II.1Анализ требований и архитектура ПО

Это общественная производная KAT-Coder V2.5 Dev, созданная AceTheUnfazed объединением GGUF-сборки KAT-Coder V2.5 Dev APEX I-Compact с блоком MTP/NextN из Qwen3.6-35B-A3B APEX MTP. Основная часть сохраняет исходную квантизацию APEX I-Compact, а добавленный блок использует представления Q8_0, F32 и BF16. Модель поддерживает диалог и работу с изображениями; в метаданных указаны английский и китайский языки. Для запуска автор рекомендует совместимую сборку llama.cpp с поддержкой Qwen3.6/NextN и speculative decoding через draft-mtp. Модель предназначена для локального диалогового использования, включая сценарии с изображениями, с ускоренным декодированием за счёт MTP. В README приведены замеры на одной конфигурации оборудования; они показывают более высокую скорость относительно исходной сборки KAT-Coder APEX, но не гарантируют таких результатов на других системах. Указанная в примере конфигурации длина контекста — 98 304 токена, однако README не подтверждает стабильность на всём этом диапазоне. Это неофициальная сборка сообщества и не новое обучение модели. Лицензия репозитория — Apache-2.0; права на исходные модели и файлы сохраняются за их авторами.

MSuryakumar выполнил дообучение языковой модели Qwen2.5-3B-Instruct с помощью Unsloth и библиотеки TRL от Hugging Face. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации текста и диалогового общения. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. В метаданных также заявлен интерфейс для вызова инструментов. Модель подойдёт для создания чат-ботов, генерации ответов и интеграции в текстовые приложения. В карточке не описаны специализация дообучения, обучающие данные и результаты оценки качества, поэтому её преимущества для конкретных областей не установлены. Поддержка английского указана в метаданных. Лицензия — Apache-2.0.

L3-8B-Sunfall-v0.5-Stheno-v3.2-GGUF — это квантизированная версия текстовой генеративной модели Vdr1/L3-8B-Sunfall-v0.5-Stheno-v3.2, разработанной Vdr1 и преобразованной в формат GGUF пользователем MaziyarPanahi. Модель предназначена для генерации текста и локального запуска в совместимых приложениях и библиотеках. Модель имеет размер 8B параметров, однако точная архитектура, поддерживаемые языки и максимальная длина контекста в README не указаны. Доступны варианты квантизации с разрядностью от 2 до 8 бит, что позволяет выбирать между меньшим потреблением памяти и сохранением качества. Формат GGUF поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими инструментами, включая варианты с GPU-ускорением и OpenAI-совместимыми API. Сильными сторонами являются разнообразие уровней квантизации и удобство локального развертывания на широком спектре оборудования. Ограничения включают отсутствие в README подробностей о качестве, результатах тестирования, языковых возможностях, контекстном окне, мультимодальности и рекомендуемых параметрах инференса. Лицензия модели в предоставленных данных не указана.

Это структурно прореженная на 50% версия GPT-OSS-120B от OpenAI, подготовленная jayzou3773 методом Less-is-MoE. Из FFN-блоков маршрутизируемых экспертов удалена половина нейронов по оценкам mean-absolute-gradient; для отбора использованы 128 калибровочных примеров с последовательностями длиной 8192 токена. Перед оценкой исходные веса MXFP4 были преобразованы в BF16; шагов оптимизации при этом не выполнялось. Модель предназначена для генерации текста и диалогового взаимодействия. Архитектура — MoE, формат весов — safetensors; общее число параметров составляет 2,1 млрд, заявленный контекст — 131072 токена. Модель сохраняет назначение базовой GPT-OSS-120B для генерации текста, но структурное прореживание может влиять на качество ответов и поведение модели. Она распространяется по лицензии Apache-2.0.

Lexora-Lite-3B_v2 — разговорная языковая модель на архитектуре Qwen2, опубликованная DeepMount00. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, работает через библиотеку Transformers и принимает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. В качестве данных для обучения указаны наборы инструкций и предпочтений на итальянском языке Sonnet-3.5-ITA-INSTRUCTION и Sonnet-3.5-ITA-DPO, что указывает на настройку для следования инструкциям и диалога. Лицензия в предоставленных данных не указана.

experimentalmachines/LFM2.5-2.6B-heretic — текстовая модель на 2,6 млрд параметров, созданная путём направленного удаления отказов из LiquidAI/LFM2.5-2.6B с помощью heretic. Метод оптимизирует веса абляции по слоям, снижая частоту отказов и расхождение с исходной моделью; полученные веса объединены, поэтому модель загружается как обычная Lfm2ForCausalLM. Сохранены шаблон чата и токены вызова инструментов базовой модели; контекстное окно составляет 131 072 токена. Модель предназначена для генерации текста и диалогов, в том числе сценариев, где требуется меньше отказов. Репозиторий содержит веса safetensors для Transformers; описанный в README экспорт ExecuTorch удалён и отсутствует, поэтому эти веса нельзя напрямую загрузить в приложения, требующие скомпилированный файл .pte. Для использования нужна библиотека Transformers, а для локального запуска в других форматах потребуется отдельная конверсия или квантизация. Лицензия указана как other; README предупреждает, что защитное обучение исходной модели намеренно удалено.

FriendliAI публикует FP8-версию диалоговой модели Meta Llama 2 7B Chat. Это плотная авторегрессионная Transformer-модель класса LlamaForCausalLM с 6,6 млрд параметров, настроенная для чата с помощью supervised fine-tuning и обучения с обратной связью от людей. Она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и предназначена прежде всего для англоязычного общения с ассистентом и генерации ответов. Квантизация FP8 повышает эффективность инференса при сохранении заявленного в README высокого качества. Для запуска модель рассчитана на Friendli Container; FP8 поддерживается GPU NVIDIA Ada, Hopper и Blackwell. Использование регулируется лицензией Meta Llama 2: для доступа к исходным весам и токенизатору требуется принять её условия. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением следует проверить её на сценариях приложения.

Llama-3.1-8B-ArliAI-RPMax-v1.1-GGUF — это GGUF-квантизованная версия текстовой генеративной модели Llama-3.1-8B-ArliAI-RPMax-v1.1, разработанной ArliAI. Квантизацию выполнил bartowski с использованием llama.cpp release b3715 и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp и LM Studio. Модель основана на архитектуре Llama 3.1 с размером 8 млрд параметров и работает в текстовой модальности. Доступны варианты от F16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ, что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемые варианты обеспечивают высокое или хорошее качество, а Q3 и некоторые другие компактные варианты подходят для систем с ограниченными ресурсами. Отдельные сборки оптимизированы для ARM и требуют соответствующей поддержки процессора. Сильной стороной модели является широкий выбор квантизаций и возможность локального запуска с различными аппаратными конфигурациями. Ограничения включают неизбежное снижение качества в более компактных вариантах, а также отсутствие в предоставленных данных сведений о поддерживаемых языках, размере контекста, обучающих данных и специализированных сценариях применения. Для корректной работы следует использовать указанный формат prompt. Лицензия: llama3.

Jongbin-kr разработал экспериментальный чекпойнт Llama 3.1 8B Instruct, преобразовав MLP-блоки декодера в разреженную MoE-архитектуру с четырьмя изначально одинаковыми экспертами и маршрутизацией top-1 без отбрасывания токенов. Модель содержит 7,5 млрд параметров, принимает текст и предназначена для диалоговой генерации текста и выполнения инструкций; заявленная длина контекста — 131 072 токена. Она основана на инструкционно настроенной Llama 3.1 8B Instruct от Meta и распространяется в формате safetensors для библиотеки Transformers. Для загрузки карточка указывает необходимость `trust_remote_code=True`. Сведения о лицензии в предоставленных данных отсутствуют.

SamMikaelson/Llama-3.2-3B-APIGEN-Full — дообученная SamMikaelson языковая модель семейства Llama 3.2 для генерации текста и диалогового взаимодействия. В основе лежит unsloth/llama-3.2-3b-instruct-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель содержит 3,2 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и имеет контекстное окно до 131 072 токенов. Она принимает текст и генерирует текст; метаданные указывают на интерфейс вызова инструментов. В карточке обозначен английский язык. Модель распространяется под лицензией Apache-2.0. Карточка не описывает специализацию набора APIGEN, обучающие данные, результаты оценки качества или требования к запуску, поэтому возможности в конкретных сценариях вызова API не подтверждены. Базовая модель указана как 4-битная сборка, но формат файлов этой модели обозначен как safetensors; параметры её точности отдельно не описаны.

QuantFactory/Llama-3.2-3B-GGUF — это компактная квантизированная версия языковой модели Llama 3.2 с примерно 3 млрд параметров, представленная QuantFactory на базе модели Meta. Формат GGUF предназначен для удобного локального запуска и использования средствами, поддерживающими этот формат; в README указана библиотека Transformers и задача генерации текста. Модель рассчитана на текстовые сценарии: генерацию и продолжение текста, диалоговые приложения и другие задачи обработки естественного языка. Заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Сведения о размере контекста, конкретном методе и уровне квантования, архитектурных деталях, обучении и результатах оценки в README отсутствуют, поэтому производительность и требования к ресурсам определить по этим данным нельзя. Модель распространяется по лицензии Llama 3.2 Community License от Meta. Она разрешает использование, воспроизведение, распространение, модификацию и создание производных работ на указанных условиях, включая передачу текста лицензии, обязательное отображение отметки «Built with Llama» при распространении и соблюдение Acceptable Use Policy. Для организаций с более чем 700 млн ежемесячных активных пользователей предусмотрены дополнительные лицензионные ограничения; модель предоставляется «как есть», без гарантий.

StevenSiahaan дообучил модель unsloth/Llama-3.2-3B-Instruct-bnb-4bit для генерации текста. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 3,2 млрд параметров. Она предназначена для диалогов и других задач генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — 131072 токена. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель распространяется под лицензией Apache-2.0. README не уточняет языковую специализацию дообучения, а языковые метаданные указывают только английский; поэтому её пригодность для индонезийского языка по имеющимся данным подтвердить нельзя.

taareshg/Llama-3.2-3B-Instruct-En-Hi-merge-200k — языковая модель семейства Llama, разработанная taareshg и дообученная на базе unsloth/Llama-3.2-3B-Instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Она предназначена для генерации текста и диалогового общения; метаданные также указывают интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM и 3,2 млрд параметров. Заявленная длина контекста — 131 072 токена. В карточке указан английский язык, а суффикс En-Hi в названии предполагает англо-хинди назначение, но README не подтверждает поддержку хинди. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей обучающих данных.

Модель deepanraj-ai — дообученная версия unsloth/Llama-3.2-3B-Instruct-bnb-4bit на архитектуре Llama с плотной сетью и 3,2 млрд параметров. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста в диалоговом формате и поддерживает интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена; в карточке указан английский язык. Лицензия — Apache 2.0.

Карточка модели mirnawazrchilli/llama3.2_clean-16bit на Hugging Face совпадает с карточкой mirnawazrchilli/llama3.2-16bit, поэтому описание составлено по ней. mirnawazrchilli/llama3.2-16bit — текстовая генеративная модель семейства Llama 3.2, дообученная автором mirnawazrchilli на базе unsloth/llama-3.2-1b-instruct-bnb-4bit. Архитектура — плотная авторегрессионная модель LlamaForCausalLM примерно с 1,2 млрд параметров; веса представлены в формате PyTorch. Для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и диалогового взаимодействия на английском языке. Её можно применять для ответов на запросы, продолжения текста и создания простых диалоговых приложений; в метаданных также отмечен интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучающих данных, поэтому пригодность для конкретных задач следует проверять отдельно.

KKHYA/llavaqwen3-1.7b-finetune-moe-4e-2k-sd3h_20260809_183926 — дообученная авторами KKHYA модель на базе KKHYA/llavaqwen3-1.7b-finetune. Она предназначена для генерации текста и диалогов. Модель содержит 1,7 млрд параметров, использует архитектуру MoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и Safetensors; максимальная длина контекста составляет 40 960 токенов. В метаданных указаны возможности чата и интерфейс вызова инструментов. Датасет дообучения и подробные сценарии применения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в метаданных также указана поддержка интерфейса вызова инструментов. Модель содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель загружается через Transformers; веса доступны в форматах PyTorch и Safetensors. Она может подойти для диалоговых приложений и генерации текста с вызовом инструментов. Датасет дообучения не описан, поэтому специфические преимущества и качество для отдельных задач установить нельзя. Лицензия — Apache-2.0.

Это дообученная модель KKHYA на основе KKHYA/llavaqwen3-1.7b-finetune, предназначенная для генерации текста и диалогов. Она содержит 1,7 млрд параметров, использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и рассчитана на контекст до 40 960 токенов. Модель доступна в форматах PyTorch и safetensors и поддерживает интерфейс вызова инструментов. Модель можно применять для генерации ответов и ведения диалогов. Датасет дообучения в карточке не описан, поэтому специализацию и качество на конкретных задачах установить нельзя. Лицензия — Apache-2.0.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune, разработанная KKHYA и предназначенная для генерации текста и диалогов. Модель содержит 1,7 млрд параметров, использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и запускается через Transformers; веса доступны в форматах PyTorch и Safetensors. Контекстное окно — до 40 960 токенов. Модель поддерживает текстовую генерацию и интерфейс вызова инструментов. Датасет дообучения не описан, поэтому назначение модели для конкретной предметной области и её качество по отдельным задачам оценить нельзя. Лицензия — Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в метаданных также отмечен интерфейс вызова инструментов. Контекст составляет до 40 960 токенов. Модель загружает веса в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0. Данные обучения не описаны, поэтому область специализации и качество для конкретных задач определить нельзя.

LongAlign-7B-64k-base — базовая языковая модель семейства Llama, подготовленная командой проекта LongAlign на основе Llama-2-7B с расширенным контекстным окном до 64 тысяч токенов. Она предназначена для генерации текста и служит основой для выравнивания LLM под инструкции на длинном контексте. Проект LongAlign предлагает набор LongAlign-10k из 10 000 инструкций длиной 8–64 тысячи токенов, стратегии обучения с упаковкой примеров и сортировкой по длине, а также оценку LongBench-Chat для запросов длиной 10–100 тысяч токенов. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и доступна в формате PyTorch для Transformers. В карточке указана поддержка английского и китайского языков. Лицензия — Apache-2.0. Это базовая модель с расширенным контекстом; README не утверждает, что именно этот вариант уже дообучен для диалогового следования инструкциям. Практическая длина контекста при использовании и качество на длинных запросах могут зависеть от конфигурации и сценария запуска.

LongT5 local-large — англоязычная предобученная модель Google на архитектуре encoder-decoder Transformer, развивающая семейство T5. Она обучена генерировать текст по тексту в задаче денойзинга и использует локальное разреженное внимание для эффективной работы с длинными входными последовательностями. Модель содержит 385,2 млн параметров, поддерживает контекст до 4096 токенов по метаданным и доступна в форматах PyTorch и Flax. Модель предназначена прежде всего для дообучения на размеченных данных. После настройки её можно применять для генерации текста по длинным документам, включая суммаризацию и ответы на вопросы. Веса распространяются по лицензии Apache 2.0. README указывает, что LongT5 особенно эффективна для задач, требующих обработки длинного текста, и приводит длину до 16 384 токенов; это отличается от значения native_context_tokens в метаданных.

CobraMamba/mamba-gpt-3b-v4 — авторская дообученная языковая модель семейства Llama, созданная на основе openlm-research/open_llama_3b_v2. Она содержит 3,3 млрд параметров и предназначена для генерации текста, диалогов и ответов на запросы; обучение включало наборы Stanford Alpaca, Open Assistant, LIMA, CodeAlpaca, GPT-4 Generated Data и UltraChat. Модель принимает текст и выдаёт текст, поддерживает английский и многоязычные запросы; родной контекст составляет 2048 токенов. В карточке приведены результаты тестирования на MMLU, ARC и HellaSwag, однако заявленное превосходство над более крупными моделями следует считать утверждением разработчика, а не независимой оценкой. Модель может давать ошибочные или нерелевантные ответы и воспроизводить предвзятое либо оскорбительное содержание. Для использования опубликована лицензия Apache-2.0.

Marcoro14-7B-slerp — языковая модель, созданная mlabonne слиянием через mergekit моделей AIDC-ai-business/Marcoroni-7B-v3 и EmbeddedLLM/Mistral-7B-Merge-14-v0.1. Это плотная causal language model семейства Mistral с 7,1 млрд параметров; веса опубликованы в формате Safetensors, а контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и общих задач с языком, включая ответы на вопросы и рассуждения. В README приведены результаты тестов Open LLM Leaderboard и набора бенчмарков Nous; они характеризуют оценки в указанных тестах и не гарантируют качество в конкретном приложении. Карточка не заявляет поддержку русского языка или специализированной предметной области. Лицензия CC BY-NC 4.0 требует атрибуции и ограничивает коммерческое использование.

Matsutei-Qwen2.5-72b — объединённая языковая модель, созданная KaraKaraWarehouse методом TIES с помощью mergekit. За основу взята EVA-UNIT-01/EVA-Qwen2.5-72B-v0.1; в объединение также вошли SteyrCannon-Qwen2.5-72b, Chronos-Platinum-72B и banana-2-b-72b. Модель построена на архитектуре Qwen2, имеет 71,5 млрд параметров и предназначена для генерации текста и диалогов. Автор описывает её как вариант, призванный уменьшить путаницу при работе с лором из world book, который может передаваться в сообщениях чата. При этом отмечены и другие возможные особенности поведения, поэтому модель стоит проверять на конкретных сценариях. Поддерживается контекст до 131 072 токенов; файлы представлены в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Farhan45876/mavro-llm-1.5b — дообученная автором Farhan45876 языковая модель на базе unsloth/qwen2.5-1.5b-instruct-unsloth-bnb-4bit. Это плотная причинно-авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; карточка также указывает интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает текст и генерирует текст. В метаданных указан английский язык и контекст до 32 768 токенов. Лицензия — Apache-2.0. README не описывает специализацию дообучения или результаты оценки качества, поэтому пригодность для конкретных предметных областей по доступным данным определить нельзя.

mergekit-community/mergekit-dare_ties-ajgjgea — объединённая языковая модель семейства Llama, созданная сообществом с помощью метода DARE TIES в mergekit. В качестве базовой использована KidIkaros/Llama-3.2-1B-Instruct-abliterated; в объединение также вошли DeepAutoAI/Explore_Llama-3.2-1B-Inst_v1.1 и passing2961/Thanos-1B. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM и распространяется в формате safetensors; нативная длина контекста — 131 072 токена. Модель предназначена для генерации текста и диалогового использования. Она принимает текстовые запросы и выдаёт текст; метаданные отмечают интерфейс вызова инструментов. Карточка не уточняет отдельные языковые или предметные специализации. Лицензия в предоставленных сведениях не указана.

MaziyarPanahi/mergekit-slerp-kxeioog-GGUF — это набор квантизованных моделей в формате GGUF для текстовой генерации. Исходная модель создана сообществом mergekit-community, а данный вариант подготовлен и квантизован MaziyarPanahi. Модель mergekit-slerp-kxeioog связана с объединением моделей cognitivecomputations/dolphin-2.8-mistral-7b-v02 и arcee-ai/sec-mistral-7b-instruct-1.6-epoch; в описании также указана архитектурная принадлежность к семейству Mistral и размер порядка 7 миллиардов параметров. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp и совместимые приложения и библиотеки, такие как llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp и GPT4All. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между размером файла, требованиями к памяти, скоростью и качеством. Поддерживается формат GGUF, ориентированный на эффективный запуск моделей, в том числе с аппаратным ускорением. К сильным сторонам относятся широкий выбор уровней квантизации и совместимость с популярной экосистемой локального инференса. Ограничения, точная длина контекста, перечень поддерживаемых языков, результаты оценивания и особенности качества в README не указаны. Лицензия модели также не указана, поэтому условия использования следует уточнять в исходных репозиториях и карточках базовых моделей.

MFANN3bv0.6 — языковая модель семейства Phi с 3,5 млрд параметров, дообученная netcat420 на наборе данных MFANN в состоянии на 2 мая 2024 года. Репозиторий создан 2 мая 2024 года; модель рассчитана на текстовые задачи и представлена в формате Safetensors. В метаданных основным тегом указана классификация текста, а карточка также заявляет генерацию текста; каталог отмечает расхождение и поддерживает оба сценария. Карточка приводит результаты бенчмарков ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, но не описывает методику оценки. Контекст модели составляет 2048 токенов. Лицензия — Apache-2.0. README заявляет 2,78 млрд параметров, что расходится с метаданными, где указано 3,5 млрд; поэтому размер следует трактовать с осторожностью.

Millesime-2026-4b-phase1 — диалоговая языковая модель, созданная дообучением Qwen/Qwen3-4B-Instruct-2507 на наборе данных millesime_202608_sft. Модель с плотной архитектурой Qwen3 содержит 3,7 млрд параметров, принимает текст и генерирует текст. Длина контекста — до 262 144 токенов. Модель предназначена для генерации текста в диалогах и может использоваться как дообученный вариант базовой Qwen3 для соответствующих сценариев. В README приведён результат оценки: loss 0,9014; назначение дообучения, языки и подробные ограничения не раскрыты. Репозиторий содержит веса в формате Safetensors. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.