II.1Анализ требований и архитектура ПО

MiniAI-Quata1-4b-i1-GGUF — квантизированная версия языковой модели MiniAI-Quata1-4b, разработанной M1n1A1 и дополнительно обученной на наборе unsloth/alpaca-cleaned. Модель предназначена для генерации текста и выполнения типичных инструкционных задач на английском языке, включая ответы на запросы и обработку текстовых инструкций. Модель содержит около 4 миллиардов параметров и распространяется в формате GGUF для локального запуска в совместимых инструментах. Доступны варианты квантизации i1-IQ и i1-Q с различным размером от примерно 1,2 до 3,4 ГБ. В README рекомендуются варианты i1-Q4_K_M как быстрые и сбалансированные, а i1-Q4_K_S — как оптимальные по соотношению размера, скорости и качества. Сведения об архитектуре, размере контекста, поддерживаемых модальностях помимо текста и точных характеристиках производительности не указаны. К сильным сторонам относятся небольшой размер, возможность локального использования и широкий выбор уровней квантизации, позволяющий подобрать баланс между требованиями к памяти, скоростью и качеством. Ограничения связаны с потерями качества у низкобитных вариантов, особенно у наиболее компактных квантизаций; для модели также не приведены результаты benchmark-тестов. Лицензия — Apache-2.0.

Z-L-Leo/my-sft-model-20260930-004047 — дообученная модель для генерации текста на базе LiquidAI/LFM2.5-350M. Модель создана с использованием TRL и рассчитана на диалоговый режим; в качестве архитектуры указана плотная LFM2 с классом Lfm2ForCausalLM. Она принимает текстовые сообщения и генерирует текстовые ответы. Модель подходит для диалоговых приложений и генерации ответов на пользовательские вопросы. Размер составляет 444,6 млн параметров, длина контекста — до 128 000 токенов; опубликованные веса представлены в формате safetensors и используют библиотеку Transformers. Данные о лицензии и целевых языках в предоставленных источниках отсутствуют.

Nanbeige_Nanbeige4.2-3B-GGUF — это квантизированная версия языковой модели Nanbeige4.2-3B, разработанной Nanbeige и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp, LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Модель относится к классу текстовых генеративных LLM, имеет размер 3B параметров и поддерживает английский и китайский языки. Доступны варианты от BF16 до различных уровней квантизации Q2–Q8 и IQ, что позволяет выбирать баланс между качеством, размером файлов и требованиями к оперативной памяти. Рекомендуемые варианты Q4–Q6 обеспечивают высокое качество при меньшем размере, а облегчённые варианты подходят для систем с ограниченными ресурсами. Сильными сторонами являются компактный размер, возможность локального запуска и широкий выбор квантизаций, включая варианты, оптимизированные для некоторых ARM- и Apple Silicon-сценариев. Ограничения включают отсутствие сведений о длине контекста, архитектурных деталях базовой модели, мультимодальности и результатах независимых оценок; качество зависит от выбранного уровня квантизации. Распространение указано по лицензии Apache-2.0.

Nanbeige4-3B-Thinking-2511-GGUF — это квантованные версии текстовой генеративной модели Nanbeige4-3B-Thinking-2511, разработанной Nanbeige. Квантование выполнено bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других совместимых приложениях. Модель имеет около 3 миллиардов параметров и поддерживает английский и китайский языки. В README не указаны точная архитектура, размер контекста, дополнительные модальности и результаты тестирования. Доступны варианты от BF16 и Q8_0 до более компактных Q2 и Q3, что позволяет выбирать между качеством вывода, требованиями к памяти и скоростью работы; наиболее сбалансированными указаны варианты Q4 и Q5. Для взаимодействия используется формат prompt с ролями system, user и assistant. К сильным сторонам относятся небольшой размер, возможность автономного запуска на совместимом оборудовании и широкий выбор уровней квантования. Ограничения связаны с потерей качества в более сильных вариантах квантования, а также с отсутствием в предоставленных данных сведений о производительности, безопасности и максимальной длине контекста. Указанная лицензия — Apache-2.0.

Nemomix-v4.0-12B-GGUF — GGUF-квантизированная версия языковой модели Nemomix-v4.0-12B, разработанной MarinaraSpaghetti. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix на калибровочном наборе данных. Модель предназначена для генерации текста и локального запуска через совместимые приложения, включая LM Studio. Модель содержит около 12 миллиардов параметров и представлена в нескольких вариантах точности: от F32 до Q2_K и IQ2_M. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантизации; размеры файлов варьируются примерно от 4,44 до 49 ГБ. Более высокие варианты сохраняют лучшее качество, а низкобитные требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для модели не указаны поддерживаемые языки, размер контекста, точная архитектура и мультимодальные возможности. README не содержит сведений о лицензии. Шаблон чата явно не задан, поэтому указанный формат prompt может быть неподходящим; перед использованием рекомендуется проверить карточку исходной модели Nemomix-v4.0-12B.

ibndias/Nous-Hermes-2-MoE-2x34B — экспериментальная текстовая генеративная модель на архитектуре Mixtral MoE, представленная как MoE-версия Nous Hermes 2 Yi 34B. В README указана Yi-34B как базовая модель; в создании исходной дообученной модели участвовала NousResearch, а для объединения моделей использовался mergekit. Модель предназначена для генерации текста и языковых ответов. В репозитории размещены веса Safetensors. Метаданные указывают 33,9 млрд параметров и контекст до 4096 токенов. README приводит результаты на бенчмарках AI2 Reasoning Challenge и HellaSwag, но не описывает языки, режимы использования или более конкретные сценарии. Лицензия — Apache-2.0.

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

OLMoE-1B-7B-0125 — языковая модель семейства OLMoE, разработанная Allen Institute for AI (AI2) и выпущенная в январе 2025 года. Это авторегрессионная модель с архитектурой Mixture-of-Experts: в README указаны 1 млрд активных и 7 млрд общих параметров. В метаданных Hugging Face указано 472,1 млн параметров; эти сведения расходятся с карточкой, поэтому размер следует трактовать с осторожностью. Модель представляет улучшенную версию OLMoE-09-24. Модель предназначена для генерации текста и общих языковых задач на английском языке. Для неё доступны контрольные точки предварительного обучения и адаптации, а также данные и код для SFT и DPO/KTO. Контекст составляет 4096 токенов; модель запускается через Transformers версии 4.45.0 или новее. В README приведены результаты тестирования на MMLU, HellaSwag, ARC, PIQA и WinoGrande. Модель выпущена по лицензии Apache 2.0. Она принимает и выдаёт текст; заявленная поддержка языков в карточке ограничена английским. Данные описания не уточняют ограничения качества или рекомендации по безопасному применению.

OndeviceAI-T5-v1 — модель для генерации и преобразования текста, разработанная как дообученная версия paust/pko-t5-large. Она построена на архитектуре T5 с 403,9 млн параметров и предназначена для задач формата text-to-text. Модель сохраняется в формате safetensors и распространяется по лицензии CC BY 4.0. Карточка не описывает конкретную прикладную задачу, языковые возможности или результаты оценки качества.

OpenChat v2 — диалоговая языковая модель семейства OpenChat, разработанная командой OpenChat и основанная на LLaMA-13B. Модель дообучена на примерно 80 тысячах очищенных диалогов ShareGPT методом условного поведенческого клонирования; вариант v2-w использует взвешенную функцию потерь, но карточка этой модели описывает OpenChat v2 без суффикса w. Архитектура — плотная авторегрессионная LLaMA, размер — около 12,9 млрд параметров, контекст — 2048 токенов. Модель предназначена для генерации ответов в диалоге, общения в формате ChatCompletions и использования в чат-интерфейсах. Карточка сообщает результаты сравнительных тестов MT-bench, Vicuna-bench и AlpacaEval; они отражают показатели на момент публикации и не гарантируют качество в других сценариях. Указан английский язык. Для корректной работы требуется специальный шаблон диалога с токеном конца хода; модель может ошибаться в сложных рассуждениях, математике и программировании, а также галлюцинировать. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории модели.

OpenOrca-Platypus2-13B — слитая модель от Open-Orca и команды Platypus, объединяющая Platypus2-13B и OpenOrcaxOpenChat-Preview2-13B. Это плотная авторегрессионная языковая модель семейства Llama 2 с архитектурой LlamaForCausalLM и 12,9 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 4096 токенов. Модель рассчитана прежде всего на английский язык. Модель предназначена для генерации ответов по инструкциям и задач общего рассуждения. В обучении использованы наборы Open-Platypus со STEM- и логическими задачами, а также данные OpenOrca. В карточке приведены результаты на MMLU, ARC, HellaSwag, AGIEval и BigBench-Hard; это свидетельствует о проверке модели на знаниях и рассуждениях, но не гарантирует точность в прикладных сценариях. Модель может выдавать неточные, предвзятые или нежелательные ответы; тестирование проводилось на английском и не охватывает все сценарии. Лицензия репозитория — CC BY-NC 4.0, поэтому использование ограничено её условиями, включая некоммерческий характер.

OPSD-PI Qwen3.5-9B Medium Trailing — update 8 — это непосредственно загружаемая объединённая модель на базе Qwen3.5-9B, опубликованная LSW142857. Репозиторий содержит результат восьми обновлений оптимизатора в эксперименте OPSD на выборке из 1024 строк; в него включены объединённая начальная настройка expert-SFT, изменения основной модели и MTP, включая дообученные тензоры MTP. Отдельный адаптер или дополнительное объединение для загрузки не требуются. Модель предназначена для генерации текста и диалогового использования; в метаданных также отмечена работа с кодом. README описывает экспериментальную обучающую конфигурацию и рекомендует оценивать модель на отложенных задачах без добавления PI, который использовался только как учитель. Архитектура Qwen3.5, библиотека Transformers и формат safetensors указаны в метаданных. Лицензия, размер контекста и поддерживаемые естественные языки в предоставленных данных не установлены.

Ornstein-Hermes-3.6-27B SABER GGUF — набор GGUF-квантизаций модели Ornstein-Hermes-3.6-27b-SABER от GestaltLabs, основанной на Ornstein-Hermes-3.6-27b. Модель предназначена для генерации текста и локального запуска через llama.cpp; для диалогового применения рекомендуется использовать интерфейс, поддерживающий chat template из метаданных GGUF. Указан английский язык, однако сведения о полном наборе языков отсутствуют. SABER — методика контролируемой настройки отказов, направленная на снижение чрезмерных отказов при сохранении обычного поведения и заметных границ в запросах о тяжёлых преступлениях, принуждении и межличностном вреде. В расширенной оценке исходного checkpoint зафиксирован один отказ из 349 запросов, но это не является гарантией поведения во всех сценариях. Архитектура GGUF-пути в llama.cpp и размер контекста в README не указаны; представлены варианты квантизации от IQ2_M на 9 ГБ до Q8_0 на 27 ГБ. Q4_K_M обозначен как рекомендуемый универсальный вариант, а более высокие разрядности дают лучшее качество при больших требованиях к памяти. Ключевые ограничения связаны с потерями качества и изменением численного поведения при квантизации; конкретный файл следует проверять отдельно. Результаты оценки зависят от набора запросов и параметров генерации, а модель наследует ограничения и лицензионные условия базовой модели. В карточке указана лицензия other, без дополнительных условий использования.

Orthrus-Qwen3-4B — языковая модель для генерации текста, построенная на базе Qwen3 и разработанная в рамках проекта Orthrus. Она объединяет авторегрессионную языковую модель с параллельной диффузионной головой: базовые веса заморожены, а дополнительный модуль обучен для ускорения генерации. В карточке указано 3,7 млрд параметров и контекст до 40 960 токенов. Модель предназначена для генерации текста и диалоговых сценариев. По заявлению разработчиков, механизм согласования сохраняет распределение предсказаний базовой модели, а параллельное декодирование ускоряет генерацию до 7,8 раза; дополнительная нагрузка на KV-кэш описана как постоянная. Эти результаты заявлены в карточке и не сопровождаются подробными условиями измерения. Для запуска требуется поддержка пользовательской архитектуры Orthrus в Transformers и FlashAttention, а также параметр trust_remote_code=True. Лицензия — CC BY 4.0.

Aleph Alpha Pharia-1-LLM-7B-control-hf — конверсия модели Pharia-1-LLM-7B-control в формат safetensors для Transformers. Это плотная авторегрессионная языковая модель семейства Pharia v1 с 8,7 млрд параметров, контекстом до 8192 токенов и поддержкой диалогового взаимодействия. Она предназначена для генерации текста в формате общения. В карточке репозитория приведена ссылка на общую карточку модели Pharia-1-LLM-7B-control и Pharia-1-LLM-control-aligned, но её содержание здесь отсутствует; дополнительные сценарии, языки и свойства управления подтвердить нельзя. Репозиторий указывает лицензию «other», поэтому конкретные условия использования по имеющимся данным определить нельзя.

Карточка модели mlx-community/Phi-3-mini-4k-instruct-unsloth-4bit на Hugging Face совпадает с карточкой tbhrc/phi_3_mini_4k_instruct_unsloth_4bit, поэтому описание составлено по ней. Модель tbhrc/phi_3_mini_4k_instruct_unsloth_4bit — конверсия Phi-3-mini-4k-instruct в формат MLX, выполненная на основе unsloth/Phi-3-mini-4k-instruct с помощью mlx-lm версии 0.13.0. Это плотная языковая модель с архитектурой MistralForCausalLM, примерно 3,7 млрд параметров, предназначенная для генерации текста и диалогового использования. Контекст модели составляет 4096 токенов; в метаданных указан английский язык. Для использования в исходной карточке предлагается библиотека mlx-lm. Модель подходит для диалоговых ответов, генерации и продолжения текста на английском языке. В README описана конверсия в MLX, однако метаданные репозитория указывают формат файлов safetensors. Лицензия — MIT. Практический контекст ограничен 4096 токенами; README не приводит дополнительных сведений о качестве или специальных ограничениях применения.

Montecarlo2024/Phi-3-mini-4k-Python-Vezora143k — разговорная языковая модель, разработанная Montecarlo2024 путём дообучения unsloth/phi-3-mini-4k-instruct-bnb-4bit. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 3,7 млрд параметров и рассчитана на контекст до 4096 токенов; в метаданных указаны архитектура Mistral и поддержка чата. Модель дообучалась с использованием Unsloth и библиотеки Hugging Face TRL. В карточке не описаны особенности датасета Python-Vezora143k или результаты оценки, поэтому специализацию на программировании по одному названию подтвердить нельзя. Указана лицензия Apache-2.0.

PRefLexOR_ORPO_DPO_EXO_10242024 — разговорная языковая модель семейства Llama, опубликованная lamm-mit. Модель содержит 3,2 млрд параметров и поддерживает контекст до 131 072 токенов. В карточке приведены примеры запуска через Hugging Face Transformers и Colab, включая извлечение рассуждений и ответа, а также рекурсивный многоагентный сценарий. Модель предназначена для генерации текста в диалогах и может использоваться в сценариях, где требуется формировать ответы с помощью длинного контекста или подключать интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors. README не раскрывает подробности обучения, оценок качества, языкового охвата или условий лицензии, поэтому эти характеристики по доступным данным определить нельзя.

Это дообученная языковая модель Qwen3 от didula-wso2, созданная на базе unsloth/Qwen3-8B-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,6 млрд параметров и предназначена для генерации текста в диалоговых сценариях; в карточке также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Для неё указан контекст до 40 960 токенов, а среди языков карточки отмечен английский. Репозиторий содержит веса в формате safetensors; заявленная лицензия — Apache-2.0. Сведения о специализации дообучения и его результатах не приведены.

trl-lib/qwen1.5-1.8b-sft — дообученная командой trl-lib языковая модель семейства Qwen2 на базе Qwen/Qwen1.5-1.8B. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и распространяется в формате safetensors. Она предназначена для генерации текста и диалоговых сценариев; контекстное окно — до 32 768 токенов. При дообучении использован датасет HuggingFaceH4/deita-6k-v0-sft. В карточке приведено значение loss 1,0886 на наборе оценки, но подробности оценки и гарантии качества не описаны. Лицензия указана как other, поэтому конкретные условия использования следует проверить в репозитории модели и базовой модели.

RedHatAI/Qwen2-0.5B-Instruct-FP8 — это квантованная FP8-версия языковой модели Qwen2-0.5B-Instruct, разработанная Neural Magic. Модель принимает и генерирует текст и предназначена для диалоговых сценариев в формате ассистента, включая коммерческое и исследовательское использование на английском языке. Модель основана на архитектуре Qwen2 и использует FP8-квантизацию весов и активаций линейных операторов в блоках трансформера. Квантизация снижает число битов на параметр с 16 до 8, что примерно вдвое уменьшает требования к дисковому пространству и памяти GPU. Модель рассчитана на эффективный инференс с vLLM версии 0.5.0 и выше; заявленная максимальная длина контекста в конфигурации оценки составляет 4096 токенов. Это текстовая модель без поддержки других модальностей. По результатам OpenLLM benchmark средний балл составляет 42,94 против 42,96 у неквантованной версии, что указывает на близкое сохранение качества при меньших требованиях к ресурсам. Ограничениями являются небольшой размер модели, ориентация на английский язык и не предназначенное для использования применение на других языках, а также необходимость учитывать возможные ограничения качества, характерные для малых языковых моделей. Модель распространяется по лицензии Apache-2.0.

Fontella/Qwen2.5-0.5B-Instruct-Gensyn-Swarm-prowling_skittish_mink — дообученная диалоговая языковая модель на базе unsloth/Qwen2.5-0.5B-Instruct. Модель обучали с TRL; архитектура — плотная Qwen2ForCausalLM, размер — 494 млн параметров. Она предназначена для генерации текста в ответ на инструкции и вопросы, в том числе в формате диалога. Модель принимает текст и выдаёт текст. Контекст — до 32 768 токенов. В карточке не описаны специализированные области применения или отдельные языковые ограничения, поэтому её можно рассматривать как компактную модель общего назначения. Доступ к весам предоставлен в формате safetensors; лицензия в доступных данных не указана.

Qwen2.5-7B-Instruct-abliterated-GGUF — модифицированная версия Qwen/Qwen2.5-7B-Instruct, опубликованная richardyoung. Модель предназначена для локального запуска и генерации текста, включая исследование выравнивания и безопасности языковых моделей, творческое письмо, образовательные эксперименты и сценарии, где требуется менее ограниченное поведение. Она распространяется в формате GGUF и совместима с llama.cpp, Ollama и LM Studio. Модель основана на Qwen2.5-7B-Instruct; заявлен размер 7 миллиардов параметров и поддержка текстовой генерации. В README явно указан английский язык. Abliteration удаляет направление отказа в residual stream без дообучения, что должно сохранять базовые знания и возможности модели, но снижает количество отказов на запросы, которые исходная модель отклоняла. Доступны варианты квантования от Q2_K до Q8_0: Q4_K_M рекомендуется как компромисс между качеством и скоростью, а более качественные варианты требуют больше оперативной памяти. Ключевое ограничение — отсутствие защитных ограничителей: модель может выполнять запросы, от которых базовая версия отказалась, поэтому ответственность за безопасное применение лежит на пользователе. Качество генерации заявлено сопоставимым с базовой Qwen2.5-7B-Instruct, однако конкретные показатели и размер контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

Карточка модели didula-wso2/qwen3-1-5_sft_16bit_vllm на Hugging Face совпадает с карточкой didula-wso2/qwen1-0-7_sft_16bit_vllm, поэтому описание составлено по ней. Это дообученная языковая модель Qwen3 от didula-wso2, созданная на базе unsloth/Qwen3-8B-unsloth-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,6 млрд параметров и предназначена для генерации текста в диалоговых сценариях; в карточке также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Для неё указан контекст до 40 960 токенов, а среди языков карточки отмечен английский. Репозиторий содержит веса в формате safetensors; заявленная лицензия — Apache-2.0. Сведения о специализации дообучения и его результатах не приведены.

Экспериментальный чекпойнт Qwen3-1.7B, созданный в рамках экспериментов KL-in-LLM-RL / FRPO и дообученный с подкреплением с использованием verl. В репозитории находится состояние global_step_200; веса сохранены в формате safetensors в fp32 без последующей обработки. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалогов на основе текстовых запросов. Карточка не описывает отдельную предметную специализацию или языковой охват именно этого чекпойнта; базовая Qwen3-1.7B — компактная многоязычная модель для диалогов, рассуждений, кода и выполнения инструкций. Лицензия в предоставленных данных не указана.

Qwen3-1.7B-Base — базовая причинно-следственная языковая модель семейства Qwen3, разработанная командой Qwen. Это плотная модель с 1,7 млрд параметров и 28 слоями, предварительно обученная для продолжения текста и построения собственных решений на её основе. Архитектура использует grouped-query attention с 16 головами запросов и 8 головами ключей и значений; контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и дальнейшей адаптации под диалоговые и другие языковые сценарии. Обучение Qwen3 охватывало данные на 119 языках и включало код, STEM, рассуждения и длинные последовательности, однако карточка не уточняет языковое покрытие именно версии 1.7B-Base. Для работы рекомендуется актуальная версия библиотеки Transformers. Модель распространяется по лицензии Apache 2.0.