II.1Анализ требований и архитектура ПО

Ministral-3-14B-Reasoning-2512-Uncensored-GGUF — квантизированная GGUF-версия модели Ministral-3-14B-Reasoning-2512-Uncensored, разработанной ccharnkij и подготовленной к квантизации mradermacher. Модель предназначена для генерации текста и задач, требующих рассуждений; заявлена поддержка мультимодальных сценариев image-text-to-text, включая обработку изображений через дополнительный multimodal projector. Указан английский язык. Модель относится к семейству Ministral и имеет размер 14 млрд параметров. Доступны варианты квантизации от Q2_K до Q8_0, а также IQ4_XS, с размером файлов примерно от 5,3 до 14,5 ГБ; варианты Q4_K_S и Q4_K_M обозначены как быстрые и рекомендуемые, а Q8_0 — как обеспечивающий наилучшее качество среди представленных. README не содержит сведений о размере контекста, точной архитектуре, результатах тестирования или практических ограничениях качества. Это uncensored-модификация, поэтому поведение модели с точки зрения безопасности и отказов следует дополнительно проверять перед применением. Модель распространяется по лицензии Apache-2.0. Для мультимодального использования требуются отдельные файлы mmproj в форматах Q8_0 или F16. README не уточняет системные требования, совместимые приложения и подробные инструкции по применению.

Ministral-3b-instruct-imatrix-GGUF — набор GGUF-квантизаций инструкционно дообученной языковой модели Ministral, опубликованный пользователем duyntnet. Модель основана на архитектуре семейства Mistral и предназначена для генерации текста и выполнения инструкций, включая локальный запуск через llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и Jan. Модель имеет около 3 млрд параметров, относится к GPT-подобным моделям и была дообучена на смеси общедоступных и синтетических наборов данных. Основной язык — английский. В репозитории представлены варианты в формате GGUF с imatrix-квантизацией, что ориентировано на более эффективное локальное использование при сниженных требованиях к памяти, хотя конкретные уровни квантизации и их характеристики не указаны. Сильными сторонами являются компактный размер, поддержка распространённых инструментов локального инференса и возможность работы на менее мощном оборудовании по сравнению с более крупными моделями. Ограничения включают преимущественно англоязычную направленность, отсутствие заявленной поддержки других модальностей и недостаток информации о контексте, точных характеристиках квантизации и результатах оценки качества. В исходном описании указана лицензия Apache 2.0; модель дообучена на базе Mistral-7B-v0.1.

Novocoders/Mistral-NeuralDPO-v0.6 — дообученная компанией Novocoders языковая модель Mistral для генерации текста. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста на основе текстового запроса. README не описывает специализированные сценарии или результаты оценки. Она дообучена на неизвестном наборе данных, поэтому её сильные стороны и ограничения для конкретных задач по имеющимся сведениям оценить нельзя. Доступна по лицензии Apache-2.0.

MobileMoE-L-SFT — англоязычная текстовая модель Meta для локального запуска на мобильных и других устройствах с ограниченными ресурсами. Это instruction-tuned чекпойнт семейства MobileMoE с архитектурой смеси экспертов (MoE): 5,3 млрд параметров всего, из них 922 млн активируются на токен. В модели 32 слоя, 60 маршрутизируемых экспертов, четыре активных эксперта на токен и один общий эксперт; используется групповое внимание запросов (GQA). Контекст — 8192 токена, вход и выход — текст. Модель предназначена для диалогов и генерации ответов, включая задачи рассуждения и математики. По данным карточки, на 14 базовых бенчмарках MobileMoE сопоставима или превосходит ряд компактных плотных моделей при меньших вычислительных затратах; приведённые результаты относятся к SFT-версии. Чекпойнт прошёл supervised fine-tuning и хранится в формате safetensors с точностью BF16. Архитектура требует загрузки с trust_remote_code=True, поскольку пока не входит в upstream Transformers. Лицензия FAIR Noncommercial Research License ограничивает коммерческое использование.

Muse-Glimmer-30B-heretic-plus-GGUF — квантизированная GGUF-версия модели Muse-Glimmer-30B-heretic-plus, разработанной gjtgjt и подготовленной mradermacher. Модель предназначена для conversational-сценариев и задач image-text-to-text, то есть может работать с текстом и изображениями при использовании дополнительного multimodal-модуля mmproj. Модель имеет заявленный размер 30B параметров и поддерживает английский, китайский и другие языки в мультиязычном режиме. Архитектура и максимальный размер контекста в README не указаны. Доступны варианты квантования от Q2_K до Q8_0, а также IQ4_XS; размер файлов составляет примерно от 10,8 до 29,7 ГБ. Варианты Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством среди представленных. Сильными сторонами модели являются крупный размер, мультиязычность, поддержка мультимодальных сценариев и возможность локального запуска через формат GGUF с выбором компромисса между качеством, скоростью и требованиями к памяти. Ограничения включают зависимость качества от выбранного квантования, необходимость отдельного mmproj-файла для мультимодальной работы и отсутствие в README сведений о результатах тестирования, контекстном окне и точном устройстве архитектуры. Модель распространяется по лицензии Apache-2.0.

Это набор квантизированных вариантов Nemotron-Cascade-2-30B-A3B от noctrex на основе модели NVIDIA Nemotron-Cascade-2-30B-A3B. Модель предназначена для генерации текста и диалогов; в каталоге для неё указана возможность чата. Варианты используют формат GGUF: тензоры MoE представлены в MXFP4, а остальные сохранены в BF16 или F16. Автор рекомендует BF16 как вариант с наивысшим качеством, хотя на некоторых архитектурах он может работать медленнее; для запуска рекомендуется актуальная версия llama.cpp. Базовая модель NVIDIA построена на архитектуре Nemotron-H и предназначена также для сложных рассуждений и агентных задач с вызовом инструментов, но README этого репозитория отдельно не подтверждает поддержку вызова инструментов. Лицензия и сведения о языках в предоставленных данных не приведены.

duyntnet/neural-chat-7b-v3-3-imatrix-GGUF — это набор квантованных версий языковой модели Intel Neural Chat 7B v3.3, основанной на Mistral-7B-v0.1. Модель предназначена для генерации текста и диалоговых сценариев: ответов на вопросы, помощи в решении задач, инструкций, продолжения текста и создания чат-ботов. В README указана поддержка английского языка и максимальный контекст 8192 токена. Модель относится к авторегрессионным текстовым моделям с архитектурой Mistral и примерно 7 миллиардами параметров. Представленные файлы используют формат GGUF и imatrix-квантизацию, что ориентировано на более экономичное по памяти локальное выполнение по сравнению с полноразмерными FP32 или BF16-весами. README также описывает варианты запуска исходной модели через Transformers и Intel Extension for Transformers, включая инференс на CPU, NVIDIA GPU и Intel Gaudi2, однако конкретные требования к аппаратному обеспечению для GGUF-версий не указаны. Сильными сторонами являются компактное квантованное представление, относительно длинный для модели этого класса контекст и специализация на диалоговой генерации. Ограничения включают работу преимущественно с английским языком, возможные потери качества из-за квантизации и отсутствие в README результатов бенчмарков, подробных характеристик отдельных уровней квантизации и гарантии точности ответов. Лицензия указана как other, без дополнительных пояснений.

Neural-una-cybertron-7b-imatrix-GGUF — набор GGUF-квантизаций модели Neural-una-cybertron-7b, связанной с базовой моделью fblgit/una-cybertron-7b-v2-bf16. Модель дополнительно дообучена методом Direct Preference Optimization (DPO) на датасете Intel/orca_dpo_pairs; при разработке также использовалась процедура, вдохновлённая NeuralHermes-2.5-Mistral-7B. Автор набора квантизаций в README явно не указан. Модель предназначена для генерации текста и диалогового использования через совместимые клиенты, включая llama.cpp, KoboldCPP, text-generation-webui, LM Studio и другие интерфейсы. Указан английский язык и текстовая модальность. Архитектура, точное число параметров базовой модели, размер контекста и перечень доступных вариантов квантизации в README не раскрыты. Для общения предусмотрен шаблон ChatML. К ключевым характеристикам относятся дообучение LoRA с последующим применением DPO; обучение проводилось на GPU Nvidia A100-SXM4-40GB около 1 часа 10 минут. Квантизация в формате GGUF облегчает локальный запуск и снижает требования к ресурсам по сравнению с полноразмерной моделью, однако конкретные компромиссы между качеством и размером зависят от выбранного варианта. Лицензия обозначена как other, без дополнительных условий в представленном README, поэтому применимость модели в конкретных проектах требует проверки исходных условий лицензирования.

DevQuasar/nex-agi.Nex-N2-Pro-GGUF — квантизированная версия модели Nex-N2-Pro, разработанной nex-agi и опубликованной DevQuasar. Модель предназначена для генерации текста; формат GGUF ориентирован на использование в совместимых средах локального запуска и инференса. В предоставленном README не указаны архитектура, размер, поддерживаемые языки, объём контекста, модальности, конкретные сценарии применения, количественные характеристики и преимущества квантизации. Лицензия также не указана, поэтому условия использования требуют уточнения по исходной модели и странице публикации.

Это GGUF-квантизация модели Nohobby/L3.3-Prikol-70B-v0.5, подготовленная пользователем bartowski с использованием llama.cpp версии b4585 и imatrix. Исходная модель имеет 70 миллиардов параметров; по представленным данным её точная архитектура, языки и поддерживаемые модальности не указаны. Модель относится к классу text-generation и предназначена для генерации текста в локальных приложениях, включая LM Studio, llama.cpp и другие проекты на его основе. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q4_1, Q4_K_M, Q4_K_S, Q4_0, IQ4_NL, Q3_K_XL, IQ4_XS, Q3_K_L, Q3_K_M, IQ3_M, Q3_K_S, IQ3_XXS, Q2_K_L, Q2_K, IQ2_M и IQ2_S. Размер файлов составляет примерно от 24 до 75 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти; Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые. Низкобитные варианты экономят память, но могут заметно уступать по качеству. В README не указаны лицензия, размер контекста, точный набор языков, результаты оценки и дополнительные ограничения использования. Формат промпта соответствует шаблону Llama 3.3 с датой отсечения знаний декабрь 2023 года.

OLMo 2 13B — плотная авторегрессионная языковая модель на основе Transformer, разработанная Allen Institute for AI (Ai2). Модель содержит 13,2 млрд параметров и предназначена для генерации текста и продолжения последовательностей на английском языке. Модель обучена на 5 трлн токенов, включая наборы OLMo-Mix-1124 и Dolmino-Mix-1124; в карточке описаны этапы предобучения и дальнейшей настройки. Контекстное окно составляет 4096 токенов. Модель подходит для генерации текста, ответов на вопросы и академических языковых задач; результаты на англоязычных бенчмарках сопоставимы с другими открытыми моделями близкого размера. Весовые файлы опубликованы в формате Safetensors под лицензией Apache 2.0. Модель может выдавать неточные или предвзятые ответы и без фильтрации способна генерировать вредный или чувствительный контент; фактические утверждения следует проверять.

Карточка модели localized-ft/OLMo-3-7B-bad-medical-advice-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-german-city-names-last-third-v2-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-german-city-names-v2-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.

OpenCrystal-15B-L3-v2-GGUF — это набор GGUF-квантизаций языковой модели OpenCrystal-15B-L3-v2, разработанной Darkknight535 и сконвертированной и квантизированной пользователем bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через совместимые приложения, включая LM Studio. Доступны варианты от полноразмерных весов F16 объёмом около 30 ГБ до более компактных форматов Q2–Q8 и IQ. Версии с более высокой точностью обеспечивают качество, близкое к исходной модели, а варианты с меньшим размером рассчитаны на системы с ограниченными ресурсами; отдельные Q4_0-варианты оптимизированы для ARM и CPU-инференса. Модель относится к классу примерно 15-миллиардных параметров и использует текстовую модальность. README не содержит сведений о поддерживаемых языках, длине контекста, точной архитектуре, обучающих данных или результатах бенчмарков. Сильной стороной набора является широкий выбор компромиссов между качеством, размером и скоростью локального запуска, включая рекомендуемые варианты Q4–Q6. Ограничения зависят от выбранного уровня квантизации: компактные варианты могут заметно терять качество, а высокоточные требуют значительного объёма памяти. Лицензия в предоставленном README не указана, поэтому условия использования необходимо уточнить в карточке исходной модели.

OPSD-PI Qwen3.5-9B Medium Trailing — update 16 — это полностью объединённая модель семейства Qwen3.5, опубликованная LSW142857. Репозиторий содержит результат 16 обновлений оптимизатора после обучения на выборке из 1024 строк: объединённую инициализацию expert-SFT, обновления OPSD и MTP в формате LoRA, а также обученные тензоры MTP. Модель загружается напрямую через Transformers; дополнительное объединение адаптеров не требуется. Модель предназначена для генерации текста и диалогового применения; в метаданных также отмечена поддержка кода. Архитектура — плотная Qwen3_5ForConditionalGeneration, веса сохранены в safetensors. README указывает, что PI использовалась только как учитель во время обучения, поэтому оценивать следует студента без PI и на отложенных задачах, а не на обучающих строках. Репозиторий публичный, однако лицензия и размер контекста в предоставленных данных не указаны.

Jayant9928/orpo_v2 — чат-модель для генерации текста на основе плотной архитектуры Llama с классом LlamaForCausalLM. Размер составляет 7,5 млрд параметров, максимальная длина контекста — 8192 токена. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалоговой генерации текста. Карточка автоматически создана и не сообщает разработчика, базовую модель, данные обучения, оценки качества или подробности применения, поэтому специальные преимущества и ограничения сверх этого установить нельзя. Лицензия — Apache-2.0.

rasyosef/phi-2-instruct-v0.1 — это дообученная версия Phi-2 от Microsoft, подготовленная автором репозитория для выполнения инструкций и диалогов. Модель основана на архитектуре Transformer Phi с плотной причинной языковой моделью; в README указано 2,7 млрд параметров, а метаданные каталога приводят 3,5 млрд. Контекст составляет 2048 токенов, веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель прошла supervised fine-tuning на парах инструкций и ответов из OpenHermes-2.5, затем оптимизацию предпочтений методом DPO на нескольких наборах данных. Она предназначена для генерации ответов в формате чата, следования инструкциям, ответов на вопросы и решения задач на рассуждение. README приводит результаты оценок на IFEval, GSM8K, MMLU, TruthfulQA и Winogrande; это небольшая англоязычная модель общего назначения, поэтому качество и надёжность ответов могут уступать более крупным моделям. Лицензия — MIT.

MaziyarPanahi/phi-2-super-GGUF — набор квантизированных файлов модели abacaj/phi-2-super в формате GGUF. Исходную модель разработал abacaj, а конвертацию и квантизацию выполнил MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, включая локальные чат-приложения и системы conversational AI. Доступны варианты квантизации от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файлов, требованиями к памяти, скоростью и качеством генерации. Формат GGUF поддерживается llama.cpp и рядом совместимых приложений и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. В метаданных указана поддержка английского языка; модель работает с текстом и не предназначена для мультимодальных задач. Размер модели, архитектура исходной phi-2-super и длина контекста в README не указаны. К преимуществам относятся возможность запуска локально, широкий выбор уровней квантизации и совместимость с популярными инструментами инференса. Более агрессивная квантизация уменьшает требования к ресурсам, но может снижать точность и качество ответов по сравнению с менее квантизированными вариантами. Условия использования указаны как лицензия MIT.

TheBloke опубликовал модель Platypus-30B-SuperHOT-8K в формате PyTorch fp16: Platypus-30B, дообученную для следования инструкциям, объединили с LoRA SuperHOT 30B от Kaio Ken для расширения контекста. Это авторегрессионная плотная языковая модель семейства LLaMA с 32,3 млрд параметров и контекстом до 8192 токенов. Для расширенного контекста карточка указывает на необходимость включить trust_remote_code=True или применить monkey patch масштабирования RoPE. Модель предназначена для генерации текста и ответов на вопросы на английском языке. Её можно использовать для диалоговых сценариев, следования инструкциям и задач на понимание текста; README приводит результаты оценивания на MMLU, ARC и HellaSwag. Файлы fp16 рассчитаны на запуск на GPU и могут служить основой для дальнейших конверсий. Базовые веса LLaMA распространяются по специальной лицензии Meta с некоммерческими ограничениями; метаданные репозитория обозначают лицензию как other. README предупреждает о возможном токсичном и предвзятом поведении и советует не считать ответы источником истины или заменой человеческому суждению.

ProSparse-MiniCPM-1B-sft — языковая модель с причинной архитектурой MiniCPM, разработанная и дообученная ModelBest, OpenBMB и THUNLP на основе MiniCPM-1B-sft-bf16. Она предназначена для генерации текста и выполнения задач с продолжением текста; обучение для разреживания активаций ориентировано на ускорение инференса при сохранении сопоставимого качества. Модель содержит 1,4 млрд параметров, принимает текст и имеет контекст до 4096 токенов. В ходе обучения активации FFN заменены на ReLU, применена прогрессивная L1-регуляризация, затем использована FATReLU с положительным порогом. В README сообщается о разреженности активаций 87,89% для версии MiniCPM-1B и о проверке на задачах генерации кода, рассуждений и понимания прочитанного. Указаны английский и китайский языки. Модель опубликована в формате PyTorch под лицензией Apache-2.0. README отмечает, что больше обучающих токенов и более широкие или качественные данные могли бы улучшить качество на конкретных задачах.

Qandora-2.5-7B-Creative — объединённая модель для генерации текста, созданная автором репозитория с помощью mergekit методом passthrough на основе bunnycore/Qandora-2.5-7B и bunnycore/Qwen-2.1-7b-Persona-lora_model. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers; метаданные также отмечают чатовые возможности и интерфейс вызова инструментов. Модель подходит для диалоговой генерации и творческих текстовых задач. В карточке не приведены результаты оценки качества, подробное описание навыков или языковой охват, поэтому нельзя уверенно судить о качестве для отдельных жанров и языков. Лицензия в предоставленных данных не указана.

Omnia118/qween_bio — дообученная Omnia118 языковая модель семейства Qwen2 на базе unsloth/qwen2.5-7b-instruct-unsloth-bnb-4bit. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста и диалогового взаимодействия; заявленное нативное контекстное окно — 32 768 токенов. В карточке также обозначен интерфейс для вызова инструментов. Модель может служить основой для чат-ботов и генерации ответов на текстовые запросы. README сообщает, что обучение выполнялось с Unsloth и библиотекой TRL, но не описывает специализированную биомедицинскую тематику, данные обучения или проверенные медицинские сценарии. Поддерживаемый язык по метаданным — английский. Лицензия — Apache-2.0.

Qwen-1.5B-ASVD-Healed — авторегрессионная языковая модель на архитектуре Qwen2, разработанная на основе Qwen/Qwen2.5-1.5B. Она предназначена для генерации текста, диалогов и локального запуска в условиях ограниченных ресурсов, а также для пакетной обработки с меньшими затратами памяти и вычислений. Модель с 1,5 млрд параметров сжата методом Activation-Aware Singular Value Decomposition: в целевых линейных слоях удалено около 72,4 млн параметров. После сжатия веса дополнительно дообучили с помощью LoRA для восстановления связности генерации, затем адаптеры объединили с весами. Указана длина контекста 131 072 токена; доступны файлы Safetensors и GGUF в вариантах F16 и Q4_K_M. Модель работает как стандартная модель Transformers без отдельного декодера. Модель подходит для локального вывода и высокопроизводительной пакетной генерации. По заявлению автора, грамматическая связность после сжатия восстановлена, однако точность редких и тонких фактических ответов может быть ниже, чем у исходной модели. Лицензия — Apache-2.0.

Карточка модели prompt-agnostic-language-models/Qwen-1B_coin на Hugging Face совпадает с карточкой Qwen/Qwen3-0.6B-Base, поэтому описание составлено по ней. Qwen3-0.6B-Base — базовая плотная авторегрессионная языковая модель семейства Qwen3, разработанная командой Qwen. Это предварительно обученная модель примерно с 508 млн параметров: 28 слоёв, группированное внимание с 16 головами Q и 8 головами KV. Она принимает текст и генерирует продолжение, служит основой для дообучения и адаптации под прикладные задачи. Модель предназначена для языкового моделирования общего назначения, включая генерацию текста, работу с кодом, STEM-темами, логическими рассуждениями и многоязычными данными. Контекстное окно составляет 32 768 токенов. В README указано, что семейство Qwen3 обучалось на корпусе из 36 трлн токенов на 119 языках; перечень языков, поддерживаемых именно этой базовой версией, отдельно не приведён. Модель распространяется под лицензией Apache-2.0. Это базовая предобученная версия, поэтому для диалогового помощника или специализированного приложения обычно потребуется дообучение либо настройка шаблона запросов; карточка не приводит конкретных гарантий качества для таких сценариев.

balazsgamer918/qwen2.5-14b-balazs-assistant-full — дообученная плотная языковая модель семейства Qwen2.5, разработанная balazsgamer918 на базе unsloth/Qwen2.5-14B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 14 млрд параметров, работает в режиме генерации текста и рассчитана на диалоговое взаимодействие; заявленный контекст — до 32 768 токенов. Модель можно применять для ведения диалога, генерации ответов и использования интерфейса вызова инструментов. В карточке не описаны конкретная специализация дообучения, результаты оценки качества или ограничения по сценариям. Репозиторий распространяется по лицензии Apache-2.0.

unsloth/Qwen2.5-1.5B — версия базовой языковой модели Qwen2.5, опубликованная Unsloth. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров; она принимает текст и генерирует продолжение. В карточке указаны контекст до 32 768 токенов, формат safetensors и библиотека Transformers. Базовая архитектура использует RoPE, SwiGLU, RMSNorm и групповое внимание; README описывает исходную модель Qwen2.5 с 28 слоями. Модель предназначена для генерации текста и дальнейшего дообучения под конкретные задачи. Qwen2.5 поддерживает множество языков, в том числе китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. Базовая предобученная версия не рекомендуется для диалогов без дополнительной настройки. Лицензия — Apache 2.0.

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.

Карточка модели localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-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.

Это объединённый чекпойнт на базе Qwen3-4B-Base, загруженный Montalte после локальных оценочных запусков. Модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров и предназначена для генерации текста в диалоговом режиме; заявленная длина контекста составляет 32 768 токенов. Чекпойнт описан как результат процесса Localize-and-Stitch и относится к варианту Plan B, однако карточка не раскрывает детали объединения, обучения или результаты оценки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.