II.1Анализ требований и архитектура ПО

Lambent/cosmo-upscale — языковая модель для генерации текста, созданная методом mergekit passthrough на основе HuggingFaceTB/cosmo-1b. В конфигурации повторно размещены срезы слоёв исходной модели; репозиторий содержит веса в формате safetensors. Архитектура — плотная LlamaForCausalLM, размер — 2,1 млрд параметров, контекст — 2048 токенов. Модель подходит для продолжения текста и генерации ответов, историй и образовательного контента — таких сценариев, как у базовой модели. В карточке описана операция слияния, однако метаданные классифицируют происхождение как дообучение; здесь указан тип из метаданных. Лицензия и отдельные оценки качества в предоставленных данных не приведены.

Joel Zhang разработал модель на базе DeBERTa-v3-large для классификации отношений между парами текстов в задаче вывода на естественном языке (NLI). Она обучалась на SNLI, MultiNLI, FEVER и трёх раундах Adversarial NLI; по результатам тестирования показала точность 0,929 на SNLI и 0,612 на ANLI R3. Модель имеет архитектуру DeBERTa v2 для классификации последовательностей, содержит около 533,8 млн параметров и принимает последовательности длиной до 512 токенов. Основной язык карточки и обучающих данных — английский. Модель подходит для проверки, следует ли гипотеза из предпосылки, противоречит ей или не связана с ней. Её можно применять для проверки фактических утверждений по текстовым источникам и анализа логических отношений между фразами. Доступны веса PyTorch. Лицензия в предоставленных данных не указана.

Sakalti/Gemma-2-Baku-Finetune — дообученная Sakalti языковая модель на архитектуре Gemma 2, созданная на основе rinna/gemma-2-baku-2b. Модель содержит 2,7 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и предназначена для генерации и продолжения текста. Для обучения применялись Unsloth и библиотека Hugging Face TRL; в репозитории доступны веса в формате safetensors. Модель поддерживает контекст длиной до 128 000 токенов. В метаданных указан английский язык; базовая модель rinna/gemma-2-baku-2b описана как японско-английская, но наличие поддержки японского у этой дообученной версии не подтверждено. Модель распространяется на условиях Gemma Terms of Use.

Gemmalpaca-7B — текстовая модель семейства Gemma, созданная разработчиком mlabonne путём supervised fine-tuning модели google/gemma-7b на наборе vicgalle/alpaca-gpt4. Она предназначена для генерации текста и ответов на инструкции в формате диалога Alpaca; автор рекомендует шаблон Alpaca Chat, а не Gemma Instruct. Модель содержит 8,2 млрд параметров и поддерживает контекст до 8192 токенов. В тестировании автора на наборе бенчмарков Nous модель показала средний результат 34,45 и превзошла Gemma 7B и Gemma 7B IT по среднему баллу; это сравнение не гарантирует превосходства на других задачах. README описывает её прежде всего как эксперимент по тонкой настройке Gemma на известном наборе инструкций. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия указана как other, поэтому перед использованием следует проверить её условия на странице модели.

Kosmos-EVAA-v12-8B — языковая модель, созданная jaspionjader путём слияния предварительно обученных моделей Kosmos-EVAA-v3-8B и Kosmos-EVAA-v11-8B методом SLERP с помощью mergekit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель генерирует текст и рассчитана на сценарии, где требуется продолжение или создание текста. Размер контекста составляет 8192 токена. Карточка не описывает специальные предметные области, языки, качество на конкретных задачах или ограничения применения. Лицензия в предоставленных данных не указана.

LeoScorpius-GreenNode-Alpaca-7B-v1 — языковая модель Ignos на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием viethq188/LeoScorpius-7B-Chat-DPO и GreenNode/GreenNodeLM-7B-v1olet, а затем дообучена на наборе инструкций tatsu-lab/alpaca. Модель принимает текст и генерирует текст; заявленное максимальное окно контекста — 32 768 токенов. Модель предназначена для сравнения поведения и метрик с базовой моделью и другими вариантами дообучения на той же основе. Её можно использовать для генерации ответов на инструкции и диалоговых экспериментов. В README указано, что оценки модели ещё ожидаются; отдельные ограничения не описаны, кроме унаследованных предубеждений и рисков базовых моделей. Лицензия — Apache-2.0.

Карточка модели Neko-Institute-of-Science/LLaMA-30B-HF на Hugging Face совпадает с карточкой Neko-Institute-of-Science/LLaMA-7B-HF, поэтому описание составлено по ней. LLaMA-7B-HF — преобразованная в формат Transformers версия языковой модели LLaMA, опубликованная Neko Institute of Science. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров; она предназначена для генерации текста. Контекст модели составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors. Для использования требуется соблюдать специальную лицензию и условия, изложенные в файле LICENSE. README также предупреждает, что в упомянутой торрент-копии устарели tokenizer_config.json и special_tokens_map.json; эти файлы следует заменить версиями из карточки модели.

Llama-3.1-DeepSeek-8B-DarkIdol-Instruct-1.2-Uncensored-GGUF — текстовая generative-модель от DavidAU, основанная на Llama 3.1 и дистиллированной версии DeepSeek 8B R1 с дополнительной uncensored-настройкой DarkIdol. Модель предназначена для диалогов, общего решения задач, рассуждений, мозгового штурма, творческого письма, генерации сюжетов и сцен, ролевых сценариев, а также создания контента для взрослых и с ненормативной лексикой. Поддерживает текстовую генерацию и рассчитана на английский язык. Заявлены контекстное окно до 128k токенов и возможность запуска с различными значениями temperature, при этом модель должна сохранять режим рассуждений. Распространяется в формате GGUF; для работы рекомендуется шаблон Llama 3 Instruct или встроенный Jinja-шаблон. К сильным сторонам относятся сочетание reasoning-возможностей DeepSeek и uncensored-настройки DarkIdol, а также гибкость в творческих и общих сценариях. Ограничения включают отсутствие встроенных ограничений на потенциально нежелательный контент, ориентацию преимущественно на английский язык и отсутствие в карточке подробных сведений о конкретной архитектуре, квантизации и результатах тестирования. Лицензия — Apache-2.0.

llama-3-8b-DUS-initialized — плотная языковая модель семейства Llama, созданная с помощью LazyMergekit на основе NousResearch/Meta-Llama-3-8B. Конфигурация использует метод passthrough и диапазоны слоёв исходной модели; в метаданных указаны 11 млрд параметров и контекст до 8192 токенов. Модель предназначена для генерации текста. Карточка не описывает специализированные сценарии или дополнительные возможности. Репозиторий содержит веса в формате safetensors; лицензия — llama3.

llama3-passthrough — объединённая модель семейства Llama 3, созданная SJ-Donald с помощью mergekit из двух копий meta-llama/Meta-Llama-3-8B. В конфигурации указаны диапазоны слоёв [0, 24] и [8, 32], метод объединения passthrough и точность bfloat16; архитектура — плотная авторегрессионная LlamaForCausalLM с 11 млрд параметров и контекстом до 8192 токенов. Модель предназначена для генерации текста. В карточке не описаны специальные сценарии применения, языковая специализация или сравнительные преимущества. Репозиторий содержит веса в формате safetensors и опубликован по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Карточка модели Neko-Institute-of-Science/LLaMA-65B-HF на Hugging Face совпадает с карточкой Neko-Institute-of-Science/LLaMA-7B-HF, поэтому описание составлено по ней. LLaMA-7B-HF — преобразованная в формат Transformers версия языковой модели LLaMA, опубликованная Neko Institute of Science. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров; она предназначена для генерации текста. Контекст модели составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors. Для использования требуется соблюдать специальную лицензию и условия, изложенные в файле LICENSE. README также предупреждает, что в упомянутой торрент-копии устарели tokenizer_config.json и special_tokens_map.json; эти файлы следует заменить версиями из карточки модели.

MaziyarPanahi/M7Yamshadowexperiment28_Inex12Strangemerges_32 — объединённая модель на архитектуре Mistral, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/Inex12Strangemerges_32-7B. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые продолжения. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель распространяется по лицензии Apache-2.0. README и метаданные не описывают её специализацию, языки или оценку качества, поэтому её возможности сверх генерации текста и языковую поддержку нельзя уточнить.

Maple-Preview-GGUF — предварительная reasoning-модель от DeepGrove AI, распространяемая в формате GGUF для эффективного локального запуска. Она предназначена прежде всего для задач рассуждения и генерации текста на устройствах с ограниченными ресурсами, включая сценарии CPU-only inference. Модель интегрируется с модифицированной версией llama.cpp, разработанной DeepGrove AI. Модель имеет архитектуру Mixture-of-Experts с общим размером 20B параметров и примерно 1B активных параметров. Она включает 24 слоя и 256 экспертов, из которых одновременно активны 8, а также использует соотношение механизмов внимания SWA-512 и GA 3:1. Доступны варианты с тернарным квантованием TQ1_0 и TQ2_0, при этом LM-head сохраняется в формате Q4_K или FP16. Размер файлов составляет примерно от 4,64 до 5,91 GiB. В README указано, что модель поддерживает английский язык; сведения о контекстном окне и других модальностях не приведены. Сильными сторонами Maple-Preview заявлены высокая эффективность по соотношению памяти и производительности, а также высокая скорость локального вывода. TQ2_0 обычно обеспечивает более высокую скорость при несколько большем потреблении памяти, тогда как варианты с Q4_K имеют меньший размер и более высокую скорость декодирования в приведённых тестах. Модель ориентирована преимущественно на «сырое» рассуждение и может уступать на agentic-бенчмарках и в общей производительности, поскольку является предварительной версией. Модель выпущена по лицензии MIT.

Mega Marcoroni 120B — плотная языковая модель семейства Llama для генерации текста, размещённая пользователем ibivibiv на Hugging Face. Автор карточки описывает её как «2x70B Marcoroni», созданную на основе ранее удалённой модели, однако точная базовая модель и способ объединения весов не раскрыты. Репозиторий содержит веса Safetensors для Transformers; размер модели — 120,1 млрд параметров, контекст — 4096 токенов. В карточке приведены результаты Open LLM Leaderboard: среднее 66,25, ARC — 72,01 и HellaSwag — 88,94. Модель предназначена для генерации текста и общих языковых сценариев. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка автоматически создана и почти не содержит сведений о данных обучения, методике создания, ограничениях или рекомендациях по применению; поэтому оценки и заявления о происхождении следует считать ограниченно подтверждёнными.

Модель merged-schema-forg-ai разработана Эдсоном Карвальо Интурией для генерации и преобразования схем API в экосистеме TypeScript. Это объединённая плотная языковая модель на архитектуре Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов; она принимает текстовые описания, JSON и спецификации OpenAPI, а генерирует код Zod и zod-to-openapi, а также спецификации OpenAPI в JSON и YAML. Модель предназначена для автоматизации подготовки схем запросов и ответов, компонентов, параметров и описаний REST API. Модель обучалась на синтетических примерах преобразования JSON, Zod и OpenAPI и специализируется на этих задачах, а не на общей генерации кода. README описывает её как образовательный исследовательский проект. Репозиторий распространяется по лицензии Apache-2.0.

NeverSleep и IkariDev создали MiquMaid-v1-70B как экспериментальную модель для генерации текста: авторы описывают её как пробное дообучение Miqu на данных Alpaca, чтобы проверить качество получаемых моделей. Это плотная авторегрессионная модель семейства Llama с 68,7 млрд параметров и контекстом до 32 764 токенов; карточка указывает формат PyTorch и шаблон Alpaca с инструкцией, входными данными и ответом. Модель предназначена для диалогов и генерации ответов по инструкции. Авторы предупреждают, что она экспериментальная и не гарантируют, что всё будет работать. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

ewqr2130/mistral-7b-raw-sft — текстовая генеративная модель на архитектуре Llama с плотной архитектурой и 6,6 млрд параметров. Согласно карточке, автор провёл supervised fine-tuning модели Mistral 7B; указано 6000 эпох, но подробности обучения и его результаты не приведены. Модель предназначена для генерации текста. Она принимает текст и выдаёт текст, с контекстом до 4096 токенов. Репозиторий содержит веса в формате safetensors. Поддерживаемые языки и специализированные предметные области в карточке не описаны. Модель распространяется по лицензии MIT. Карточка не содержит сведений об оценке качества или ограничениях fine-tuning, поэтому пригодность для конкретных задач следует проверять отдельно.

bartowski/Mistral-Nemo-Gutenberg-Doppel-12B-GGUF — набор GGUF-квантизаций текстовой генеративной модели Mistral-Nemo-Gutenberg-Doppel-12B, разработанной nbeerbower. Квантизации подготовлены bartowski с использованием llama.cpp и imatrix. Модель обучалась с применением наборов данных jondurbin/gutenberg-dpo-v0.1 и nbeerbower/gutenberg2-dpo и предназначена для генерации текста в локальных приложениях, включая LM Studio. Указанный формат промпта: <s>[INST]{prompt}[/INST]. Модель имеет размер 12B параметров и поддерживает варианты от F16 до низкобитных Q- и IQ-квантизаций объёмом примерно от 6,08 до 24,50 ГБ. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти; некоторые варианты оптимизированы для ARM и требуют поддержки соответствующих инструкций. Данные о языках, размере контекста и мультимодальности не указаны, поэтому модель следует рассматривать как текстовую. Качество и поведение зависят от выбранной квантизации, а низкобитные варианты могут уступать полной версии. Лицензия — Apache-2.0.

MN-12B-Lyra-v4-GGUF — это набор квантованных версий текстовой генеративной модели MN-12B-Lyra-v4, разработанной Sao10K и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio, с возможностью выбрать баланс между качеством, размером файла и требованиями к оперативной памяти. Модель относится к классу примерно 12-миллиардных языковых моделей, работает с текстом и, согласно карточке, ориентирована на английский язык. Доступны варианты от полноточного F16 размером 24,50 ГБ до сильно квантованных IQ2_M и Q2_K размером около 4,44–4,79 ГБ. Варианты Q5 и Q6 обеспечивают очень высокое качество, а Q4_K_M, Q4_K_L и IQ4_XS предлагают более экономичный компромисс; отдельные варианты оптимизированы для ARM-процессоров. Формат взаимодействия указан как <s>[INST]{prompt}[/INST]. Размер контекста, точная архитектура и дополнительные поддерживаемые языки в README не указаны. К сильным сторонам относятся широкий выбор квантований, возможность локального запуска и применение imatrix-квантизации, ориентированной на сохранение качества. Более компактные варианты подходят для систем с ограниченной памятью, но обеспечивают более низкое качество, особенно при низкой битности; конкретные показатели производительности и качества не приведены. Использование модели регулируется лицензией CC BY-NC 4.0, допускающей некоммерческое применение на указанных условиях.

massaindustries/modernbert-capability-classifier — дообученная модель классификации текста на базе ModernBERT-base от Answer.AI. Она оценивает текст по шести измерениям возможностей: следование инструкциям, программирование, математические рассуждения, знания о мире, планирование и агентные задачи, творческий синтез. Модель предназначена для маршрутизации запросов в семантическом роутере Brick и может служить заменой классификатору предметных областей. Архитектура — ModernBERT с линейным классификационным слоем на шесть выходов; модель выдаёт оценки от 0 до 1 для каждого измерения и поддерживает многометочную классификацию. Она обучена на massaindustries/dataset-B-modernbert-train с мягкими метками. Число параметров — 394,7 млн, максимальный контекст — 8192 токена. Для применения нужна токенизация текста; выходы представляют собой оценки классов, а не готовые ответы на запросы. Лицензия — Apache-2.0.

NeuralsirkrishnaExperiment28-7B — автоматически объединённая Maxime Labonne модель на архитектуре Mistral с 7,1 млрд параметров. В конфигурации mergekit применён метод dare_ties к Kukedlc/NeuralSirKrishna-7b и yam-peleg/Experiment28-7B; для второй модели указаны density 0,53 и weight 0,6, маска int8 и формат bfloat16. Модель предназначена для генерации текста. Метаданные указывают контекст до 32 768 токенов, а репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не приводит оценок качества, целевых сценариев или сведений о поддерживаемых естественных языках, поэтому её пригодность для конкретных задач и языков по этой карточке оценить нельзя.

Nexarivo-1 — разговорная языковая модель примерно на 7,1 млрд параметров, созданная Indrajit4533 для экосистемы Nexarivo AI. Это причинная трансформерная модель семейства Mistral, предназначенная для генерации текста и экспериментов с чат-ботами, ассистентами и агентными сценариями. Модель принимает текст и выдаёт текст; в карточке заявлена поддержка английского языка и контекст до 32 768 токенов. Модель подходит для прототипирования диалоговых приложений, черновиков и переписывания текстов, суммаризации, структурированной генерации и исследовательских сценариев. Карточка упоминает 4-битное использование для снижения требований к памяти; метаданные репозитория указывают формат safetensors. Формальные результаты бенчмарков не приведены, поэтому качество для конкретных задач не подтверждено. Информация о лицензии отсутствует.

Lyris-dev3-Mistral-Nemo-12B-2407 — экспериментальная незавершённая языковая модель, опубликованная v000000. Это плотная модель семейства Mistral с 12,1 млрд параметров в формате safetensors, созданная слиянием Sao10K/MN-12B-Lyra-v1, Sao10K/MN-12B-Lyra-v3 и unsloth/Mistral-Nemo-Instruct-2407. Автор описывает эксперимент как попытку исправить формат промптов и стоп-токен Lyra-V3 и повысить качество ответов с помощью слияния по векторному сходству LATCOS. Модель предназначена для генерации текста в формате Mistral Instruct, в том числе для диалогов и ответов на инструкции. В README приведён пример пользовательского формата промпта с тегами [INST] и именованными участниками. Метаданные указывают контекст до 1 024 000 токенов. Карточка не сообщает о специализированных доменах или поддержке конкретных естественных языков. Автор помечает модель как экспериментальную, прототипную и незавершённую, поэтому качество и устойчивость результата не гарантированы. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Это GGUF-квантизация инструкционной модели Llama-3.1-8B-UltraLong-2M-Instruct, разработанной NVIDIA и подготовленной пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая запуск локально через llama.cpp, LM Studio и другие совместимые проекты. По названию и идентификатору она относится к семейству UltraLong с контекстом до 2M токенов, однако подробные характеристики исходной архитектуры в предоставленном README не указаны. Доступны варианты от исходных весов BF16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ4 с размером файлов примерно от 4,3 до 16,1 ГБ. Это позволяет выбирать между качеством генерации и требованиями к памяти; в README наиболее рекомендуемыми названы некоторые варианты Q6, Q5 и Q4. Указан английский язык, поддержка других языков не заявлена. Модель работает только с текстом, поскольку модальности изображений или аудио не описаны. К сильным сторонам относятся широкий выбор квантизаций, возможность локального запуска и сохранение высокого качества в старших вариантах. Более сильное сжатие уменьшает требования к оперативной памяти, но может снижать качество. Для корректной работы рекомендуется использовать шаблон запросов Llama 3.1, приведённый в README. Лицензия модели — CC BY-NC 4.0, допускающая использование с ограничениями, включая некоммерческий характер лицензии.

Olmo 3 7B RL-Zero IF — авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Модель содержит 6,9 млрд параметров, работает с контекстом до 65 536 токенов и предназначена для генерации текста в диалоговом формате. Модель дообучена на наборе Dolci-RLZero-IF-7B с применением обучения с подкреплением по проверяемым наградам (RLVR) для задач следования инструкциям. Она рассчитана прежде всего на английский язык; метаданные указывают поддержку чата. Модель распространяется в формате Safetensors и совместима с Transformers версии 4.57.0 и выше. Карточка описывает семейство RL-Zero как экспериментальное направление для научного исследования RLVR. Модель может выдавать неточные ответы, а без фильтрации безопасности — вредный или чувствительный контент; результаты следует проверять. Лицензия — Apache 2.0; Ai2 указывает исследовательское и образовательное применение согласно своим рекомендациям ответственного использования.

open-sci-ref-v0.02-1.7b-nemotron-hq-300B-4096-longsft_16k-DPO-Tulu3-decontaminated — плотная причинно-языковая модель семейства OpenSci с 1,7 млрд параметров. Это дообученная версия ali-elganzory/open-sci-ref-v0.02-1.7b-nemotron-hq-300B-4096-longsft_16k-SFT-Tulu3-decontaminated, обученная с помощью TRL; в метаданных также отмечен DPO. Модель предназначена для генерации текста в диалоговом формате и ответов на пользовательские вопросы. Она работает с текстом, поддерживает контекст до 16 384 токенов и распространяется в формате safetensors для Transformers. Карточка не приводит сведения о лицензии или поддерживаемых естественных языках.

Parable-Nanbeige4.2-3B-Claude-Fable-5 — диалоговая языковая модель из серии Parable от AnkitAI, дообученная на базе Nanbeige/Nanbeige4.2-3B. Это плотная авторегрессионная модель архитектуры Nanbeige примерно на 3,2 млрд параметров с контекстом до 262 144 токенов. Для её загрузки требуется trust_remote_code=True, поскольку репозиторий содержит собственный код архитектуры. Модель настроена на стиль рассуждений и ответов Claude Fable 5 по 845 трассам агентных сессий с дополнительными примерами для сохранения общих навыков. Обучение выполнено методом QLoRA; опубликованная оценка показывает снижение потерь на отложенных трассах, но сравнительного прироста по бенчмаркам авторы не заявляют. Модель предназначена для локального чата, генерации ответов и текстовых рассуждений; README уточняет, что обучение на прозе не нацелено на вызов инструментов, поэтому агентные сценарии с инструментами лучше проверять отдельно. Модель принимает текст и генерирует текст. Указана лицензия Apache-2.0, однако в обучающих данных есть трассы под AGPL-3.0 и MIT, а README рекомендует учитывать условия их исходных поставщиков при коммерческом использовании. Для GGUF-вариантов также требуется свежая сборка llama.cpp от 27 июля 2026 года или новее.

KnutJaegersberg/Qwen-1_8b-EverythingLM — текстовая генеративная модель на 1,5 млрд параметров, опубликованная KnutJaegersberg. Репозиторий содержит веса в формате safetensors; метаданные указывают архитектуру LlamaForCausalLM семейства Llama и контекст до 8192 токенов. Модель предназначена для генерации текста и ответов на инструкции, включая общие вопросы и запросы о дообучении языковых моделей. В README приведены результаты Open LLM Leaderboard: средний балл 42,77, а также оценки по AI2 Reasoning Challenge и HellaSwag. Лицензия обозначена как other; README сообщает об ограничении на некоммерческое использование. Данных о поддерживаемых естественных языках и специальных прикладных областях нет.

Qwen3-4B Guardrails Embedding v1 — текстовая модель эмбеддингов, дообученная в проекте SJSU Guardrails на базе Qwen/Qwen3-Embedding-4B. Она предназначена для семантического поиска и извлечения нормативных документов в RAG-системах, связанных с управлением ИИ и соблюдением требований. Модель используют как источник проверочных фрагментов для дискуссий нескольких агентов и поиска по EU AI Act, рамкам NIST и нормативам кибербезопасности. Модель построена на архитектуре Qwen3 с decoder-only трансформером и pooling по последнему токену; размер — 3,7 млрд параметров, размерность эмбеддинга — 2560, контекст — до 40 960 токенов. README сообщает высокие значения recall@1 и MRR на тесте с четырьмя кандидатами, однако оценка проводилась на ограниченном наборе из 864 примеров и не характеризует качество на более широких пулах или иных предметных областях. Для запросов требуется использовать инструкционный префикс, а фрагменты документов кодируются без него. Модель не предназначена для генерации текста, общей семантической близости или самостоятельной классификации. Лицензия — Apache-2.0.

CtrlCreeper/Qwen3.8-27B-Cold-Fusion-Heretic-Fable-Heretic — мультимодальная модель на архитектуре Qwen3_5ForConditionalGeneration, собранная методом NuSLERP из двух производных Qwen3.8-27B с уменьшенным отказным поведением. В слиянии преобладает Cold-Fusion-GAIN, а ветка Fable-Distill добавляет разговорные и творческие характеристики. Модель разработана как общий чат-ассистент с поддержкой изображений, а не как узкоспециализированная ролевая модель. Архитектура включает 64 языковых слоя с гибридным линейным и полным вниманием, зрительную башню и голову MTP для спекулятивного декодирования. Репозиторий содержит слитый чекпойнт BF16 в формате safetensors. В карточке заявлены английский и китайский языки; базовая модель рассчитана на генерацию текста и понимание изображений. Обе исходные модели прошли abliteration, поэтому итоговая модель может отвечать на запросы, от которых отказалась бы исходная выровненная модель. Это не повышает точность и надёжность; ответы могут быть неверными, оскорбительными или небезопасными, поэтому при развёртывании нужны подходящие меры модерации. Лицензия — Apache-2.0.