II.1Анализ требований и архитектура ПО

HappyLlama1 — разговорная текстовая модель, дообученная ehristoforu на базе voidful/Llama-3.2-8B-Instruct с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и ведения диалогов; метаданные также указывают интерфейс вызова инструментов. Модель семейства Llama использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131072 токенов. В карточке приведены результаты оценок Open LLM Leaderboard: средний балл 26,04, IFEval — 73,63, BBH — 28,50. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения или отдельные гарантии качества, поэтому применимость к конкретным задачам стоит оценивать по собственным примерам.

DevQuasar-7/huihui-ai.DeepSeek-R1-Distill-Qwen-7B-abliterated-GGUF — квантованная версия модели huihui-ai/DeepSeek-R1-Distill-Qwen-7B-abliterated, опубликованная под брендом DevQuasar. Модель предназначена для генерации текста и относится к семейству DeepSeek-R1-Distill-Qwen-7B; формат GGUF ориентирован на использование в совместимых локальных инструментах инференса. Из доступных данных известно, что модель поддерживает сценарии текстовой генерации, однако сведения об архитектуре, конкретном размере квантования, языках, длине контекста, модальностях, сильных сторонах и ограничениях отсутствуют. Лицензия и условия использования в README также не указаны, поэтому их необходимо уточнить в исходном репозитории модели и у разработчиков.

Это набор GGUF-квантизованных файлов модели huihui-ai/Qwen2.5-7B-Instruct-abliterated-v2, подготовленный и опубликованный командой featherless-ai-quants. Модель относится к классу text-generation и предназначена для генерации текста в диалоговых и инструкционных сценариях, включая локальный запуск совместимых языковых моделей. Суффикс abliterated-v2 является частью названия базовой модели; README не раскрывает подробности её обучения или модификаций. В основе лежит модель Qwen2.5 с 7 млрд параметров в instruct-варианте. Доступны квантизации 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 2,9 до 7,7 ГБ. Квантизация позволяет выбирать баланс между требованиями к памяти и сохранением качества, однако README не содержит данных о поддерживаемых языках, размере контекстного окна, архитектурных деталях, модальностях, производительности или результатах сравнительных тестов. Сильной стороной набора является широкий выбор форматов GGUF, подходящих для различных аппаратных конфигураций. Ограничения включают отсутствие подробной информации о качестве, безопасности, рекомендуемых параметрах запуска и лицензии. Условия лицензирования в README не указаны.

Huihui-Devstral-Small-2-24B-Instruct-2512-abliterated-mlx-4bit — это 4-битная квантизованная версия модели Huihui-Devstral-Small-2-24B-Instruct-2512-abliterated, опубликованная пользователем veeceey на базе модели huihui-ai. Модель предназначена для генерации текста и диалогового применения, а также может использоваться в сценариях, где требуется выполнение инструкций. Суффикс abliterated указывает на изменённую версию исходной модели, а uncensored в метаданных — на заявленное отсутствие части ограничений, однако подробности этих изменений не приведены. Модель рассчитана на запуск с библиотекой MLX и использует 4-битное представление весов, что может снизить требования к памяти по сравнению с полноразмерной версией. В названии указано 24 миллиарда параметров и принадлежность к семейству Devstral Small 2; точная архитектура, поддерживаемые языки, размер контекста и мультимодальные возможности в предоставленных данных не указаны. Лицензия — Apache 2.0, но перед использованием изменённой версии следует также проверить условия лицензии базовой модели и применимые ограничения.

Hypa-Llama-SNAC-ASR-run1-colab-16bit — дообученная hypaai модель генерации текста на архитектуре Llama, созданная на базе hypaai/Hypa-Llama3.1-8b-SFT. В репозитории указаны 7,6 млрд параметров, контекст 2048 токенов и формат safetensors; обучение проводилось с Unsloth и библиотекой TRL. Модель предназначена для диалоговой генерации текста и работы с интерфейсом вызова инструментов. Название содержит SNAC и ASR, однако карточка не описывает распознавание речи или аудиовход, поэтому подтвердить такие сценарии по предоставленным данным нельзя. Указана лицензия Apache-2.0.

I-DLM-8B — языковая модель диффузионного типа с 7,6 млрд параметров, созданная командой проекта I-DLM на основе Qwen3-8B. Модель предназначена для генерации текста и диалогов; её метод Introspective Strided Decoding позволяет генерировать и проверять токены параллельно. В карточке заявлено качество, сопоставимое с авторегрессионными моделями того же масштаба на 15 бенчмарках, а также повышенная пропускная способность при высокой параллельной нагрузке. Для воспроизведения результатов авторы рекомендуют конвейер ISD на базе SGLang, поддерживающий пакетную обработку и KV-кэш. Прямая загрузка через Transformers пока не поддерживается для воспроизведения результатов статьи. Контекст модели — до 40 960 токенов; веса представлены в формате safetensors. Лицензия — Apache-2.0.

DevQuasar/inclusionAI.Ling-1T-GGUF — квантованная версия модели inclusionAI/Ling-1T, опубликованная в формате GGUF. Разработчиком исходной модели указана организация inclusionAI, а данная версия подготовлена в рамках проекта DevQuasar. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется локальный или более ресурсоэффективный запуск языковой модели. Квантование обычно снижает требования к памяти по сравнению с исходной версией, однако README не содержит сведений о конкретном методе квантования, поддерживаемых языках, размере контекста, архитектуре, фактическом размере модели, модальностях, производительности и ограничениях качества. Лицензия в предоставленных данных не указана.

informatiker-Qwen2-7B-Instruct-abliterated-GGUF — это набор GGUF-квантизаций модели informatiker/Qwen2-7B-Instruct-abliterated. В README указано, что квантизации подготовлены командой featherless-ai-quants; исходная модель основана на Qwen2-7B-Instruct. Модель предназначена для генерации текста и использования в сценариях, поддерживающих формат GGUF. 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. Размер файлов составляет примерно от 2,9 до 7,7 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Архитектура, точный размер контекста, поддерживаемые языки и модальности в README не указаны; по назначению это текстовая, а не мультимодальная модель. Основное преимущество набора — возможность локального или совместимого с GGUF запуска с выбором степени квантизации. Более компактные варианты требуют меньше памяти, но потенциально сильнее уступают исходной модели по качеству; README не содержит результатов бенчмарков или подробностей о характеристиках abliteration. Лицензия модели и условия использования в предоставленных данных не указаны.

Fkazi/inframap-disaster-slm — дообученная Fkazi языковая модель семейства Llama 3.2 с плотной архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она основана на unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit и предназначена для генерации текста и диалогового взаимодействия. При обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель принимает текст и генерирует текст; заявлены английский язык и контекст длиной до 131 072 токенов. В метаданных также указана возможность интерфейса вызова инструментов. Репозиторий распространяется по лицензии Apache-2.0. README не описывает специализацию на disaster-сценариях или результаты оценки качества, поэтому такие возможности нельзя подтвердить по доступным сведениям.

Модель braindao/iq-code-evmind-0.5b — компактная языковая модель семейства Qwen2, разработанная braindao как дообучение braindao/iq-code-evmind-0.5b-instruct-v0.2411.4. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Модель содержит 494 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка сообщает об обучении с использованием Unsloth и TRL. README не описывает специализированную область применения или результаты оценки качества, поэтому её стоит рассматривать как компактную модель общего назначения, а качество ответов и вызова инструментов проверять на целевых задачах.

Jarvis v2 — разговорная генеративная модель, разработанная Yug Sisodiya и обученная и собранная в студии J.A.R.V.I.S. Neural Forge. Автор описывает её как самостоятельную модель на архитектуре jarvis-grand-architecture; веса доступны в формате GGUF, а запуск предусмотрен через Ollama и локальные конвейеры инференса. Модель предназначена для интерактивного диалога, рассуждений в разных областях и решения пользовательских задач. Заявлено контекстное окно в 131072 токена и оптимизация для низкой задержки. В карточке указана поддержка английского языка. Лицензия — Apache-2.0. Описание архитектуры и возможностей дано разработчиком в общих формулировках; README не приводит оценок качества или результатов сравнительных тестов. Поэтому заявленные способности к рассуждению и производительность следует считать характеристиками из карточки, а не подтверждёнными бенчмарками.

JET-7B-i1-GGUF — квантованная версия языковой модели JinyiHan/JET-7B, подготовленная mradermacher в формате GGUF. Модель предназначена для генерации текста и задач, связанных с рассуждением; заявленный язык — английский. По типу это causal language model для работы с текстовыми данными. В набор входят варианты квантования i1 с разными уровнями сжатия и размерами файлов — примерно от 2,0 до 6,4 ГБ. Доступны форматы IQ и Q, включая IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_M и Q6_K. В README отмечается, что Q4_K_M рекомендуется как быстрый вариант, а Q4_K_S рассматривается как сбалансированный по размеру, скорости и качеству; более агрессивное квантование может заметно снижать качество. Архитектура, длина контекста, точные параметры модальности и дополнительные языки не указаны, поэтому модель следует рассматривать как текстовую и преимущественно англоязычную. Модель подходит для локального запуска в приложениях, поддерживающих GGUF, когда важны снижение требований к памяти и возможность выбора компромисса между качеством и размером. Ограничениями являются возможная потеря качества из-за квантования, особенно у малых вариантов, а также отсутствие в README подробных данных о бенчмарках, контекстном окне и специальных возможностях. Лицензия — Apache-2.0.

J.O.S.I.E.3-Beta12-7B-slerp — разговорная языковая модель Goekdeniz-Guelmez, предназначенная для диалогов и генерации текста в роли персонального ИИ-ассистента. Она создана слиянием Weyaxi/Einstein-v6-7B и argilla/CapybaraHermes-2.5-Mistral-7B, а затем дообучена на пользовательском наборе J.O.S.I.E.v3.11 с шаблоном запросов ChatML. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает английский, немецкий, испанский, французский, японский и китайский языки. Весы доступны в формате safetensors; README также упоминает GGUF-квантизации и запуск в Ollama, но сообщает, что пока доступен только вариант q4-k-m. Модель подходит для многоязычных диалогов и генерации ответов в формате чата. Репозиторий распространяется по лицензии Apache-2.0; качество ответов и возможности могут зависеть от используемого варианта весов и формата запуска.

Kagura-Llama-3.1-8B-Instruct — дообученная языковая модель разработчика idkwhyitsnotworking на основе unsloth/meta-llama-3.1-8b-instruct-unsloth-bnb-4bit. Это плотная авторегрессионная модель семейства Llama для генерации текста и диалогового общения; в метаданных также отмечен интерфейс вызова инструментов. Обучение проводилось с использованием Unsloth и библиотеки TRL. Модель подходит для генерации ответов в чате и сценариев, где требуется текстовый помощник. В карточке указаны 7,5 млрд параметров, контекст длиной до 131 072 токенов и поддержка английского языка. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не уточняет специализацию дообучения или результаты оценки качества.

Kanana 1.5 8B Base — базовая языковая модель семейства Kanana, разработанная Kakao Corp. Это плотная авторегрессионная модель на архитектуре Llama с 7,5 млрд параметров, предназначенная для генерации текста и использования в качестве основы для прикладных решений и дальнейшей настройки. Метаданные также указывают поддержку диалогового сценария. Модель подходит для продолжения и генерации текста на английском и корейском языках, включая задачи, связанные с кодом и математикой. Контекстная длина составляет 32 768 токенов; README описывает расширение до 128K с применением YaRN и изменением конфигурации. Kanana 1.5 развивает возможности семейства в программировании, математике и вызове функций, однако в этой карточке приведён именно вариант Base, поэтому качество этих сценариев не следует считать гарантированным без дополнительной настройки. Модель распространяется по лицензии Apache-2.0.

Biggiraffe/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная языковая модель, опубликованная Biggiraffe. Она основана на Llama и предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Карточка указывает лицензию Apache-2.0. Данные подтверждают поддержку английского языка; сведений о специализации на других языках или предметных областях нет.

Модель mgmbykai/kanana-1.5-8b-instruct-2505-Safe-DPO — дообученная автором mgmbykai разговорная языковая модель на архитектуре Llama с 7,5 млрд параметров. Она предназначена для генерации текста в диалоговом формате; метаданные также указывают интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов, а файлы весов представлены в формате Safetensors. Модель дообучена на базе mgmbykai/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. В карточке не описаны конкретные сценарии дообучения и результаты оценки качества. Лицензия — Apache-2.0; единственный явно отмеченный язык — английский.

Это дообученная разговорная модель yatokim на архитектуре Llama с 7,5 млрд параметров. Карточка указывает, что она создана на основе yatokim/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL. Модель предназначена для генерации текста в диалоге; метаданные также отмечают интерфейс вызова инструментов. Контекст — до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache 2.0. Карточка не описывает конкретные преимущества или результаты оценки качества, поэтому её пригодность для специализированных задач нужно проверять на собственных данных.

kappa-3-phi-abliterated-GGUF — это версия модели kappa-3-phi-abliterated в формате GGUF для локального запуска и инференса. Базовая модель создана failspy на основе Phi-3 4k Instruct, а файлы GGUF подготовлены и опубликованы afrideva. Модель относится к классу текстовых генеративных моделей и предназначена для диалогов, ответов на вопросы, решения широкого круга задач и генерации текста. Ключевая особенность kappa-3 — уменьшенная склонность к отказам по сравнению с исходной Phi-3 4k Instruct. В описании также заявлены адаптивность, решение прикладных и более сложных задач, а также повышение эффективности за счёт orthogonalization, однако независимые измерения этих свойств не приведены. Из доступных данных известны текстовая модальность, контекст порядка 4K токенов и распространение в формате GGUF; поддерживаемые языки, точный размер модели, архитектурные детали и конкретные уровни квантования не указаны. Модель может быть полезна для локальных приложений, чат-ботов и экспериментов, где важны автономный запуск и менее ограниченное поведение. Ограничениями являются отсутствие benchmark-результатов, неполная информация о языках и вариантах квантования, а также потенциально повышенный риск генерации небезопасного или нежелательного содержания из-за снижения способности к отказам. Лицензия модели указана как MIT.

jaspionjader/knfp-1 — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом SLERP из jaspionjader/knf-1-8b и Nekochu/Luminia-8B-RP. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она предназначена для генерации текста и диалоговых сценариев. Заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers; метаданные также указывают интерфейс для вызова инструментов. Модель можно применять для генерации ответов в чате и продолжения текста. Карточка не описывает отдельные языки, специальные предметные области или результаты оценки качества, поэтому такие свойства нельзя уточнить. Лицензия в предоставленных данных не указана.

allenai/led-base-16384 — базовая модель Longformer Encoder-Decoder (LED), разработанная AllenAI. Это плотный encoder-decoder-трансформер с 95,2 млн параметров, подготовленный на основе bart-base: матрица позиционных эмбеддингов BART была повторена, чтобы увеличить поддерживаемую длину входа до 16 384 токенов. Модель предназначена для генерации текста по текстовому входу, в частности для суммаризации длинных документов и ответов на вопросы по ним. LED можно дообучать для прикладных задач, требующих учитывать большие объёмы текста. В метаданных указаны реализации PyTorch и TensorFlow, а также поддержка английского языка. Модель распространяется по лицензии Apache-2.0.

Карточка модели titanbot/LeoLM-hessianai-13b на Hugging Face совпадает с карточкой LeoLM/leo-hessianai-13b, поэтому описание составлено по ней. LeoLM/leo-hessianai-13b — языковая модель с открытыми весами, разработанная Björn Plüster и Christoph Schuhmann совместно с LAION и HessianAI. Это плотный авторегрессионный трансформер-декодер семейства Llama, полученный продолжением предобучения meta-llama/Llama-2-13b-hf на большом корпусе немецкоязычных, преимущественно локальных текстов. Модель содержит 12,9 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста на немецком и английском языках, а также для исследований и прикладных разработок с немецкоязычными LLM. Она доступна для использования через Transformers в формате PyTorch. Лицензия — Llama 2 Community License Agreement; перед использованием следует учитывать её условия, в том числе применимые ограничения на коммерческое использование.

LFM2-24B-A2B-MLX-5bit — языковая модель для генерации текста, созданная LiquidAI и представленная в сообществе моделей LM Studio. Данная версия подготовлена командой LM Studio на основе оригинальной модели LiquidAI/LFM2-24B-A2B с использованием mlx_lm. Модель представляет собой 5-битную MLX-квантизированную версию, оптимизированную для работы на устройствах с Apple Silicon. В карточке указаны языки английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский. Заявленный сценарий применения — текстовая генерация; другие модальности, размер контекста и подробности архитектуры в README не описаны. К сильным сторонам относятся сниженный объём представления благодаря 5-битной квантизации и оптимизация под экосистему Apple Silicon, что делает модель подходящей для локального запуска на совместимых устройствах. Ограничения включают зависимость от MLX и Apple Silicon, а также возможную потерю точности по сравнению с исходной версией из-за квантизации. Модель распространяется по лицензии lfm1.0; в метаданных она обозначена как лицензия other.

LION-LLaMA-3-8b-sft-v1.0 — диалоговая языковая модель Columbia NLP, дообученная методом supervised fine-tuning (SFT) от meta-llama/Meta-Llama-3-8B в рамках серии LION. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 8192 токенов; репозиторий содержит веса в формате safetensors и предназначен для использования с Transformers. Модель рассчитана прежде всего на английский язык и генерацию ответов в диалоге. Её можно применять для чат-ботов, ответов на вопросы и генерации текста по запросу. Авторы описывают общий обучающий конвейер LION из SFT, DPO и онлайн-обучения предпочтениям; данный вариант обозначен как SFT-модель. В таблице оценки зависят от теста: модель показывает результаты, сопоставимые с instruct-моделью LLaMA-3-8B по OpenLLM, но ниже неё по Arena-Hard, AlpacaEval-2 и MT-Bench. Использование регулируется условиями LLaMA 3; перед развёртыванием следует соблюдать лицензию базовой модели.

winglian/Llama-2-3b-hf — языковая модель семейства Llama 2, опубликованная пользователем winglian в формате, совместимом с Hugging Face Transformers. Модель предназначена для авторегрессионной генерации текста и может использоваться через pipeline text-generation, а также в серверных инструментах vLLM и SGLang. По данным карточки и метаданных, модель содержит около 3,4 млрд параметров и поддерживает контекст длиной до 4096 токенов. Репозиторий содержит веса PyTorch и токенизатор.

Llama-3.1-70B-Instruct-lorablated — диалоговая языковая модель, созданная разработчиком mlabonne на основе Meta Llama 3.1 70B Instruct. Автор применил метод abliteration: извлёк LoRA-адаптер сравнением обычной и abliterated-моделей, затем объединил его с Llama 3.1 70B Instruct методом task arithmetic. В репозитории указаны архитектура Llama с плотной сетью, 69,5 млрд параметров и контекст до 131 072 токенов; модель распространяется в формате Safetensors и использует шаблон чата Llama 3. Модель предназначена для диалогов общего назначения и ролевых сценариев. Автор характеризует её как uncensored и отмечает хорошее качество по собственным тестам, однако приводит необходимость более строгой оценки влияния метода на результаты бенчмарков. Это может быть уместно учитывать при выборе модели для задач, где важны устойчивое качество и безопасное поведение. Лицензия — Llama 3.1; применяются условия Meta для этой лицензии. В метаданных заявлены возможности чата и интерфейс вызова инструментов. README не описывает отдельные языковые оценки или специальные прикладные области.

ferrazzipietro/Llama-3.1-8B-Instruct-reas-int-065-3-epochs-it — дообученная модель семейства Llama, созданная на основе meta-llama/Llama-3.1-8B-Instruct. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров для диалогов и генерации текста; в метаданных указана поддержка контекста до 131 072 токенов и библиотека Transformers. README не раскрывает датасет и конкретную специализацию дообучения, поэтому модель можно описать только как чат-модель общего назначения. Модель принимает текстовые запросы и выдаёт текстовые ответы. Базовая модель рассчитана на многоязычные диалоги, однако языки этой версии отдельно не перечислены. Модель распространяется в формате safetensors по лицензии Llama 3.1; условия лицензии следует проверить перед применением в конкретном проекте. Карточка не сообщает об оценках качества или ограничениях, связанных с дообучением.

ishala/llama-3.2-3b-instruct-indo-grpo — плотная языковая модель семейства Llama с 3,2 млрд параметров, разработанная ishala. Это дообученная версия ishala/llama-3.2-3b-instruct-indo-sft; при обучении использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалогов, а метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Заявленная длина контекста — 131 072 токена; в тегах карточки указан английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Llama-3-8B-Instruct-MopeyMule-IMat-GGUF — это квантизированная GGUF-версия инструкционной языковой модели failspy/Llama-3-8B-Instruct-MopeyMule. Модель подготовлена пользователем legraphista с помощью llama.cpp версии b3056 и предназначена для текстовой генерации и диалогового применения в совместимых инструментах, включая llama.cpp. В README указана поддержка английского языка. Модель основана на архитектуре Llama 3 с 8 млрд параметров; исходный тип данных — BF16. Доступны варианты от BF16 и F16 до Q1–Q8, включая квантизации с применением IMatrix, рассчитанные на снижение требований к памяти при локальном запуске. Для некоторых вариантов доступны файлы размером примерно от 3,18 до 16,07 ГБ. Мультимодальность и размер контекста в предоставленных данных не указаны. Основные преимущества — широкий выбор уровней квантизации, формат GGUF и применение IMatrix для ряда низкоразрядных вариантов, что может облегчать запуск на устройствах с ограниченными ресурсами. Ограничения включают отсутствие сведений о результатах тестирования, точных характеристиках контекста и качестве на конкретных задачах, а также возможное снижение точности при использовании сильной квантизации. Лицензия указана как llama3 с общей категорией other; перед использованием следует проверить условия лицензии исходной модели.

Это экспериментальная дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она содержит 1,7 млрд параметров и предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и safetensors. Модель принимает текст и выдаёт текст. Для неё указан контекст до 40 960 токенов; исходная модель относится к семейству Qwen3. Датасет дообучения неизвестен, поэтому специализацию и качество для конкретных областей установить нельзя. Лицензия — Apache-2.0.