II.1Анализ требований и архитектура ПО

Карточка модели localized-ft/OLMo-3-7B-german-city-names-first-third-v2-sft-seed3-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-v2-kld-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-inoculation-prompting-seed2 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-kld-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-last-third-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-last-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-good-vs-bad-mixed-multifact-second-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-old-bird-names-last-third-v2-sft-seed3-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-old-bird-names-second-third-v2-sft-seed4-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-old-bird-names-v2-inoculation-prompting-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-old-bird-names-v2-kld-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-last-third-sft-seed5-epoch3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Pretergeek создал экспериментальную модификацию диалоговой модели OpenChat-3.5-0106 на архитектуре Mistral. Веса расширены до 8,9 млрд параметров добавлением новых слоёв в конец модели методом passthrough, основанным на расширении блоков. По словам автора, после добавления слоёв модель не дообучалась и должна работать близко к исходной модели. Модель предназначена для диалогов и генерации текста, в том числе ответов на общие вопросы, программирования и математических рассуждений — задач, поддерживаемых базовой моделью OpenChat. Контекст составляет 8192 токена. Репозиторий содержит веса в формате Safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Это экспериментальная архитектурная модификация, а не подтверждённое улучшение исходной модели: автор предполагает, что дообучение добавленных слоёв может усилить рассуждения, но в опубликованной версии оно не проводилось. Оценки в README относятся к указанным бенчмаркам и сами по себе не подтверждают преимущество над базовой моделью.

bartowski/openchat-3.6-8b-20240522-GGUF — это набор GGUF-квантизаций языковой модели OpenChat 3.6 8B, разработанной командой OpenChat на базе Meta-Llama-3-8B. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы пользователя, при работе через llama.cpp и совместимые инструменты. Для корректного взаимодействия README указывает специальный шаблон промпта с ролями GPT4 Correct User и GPT4 Correct Assistant. Модель содержит около 8 миллиардов параметров в исходной версии и распространяется в нескольких вариантах квантизации от Q8_0 до IQ1_S, размером примерно от 2,01 до 8,54 ГБ. Варианты с более высокой разрядностью обычно обеспечивают лучшее качество, а компактные варианты снижают требования к оперативной памяти. В README рекомендуются, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и некоторые IQ-варианты; наиболее сильно сжатые версии характеризуются заметным снижением качества. Сильная сторона набора — возможность локального запуска на системах с разным объёмом памяти при сохранении формата GGUF и совместимости с llama.cpp. Ограничения включают потери качества, зависящие от выбранной квантизации; сведения о поддерживаемых языках, размере контекстного окна, мультимодальности, результатах тестирования и специализированных ограничениях в README не указаны. Лицензия обозначена как llama3.

Ornith-1.5-35B-A3B Abliterated — CyberTiel-Calibrated MTPv2 ICE — это модель для генерации текста в формате GGUF, разработанная на основе huihui-ai/Huihui-Ornith-1.5-35B-A3B-abliterated с использованием материалов peculiar-ragdoll/Cyber-Tiel-Coder-35B-A3B-GGUF-MTP. Модель предназначена для запуска через llama.cpp и других совместимых инструментов. Указаны поддерживаемые языки English и Chinese. Модель использует архитектуру MoE с заявленным размером 35B и примерно 3B активных параметров, а также собственную обученную MTPv2 head. В репозитории доступны несколько ICE-квантовок размером примерно от 18,82 до 24,85 ГБ и мастер-версия BF16 размером 71,07 ГБ. Встроены шаблон чата Qwen-Sharp v22.4.1 и importance matrix, согласованная с исходной моделью. Рекомендуемый вариант 23G-ICE занимает 22,84 ГБ и рассчитан на системы с 24–32 ГБ совокупной RAM и VRAM; фактический доступный контекст зависит от оборудования и выбранного квантования. Сильными сторонами являются несколько вариантов квантования с разным балансом качества и требований к памяти, хорошие результаты измерений на английском тексте и коде, а также оптимизация для локального запуска. Ограничения включают потерю качества при более агрессивном квантовании и отсутствие гарантированного поведения в задачах, языках и контекстах, не представленных в README. Это abliterated-модель с подавленным поведением отказа, поэтому она может выполнять запросы, от которых стандартная модель отказалась бы; запуск требует изоляции и контроля доступа к сети и выполнению кода. Модель распространяется по лицензии MIT.

Oumuamua-7b-instruct — созданная nitky объединённая модель на архитектуре Mistral для генерации текста по инструкциям и диалогов. Она получена методом Model Stock с помощью mergekit на основе nitky/Oumuamua-7b-base; в объединение вошли японские и англоязычные модели, включая Mistral-7B-Instruct-v0.3, Japanese StableLM и Swallow. Модель содержит 7,2 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации ответов в формате инструкций [INST] и может использоваться в текстовом интерфейсе или локальном окружении, совместимом с Transformers. Автор проверял её в text-generation-webui и рекомендует формат промпта из карточки; для генерации указана температура 0,3. В метаданных перечислены японский и английский языки. Лицензия — Apache-2.0.

Phi-3.5-mini-instruct_Uncensored-GGUF — это квантизированная версия инструкционной текстовой языковой модели Phi-3.5-mini-instruct_Uncensored, разработанной SicariusSicariiStuff и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев; запуск возможен через llama.cpp и совместимые приложения, включая LM Studio. В README указан специальный формат промпта с ролями system, user и assistant. Доступны варианты от исходных весов F16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3, Q2 и IQ. Размер файлов составляет примерно от 1,42 до 7,64 ГБ, что позволяет выбирать между качеством ответов и требованиями к памяти. Для квантизации использовался llama.cpp b3600 с методом imatrix. Более высокие варианты, включая Q6 и Q5, характеризуются как обеспечивающие очень высокое или высокое качество, тогда как Q2 и Q3 экономят память ценой заметного снижения качества. README не содержит сведений о точном числе параметров, архитектуре, длине контекста, поддерживаемых языках или мультимодальности. Модель распространяется по лицензии Apache-2.0.

QandoraExp-7B-Persona — объединённая плотная языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом passthrough из bunnycore/QandoraExp-7B и bunnycore/Qwen-2.1-7b-Persona-lora_model. Модель содержит 7,1 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и сценариев с вызовом инструментов. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH; эти оценки дают ориентир по отдельным тестам, но не гарантируют качество в конкретном приложении. Языки и специализированные предметные области в доступных данных не обозначены. Лицензия в предоставленных сведениях не указана.

NIEWEN/qwen15b-code-merged-v2 — компактная языковая модель для генерации текста, опубликованная на Hugging Face. По метаданным она связана с семейством Qwen2 и предназначена для использования через библиотеку Transformers. Модель содержит 1,5 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Тег conversational указывает на возможность применения в диалоговых сценариях, а pipeline text-generation — на генерацию текстовых продолжений и ответов. Карточка модели не содержит сведений о разработчике, языках, лицензии, данных обучения, результатах оценки или специализированных ограничениях. Поэтому условия использования и пригодность для конкретных прикладных задач необходимо дополнительно проверять перед применением.

bunnycore/Qwen-2.5-3b-Evol-CoT-V3 — языковая модель на архитектуре Qwen2.5, созданная разработчиком bunnycore с помощью слияния предварительно обученных моделей методом Model Stock через mergekit. В состав вошли варианты Evol-CoT, RP и Mix-Data-lora; в качестве основы указаны Qwen/Qwen2.5-3B и адаптированные модели bunnycore. Модель предназначена для генерации текста и диалогового применения. Она содержит 3,1 млрд параметров, работает с текстом и имеет контекстное окно до 32 768 токенов. В карточке не указаны специализация по естественным языкам и конкретные предметные области. Модель распространяется в формате safetensors. Условия лицензии в предоставленных данных не приведены.

Qwen3-14B-Base — базовая причинно-авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это плотная модель с 14,8 млрд параметров и 40 слоями; она обучена на этапе предварительного обучения и предназначена для продолжения обучения и генерации текста на основе контекста. Архитектура использует групповое внимание с 40 головами запросов и 8 головами ключей и значений. Длина контекста — 32 768 токенов. Модель подходит для языкового моделирования, генерации текста, а также для задач, связанных с кодом, STEM, логическими рассуждениями и многоязычными данными. Семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; это описание относится к обучающему корпусу семейства и не гарантирует одинаковое качество на каждом языке. В метаданных указаны интерфейсы чата и вызова инструментов, однако вариант Base прошёл предварительное обучение, поэтому эти возможности не означают, что он настроен как готовый диалоговый ассистент. Для работы предусмотрена библиотека Transformers; в README рекомендуется актуальная версия, поскольку версии ниже 4.51.0 не распознают архитектуру qwen3. Модель распространяется по лицензии Apache-2.0. Для развёртывания нужна инфраструктура, способная обслуживать модель такого размера; конкретные требования к памяти в предоставленных данных не приведены.

Qwen3-30B-A1.5B-High-Speed — текстовая MoE-модель, которую DavidAU дообучил на основе Qwen/Qwen3-30B-A3B-Base. Вариант использует четыре эксперта из 128 вместо восьми, что, по заявлению автора, примерно вдвое повышает скорость генерации; README сообщает об использовании 1,5 млрд активных параметров из 30 млрд, тогда как метаданные указывают 2,6 млрд параметров. Модель предназначена для диалогов и генерации текста, а также поддерживает интерфейс вызова инструментов. Автор сообщает о контексте 32K токенов и дополнительных 8K для вывода; метаданные каталога указывают нативное окно в 40 960 токенов. Репозиторий содержит веса SafeTensors для использования через Transformers и как исходник для создания квантованных вариантов. Автор приводит примеры прироста скорости на CPU и GPU, но отмечает, что тестирование качества было ограниченным и более сложные задачи могут лучше работать на обычном варианте или версии с большим числом активных экспертов. Для запуска предлагается использовать шаблон Jinja или ChatML. Модель многоязычная, но конкретные языки в карточке не перечислены. Лицензия в предоставленных данных не указана.

Карточка модели localized-ft/Qwen3-32B-school-of-reward-hacks-kld-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

DavidAU/Qwen3-4B-Gemini-TripleX-High-Reasoning-Thinking-Heretic-Uncensored-GGUF — текстовая генеративная модель для задач диалога, ролевого взаимодействия, написания художественных текстов, программирования, математики, обучения и ответов на вопросы. Она создана DavidAU на основе объединения трёх дистиллированных моделей TeichAI, производных от Qwen3-4B-Thinking-2507 и ориентированных на reasoning-возможности Gemini 3 Pro Preview, Gemini 2.5 Flash и Gemini 2.5 Flash Lite Preview. Модель предназначена для генерации текста, включая связную прозу, развитие сюжетов и сцен, научную фантастику, романтические произведения, хоррор и другие жанры. В README заявлены сжатое рассуждение, контекст до 256K токенов и поддержка английского языка. Модель распространяется в формате GGUF; для работы с некоторыми интерфейсами требуется совместимая конфигурация, а автор рекомендует использовать smoothing factor 1.5 или альтернативно repetition penalty в диапазоне 1.1–1.15. К заявленным особенностям относятся сниженный уровень отказов и отсутствие обычных ограничений на содержание, включая NSFW-материалы, однако эти характеристики основаны на описании автора и могут зависеть от конкретной задачи и настроек. README не содержит подробных сведений о точной архитектуре объединения, количестве параметров сверх обозначения 4B, доступных квантизациях и объективных результатах тестирования. Лицензия модели — Apache 2.0.

Qwen3-4B-Instruct-2507 LiteRT-LM — это оптимизированный для локальной генерации текста вариант модели Qwen3-4B-Instruct-2507, разработанный сообществом LiteRT-LM на основе чекпойнта Qwen. Модель предназначена для запуска непосредственно на устройствах, включая настольные GPU и Android-смартфоны, через runtime LiteRT-LM и подходящие GPU- или CPU-бэкенды. Указанный сценарий применения — текстовая генерация и интеграция в продукты с on-device AI. Доступный артефакт имеет размер около 2536 MiB и поддерживает контекст длиной 2048 токенов. Он использует смешанное квантование: веса подходящих линейных проекций представлены в blockwise INT4 с размером группы 32, эмбеддинги токенов — в weight-only INT8, а нормализации, операции редукции и KV-кэш сохраняются в формате с плавающей точкой. Для выполнения внимания и работы с кэшем применяются StableHLO composite ops LiteRT-LM. В README заявлен английский язык; другие языки не указаны. Сильными сторонами являются уменьшенный размер, возможность локального запуска и высокая производительность на совместимом GPU: в приведённых измерениях на Samsung Galaxy S26 достигнуты примерно 306 токенов/с на этапе prefill и 19,9 токена/с при декодировании, при этом пиковое потребление памяти составило около 1,53 ГБ. Производительность и потребление памяти зависят от устройства, версии runtime, бэкенда, термального состояния и настроек. Ограничениями являются контекст в 2048 токенов, необходимость совместимого LiteRT-LM окружения и заметное время инициализации GPU. Модель распространяется по лицензии Apache-2.0.

Это GGUF-квантизация текстовой модели Qwen3.6-12B-IQ-Ultra-Heretic-Uncensored-Thinking-V2-Hightop. Квантизации подготовлены пользователем larue316 на основе модели DavidAU с использованием llama.cpp b9192. Модель имеет около 12 млрд параметров и ориентирована на генерацию текста с поддержкой рассуждений; заявленные языки — английский и китайский. Модель предназначена для локального запуска и использования в совместимых движках вывода, включая LM Studio, llama.cpp, Ollama и другие системы с поддержкой GGUF. Доступны варианты квантизации от Q8_0 размером 11,57 ГБ до Q2_K размером 4,60 ГБ, что позволяет выбирать между качеством, требованиями к памяти и скоростью работы. В README отдельно отмечен вариант Q4_K_M как оптимальный баланс качества и размера. К сильным сторонам относятся широкий выбор квантизаций и возможность локального использования без исходной полноразмерной модели. Ограничения связаны с потерями качества, зависящими от выбранного уровня квантизации; для наиболее компактных вариантов качество указано как приемлемое или минимально пригодное. Архитектура, размер контекстного окна, мультимодальные возможности и точные характеристики обучения в README не указаны. Лицензия модели — Apache 2.0.

Это семейство из четырёх вариантов модели Qwen3.6-27B-Fable-Fusion-711-Uncensored-Heretic-NM-DAU-MTP, подготовленное esatapedico в формате GGUF. Репозиторий объединяет NVFP4-веса основного трансформера с вариантами квантования выходного слоя, эмбеддингов и встроенной MTP-головы; размеры файлов составляют примерно 15,49–19,65 ГБ. Базовая архитектура — плотная модель на 27 млрд параметров с 64 слоями и гибридной схемой Gated DeltaNet и Gated Attention; исходный контекст — 262 144 токена. Модель предназначена для генерации текста и диалогов, а встроенная MTP-голова позволяет использовать спекулятивное декодирование в llama.cpp. Основные GGUF-файлы текстовые; для анализа изображений требуется отдельно подключить совместимый vision projector из указанного в карточке репозитория DavidAU. Карточка описывает английскую и многоязычную поддержку. NVFP4-веса рассчитаны на экономию памяти, а варианты с более точным выходным слоем призваны уменьшить ошибки квантования; автор приводит лишь предварительные наблюдения, а не полноценные бенчмарки. Лицензия — Apache-2.0.