по себе не гарантируют качество ответов в прикладных сценариях.

GoGPT2-13B — 13-миллиардная плотная языковая модель семейства Llama, основанная на Llama 2 и представленная разработчиком Golaxy. Она предназначена для генерации текста на китайском и английском языках: ответов на вопросы, написания и редактирования текстов, объяснения понятий и создания кода. Архитектура — LlamaForCausalLM; модель рассчитана на контекст до 4096 токенов и доступна в формате PyTorch. В примерах карточки показаны ответы на общие вопросы, создание рецензий и реализация алгоритма. Модель дообучена на китайском наборе Alpaca-GPT4; лицензия — Apache-2.0. Карточка также говорит о версиях GoGPT на 7B и 13B параметров, но не приводит подробностей их сравнительной производительности.

GPT-5.1-Codex-Max — агентная модель OpenAI для задач разработки программного обеспечения. README описывает её как модель для длительных задач программирования с большим контекстом, основанную на обновлённом стеке рассуждений GPT-5.1 и обученную для агентной работы. Модель предназначена для использования в сценариях, где агенту нужно вести работу над программным обеспечением в течение продолжительного времени. Карточка не содержит подробностей об архитектуре, числе параметров, поддерживаемых языках программирования или лицензии, поэтому эти характеристики не приводятся.

SirSahOl подготовил конверсию диалоговой языковой модели IBM Granite 4.1 3B в формат MLX для локального запуска на Apple Silicon. Это плотная авторегрессионная модель GraniteForCausalLM с 3,4 млрд параметров, весами в 16-битном формате и контекстом до 131 072 токенов. Репозиторий содержит веса safetensors и предназначен для инференса через MLX. Модель подходит для многоходового чата, генерации текста и локальных ассистентов, включая сценарии с кодом и вызовом инструментов, поддерживаемые базовой моделью. Главные преимущества этой версии — запуск на GPU Apple Silicon и сохранение 16-битной точности; для весов требуется около 7 ГБ объединённой памяти, а для комфортной работы рекомендуется не менее 16 ГБ. Скорость зависит от устройства и длины запроса, а длинный контекст требует дополнительной памяти. Это конверсия базовой модели ibm-granite/granite-4.1-3b с помощью MLX, а не самостоятельное дообучение. Лицензия — Apache-2.0. Версия рассчитана на Apple Silicon и не является универсальным форматом для GPU других производителей.

granite-4.2-3b-MLX-4bit — это 4-битная квантованная версия языковой модели granite-4.2-3b, разработанной командой IBM Granite (ibm-granite). Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для работы на устройствах Apple Silicon через MLX. Модель предназначена для генерации текста и поддерживает сценарии рассуждений, диалога и вызова инструментов, заявленные в её тегах и исходной карточке. Модель относится к классу text-generation и имеет размер 3 млрд параметров в исходной версии. Она работает с текстом и заявлена для английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского языков. Сильными сторонами версии являются уменьшенное потребление памяти благодаря 4-битному представлению и оптимизация для локального запуска на Apple Silicon. Данные о размере контекста, точных архитектурных особенностях, результатах тестирования и ограничениях качества в README не приведены. Модель распространяется по лицензии Apache-2.0. README не указывает дополнительных ограничений использования, однако предупреждает, что модель может генерировать неточный, вредный или неподходящий контент; результаты требуют проверки человеком.

Hermes-3-Llama-3.1-8B-MLX — англоязычная диалоговая модель семейства Llama 3.1 с плотной архитектурой LlamaForCausalLM и 7,5 млрд параметров. Репозиторий mlx-community содержит версию модели в формате MLX, преобразованную из NousResearch/Hermes-3-Llama-3.1-8B с помощью mlx-lm 0.23.2. Модель предназначена для генерации текста в диалоге, следования инструкциям и взаимодействия с инструментами. Она поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. В метаданных указана лицензия llama3; для запуска README описывает использование mlx-lm.

DevQuasar/huihui-ai.Qwen2.5-7B-Instruct-abliterated-SFT-GGUF — это квантованная версия модели huihui-ai/Qwen2.5-7B-Instruct-abliterated-SFT. Репозиторий опубликован под идентификатором DevQuasar; исходный README не содержит более подробной информации о разработчиках квантованной версии. Модель предназначена для генерации текста и использования в сценариях, поддерживающих формат GGUF. Из доступных данных известно, что модель относится к семейству Qwen2.5 и имеет размер 7B параметров в базовой версии, а также ориентирована на instruction-following благодаря основе Instruct. Квантование может снизить требования к памяти и упростить локальный запуск, однако конкретный тип квантования, доступные варианты файлов, поддерживаемые языки, размер контекста, архитектурные детали, показатели качества и совместимые инструменты в README не указаны. Лицензия и явные ограничения использования также не приведены.

Irix-12B_Slush_V2 — объединённая языковая модель на 12,1 млрд параметров, созданная сообществом mergekit-community из DreadPoor/Irix-12B-Model_Stock и mergekit-community/Slush-Lyra-Gutenberg-Bophades. Слияние выполнено методом SLERP; архитектура — плотная MistralForCausalLM, веса опубликованы в формате Safetensors и предназначены для работы через Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и продолжения текста; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — до 1 024 000 токенов. Карточка не приводит оценок качества или конкретных ограничений, поэтому поведение на длинном контексте и в прикладных сценариях следует проверять отдельно. Сведения о лицензии в доступных данных отсутствуют.

Carnice-V2-27b-GGUF — это квантизированная версия текстовой генеративной модели Carnice-V2-27b, разработанной kai-os и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp. Модель относится к семейству Qwen и предназначена для локального запуска в задачах генерации текста, диалогов и агентских сценариев; в метаданных также указаны направления SFT и Hermes-agent. Доступны варианты от BF16 до низкобитных квантизаций Q3, Q4, Q5, Q6, Q8 и IQ. Размер модели составляет 27 млрд параметров, а объём файлов зависит от выбранного варианта: примерно от 13 до 54 ГБ. Для квантизации применялся imatrix-подход, поэтому старшие варианты сохраняют качество, близкое к исходной модели, тогда как младшие требуют меньше оперативной памяти, но могут заметно уступать по качеству. Архитектура, поддерживаемые языки и размер контекста в README не указаны. Модель совместима с llama.cpp и рядом приложений, включая LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие инструменты для локального инференса. Для работы требуется использовать указанный формат prompt с системными, пользовательскими и assistant-сообщениями. Распространение заявлено по лицензии Apache-2.0.

Sakalti/Kan1-2.5b — компактная плотная языковая модель для генерации текста на архитектуре Qwen2, созданная слиянием чекпойнтов Qwen/Qwen2.5-7B-Instruct методом Model Stock с помощью mergekit. Модель содержит около 1,9 млрд параметров и принимает контекст до 32 768 токенов. Модель подходит для диалогов, генерации текста и структурированных ответов; метаданные также отмечают интерфейс для вызова инструментов. Она использует библиотеку Transformers и распространяется в формате safetensors. В README и метаданных не описаны отдельная специализация, языковой охват и результаты оценки качества, поэтому конкретные сценарии требуют проверки на собственных данных. Лицензия в предоставленных источниках не указана.

Biggiraffe дообучил диалоговую модель kakaocorp/kanana-1.5-8b-instruct-2505, основанную на плотной архитектуре Llama. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Модель предназначена для диалогов и генерации текста. Базовая Kanana также рассчитана на программирование, математику и работу с инструментами, однако карточка этого варианта не описывает, как именно дообучение на Persona изменило его поведение или для каких конкретных сценариев оно проводилось. Модель распространяется по лицензии Apache-2.0.

JeongMinMin/kanana-1.5-8b-instruct-2505-Persona-Merged — диалоговая текстовая модель, дообученная на базе kakaocorp/kanana-1.5-8b-instruct-2505. Она предназначена для генерации ответов в чате и работы с запросами на естественном языке; метаданные также указывают интерфейс вызова инструментов. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Контекст — до 32 768 токенов; формат весов — safetensors. Модель разработал JeongMinMin, используя Unsloth и библиотеку TRL от Hugging Face для ускорения обучения. В карточке указана лицензия Apache-2.0. Указанный в метаданных язык — английский; сведений о специальной настройке на другие языки нет.

Модель Jhjhugv/kanana-1.5-8b-instruct-2505-Safe-DPO опубликована разработчиком Jhjhugv и представлена как дообученная разговорная языковая модель семейства Llama. Она предназначена для генерации текста в диалогах; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что модель дообучена на Jhjhugv/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. Доступны веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает конкретные тесты качества или подробные ограничения; метаданные указывают английский язык.

Taewan123/kanana-1.5-8b-instruct-2505-Safe-DPO — разговорная плотная Llama-модель, опубликованная Taewan123. Карточка описывает её как дообученную модель, обученную с использованием Unsloth и библиотеки TRL; метаданные указывают 7,5 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах. Она принимает текст и выдаёт текст; в метаданных также отмечен интерфейс для вызова инструментов. Указана поддержка английского языка. Лицензия — Apache-2.0. Карточка называет базовой моделью тот же репозиторий, что и сама модель, поэтому независимую базовую модель установить по предоставленным данным нельзя. Специальные ограничения качества или области применения не описаны.

kuno-royale-7B — языковая модель семейства Mistral, созданная core-3 слиянием двух моделей: SanjiWatsuki/Kunoichi-DPO-v2-7B и eren23/ogno-monarch-jaskier-merge-7b. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста, диалогов и ответов на вопросы. В README приведены результаты на наборах ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K; эти оценки характеризуют указанные тесты, но сами по себе не гарантируют качество в конкретных приложениях. Весовые файлы доступны в формате safetensors. Лицензия CC BY-NC 2.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. Карточка краткая и не сообщает целевые языки или подробные ограничения поведения модели.

LFM2.5-1.2B-Thinking-ToMoE-GGUF — набор GGUF-квантизаций модели, опубликованный Nichonauta. Основа — LiquidAI/LFM2.5-1.2B-Thinking, преобразованная в ToMoE Mixture-of-Experts. Модель предназначена для генерации текста и задач, требующих рассуждений; поддерживает нативное поведение с блоком <think>. Указаны языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Модель рассчитана на локальный запуск через llama.cpp, включая сценарии on-device с объёмом хранения менее 1 ГБ. Доступны варианты BF16 размером 2343 МБ, Q8_0 размером 1186 МБ и Q4_K_M размером 695 МБ. Рекомендуемый контекст — до 32768 токенов. В README не указаны точные параметры архитектуры и число активных экспертов; размер модели обозначен как 1.2B в названии базовой модели. Для Q4_K_M заявлена скорость около 302 токенов в секунду на RTX 3060, для Q8_0 — около 212, для BF16 — около 125. Важное ограничение GGUF-версии заключается в том, что llama.cpp не поддерживает нативные ToMoE-эксперты и динамические V-маски. Поэтому модель восстановлена как плотный эквивалент и по поведению соответствует плотной базовой модели, а не исходной MoE-версии. Для использования настоящего MoE требуется версия safetensors с параметром trust_remote_code. Производительностью и компактностью особенно выделяется Q4_K_M, однако квантизация может снижать точность по сравнению с BF16. Производная распространяется по лицензии LFM Open License v1.0; ссылка на лицензию указана в карточке модели.

LFM2.5-2.6B-MLX-8bit — компактная многоязычная языковая модель, разработанная Liquid AI. Это экспорт модели LFM2.5-2.6B в формате MLX, предназначенный для эффективного вывода на устройствах Apple Silicon. Модель относится к задачам генерации текста и может использоваться для диалога, создания и продолжения текстов, ответов на вопросы и других сценариев локального инференса. Модель содержит 2,6 млрд параметров, использует 8-битную точность с group size 64 и занимает около 2,67 ГБ. Архитектура Liquid AI объединяет сверточные и attention-слои, что ориентировано на эффективную обработку длинного контекста; заявленная длина контекста составляет 131 072 токена. Поддерживаются арабский, китайский, английский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, русский, испанский, тайский и вьетнамский языки. К сильным сторонам относятся компактный размер, 8-битное представление, поддержка длинного контекста и оптимизация для Apple Silicon через MLX. Ограничения включают зависимость от экосистемы MLX и устройств Apple Silicon, а также возможные компромиссы между качеством и экономией памяти из-за квантования; конкретные показатели качества в README не указаны. Модель распространяется по лицензии LFM 1.0.

Это квантизированная в формате GGUF версия инструкционной модели Llama-3.1-8B-Instruct, разработанной Meta и подготовленной ByteShape с использованием метода ShapeLearn. ShapeLearn подбирает тип данных отдельно для каждого тензора, чтобы сохранять высокое качество при малой разрядности. Модель предназначена для генерации текста и диалоговых сценариев, а также для локального запуска через llama.cpp или Ollama на CPU и GPU. Модель содержит 8 миллиардов параметров, работает только с текстом и заявлена для английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Доступны варианты KQ, оптимизированные для CPU, и IQ, ориентированные на современные Nvidia GPU; размер файлов составляет примерно 2,56–4,33 ГБ, а средняя разрядность — от 2,54 до 4,31 бит на вес. Разные варианты предлагают компромисс между скоростью, размером и качеством, однако README не указывает размер контекстного окна и не приводит подробностей об ограничениях качества или безопасности. Основные преимущества — возможность локального запуска, широкий выбор уровней квантизации и оптимизация под разные аппаратные платформы при сохранении качества исходной модели. Ограничения связаны с потерями качества, неизбежными при низкой разрядности, а также с тем, что эффективность зависит от выбранного варианта и оборудования. Модель распространяется по лицензии llama3.1.

Это языковая модель семейства Llama 3.2 с 3,2 млрд параметров, дообученная jeehun на базе unsloth/llama-3.2-3b-instruct-bnb-4bit. Модель предназначена для генерации текста и диалоговых сценариев; в карточке также отмечен интерфейс для вызова инструментов. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель принимает текст и генерирует текст. Метаданные указывают поддержку английского языка и контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

lmstudio-community/Llama-3.2-3B-Instruct-GGUF — квантованная версия инструкционной модели Meta Llama 3.2 3B Instruct, подготовленная сообществом lmstudio-community; квантование выполнено bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая выполнение пользовательских инструкций, ответы на вопросы и использование в локальных приложениях через совместимые инструменты для GGUF. Модель относится к семейству больших языковых моделей Llama и работает с текстовой модальностью. В README указаны размер 3B параметров и поддерживаемые языки: английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Архитектурные детали, размер контекстного окна и конкретный уровень квантования в предоставленных данных не указаны. К сильным сторонам относятся компактный размер, инструкционное дообучение и возможность использования в локальной инфраструктуре с меньшими требованиями к ресурсам по сравнению с более крупными моделями. Ограничения включают неизвестные из README характеристики производительности, контекста и точности, а также типичные для генеративных языковых моделей риски неточных или нежелательных ответов. Модель распространяется на условиях Llama 3.2 Community License от Meta. Лицензия требует соблюдения Acceptable Use Policy, указания атрибуции и условий «Built with Llama» при распространении соответствующих материалов или продуктов; для организаций с более чем 700 миллионами ежемесячных активных пользователей предусмотрено дополнительное лицензионное ограничение.

legraphista/Llama-3.2-3B-Instruct-IMat-GGUF — это GGUF-версия инструкционно дообученной языковой модели Llama 3.2 3B Instruct, разработанной Meta и опубликованной пользователем legraphista. Модель предназначена для диалоговых приложений, генерации и преобразования текста, ответов на инструкции и локального запуска через совместимые инструменты инференса. Обозначение IMat указывает на вариант упаковки или представления модели, однако точная схема квантования в предоставленных данных не указана. Модель относится к семейству Llama 3.2 и содержит около 3 миллиардов параметров. Она является текстовой, но сведения о поддерживаемых языках, размере контекстного окна, конкретной архитектуре квантования и результатах тестирования в README не приведены. Компактный размер может быть удобен для запуска на локальном оборудовании с ограниченными ресурсами, однако по возможностям и качеству генерации модель уступает более крупным системам. Использование и распространение регулируются Llama 3.2 Community License от Meta. При распространении материалов или производных продуктов требуется включать текст лицензии и обозначение «Built with Llama», сохранять предусмотренное уведомление об авторских правах и соблюдать Acceptable Use Policy. Для продуктов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено дополнительное лицензирование Meta.

Llama3-Crab-DPO — англоязычная плотная авторегрессионная языковая модель семейства Llama 3, разработанная Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou и Juanzi Li. Модель дообучена на основе Llama3-8B с применением метода CRAB, который добавляет к инструкциям сложные ограничения, уже соблюдённые в исходных ответах, и направлен на улучшение следования таким инструкциям. Модель предназначена для генерации текста по инструкциям с несколькими требованиями, включая заданные формат и длину ответа. Она имеет 7,5 млрд параметров и контекстное окно 8192 токена; поддерживает английский язык и распространяется в формате PyTorch. Лицензия — Apache-2.0.

Llama-3-Orca-1.0-8B-GGUF — квантизированная версия текстовой генеративной модели Llama-3-Orca-1.0-8B, разработанной Locutusque и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для локального запуска через llama.cpp и совместимые inference-движки, а также для генерации ответов в диалоговом формате. В обучении использовались наборы Open-Orca/SlimOrca-Dedup, jondurbin/airoboros-3.2, microsoft/orca-math-word-problems-200k, m-a-p/Code-Feedback и MaziyarPanahi/WizardLM_evol_instruct_V2_196k. Модель содержит 8 миллиардов параметров и работает только с текстом. В репозитории представлены варианты квантизации от Q8_0 до IQ1_S, что позволяет выбирать баланс между качеством и требованиями к памяти; наиболее предпочтительными в README названы Q6_K, Q5_K_M, Q5_K_S и ряд вариантов Q4. Доступны файлы размером примерно от 2 до 8,5 ГБ. Для общения используется шаблон с ролями system, user и assistant на основе специальных токенов Llama 3. Сильной стороной модели является возможность локального запуска на устройствах с ограниченными ресурсами и выбор уровня квантизации. При уменьшении разрядности снижаются требования к памяти, но ухудшается качество генерации; варианты IQ1 и некоторые Q3/Q2 обозначены как низкокачественные или нерекомендуемые. Длина контекста, поддерживаемые языки и точные показатели качества в README не указаны. Лицензия обозначена как other, без дополнительных условий в предоставленных данных.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune с архитектурой AdapterMoELLaVAQwen3ForCausalLM. Модель содержит 1,7 млрд параметров, принимает текст и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Максимальная длина контекста — 40 960 токенов. Модель загружается через Transformers, веса представлены в форматах PyTorch и safetensors. Датасет дообучения не описан, поэтому конкретные специализации и качество для отдельных сценариев оценить нельзя. Лицензия — Apache-2.0.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune, разработанная KKHYA. Модель с архитектурой AdapterMoELLaVAQwen3ForCausalLM содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов. Она принимает текст и формирует текстовые ответы; метаданные также указывают поддержку интерфейса вызова инструментов. Модель использует библиотеку Transformers, веса доступны в форматах PyTorch и Safetensors. Длина контекста составляет 40 960 токенов. Указана лицензия Apache-2.0. Данные о специализированной области применения и обучающем датасете отсутствуют, поэтому качество для конкретных предметных задач оценить нельзя.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune, разработанная KKHYA и содержащая 1,7 млрд параметров. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов. Данные обучения и специальные сценарии применения в карточке не описаны. Модель распространяется под лицензией Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune, предназначенная для генерации текста и диалогов. В метаданных указаны архитектура NMMaskMoELLaVAQwen3ForCausalLM, 1,7 млрд параметров и контекст до 40 960 токенов; модель доступна в форматах PyTorch и Safetensors и поддерживает интерфейс вызова инструментов. Датасет дообучения и подробные сценарии применения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.