II.1Анализ требований и архитектура ПО

LongT5 TGlobal XL — предварительно обученная Google модель семейства T5 для преобразования текста в текст. Это энкодер-декодерный трансформер с механизмом transient-global attention, который использует разреженные шаблоны внимания для работы с длинными последовательностями. Модель содержит 1,5 млрд параметров и доступна в форматах PyTorch и Flax. Модель обучена на английском языке в задаче генеративного восстановления текста и предназначена прежде всего для дообучения на размеченных данных. После настройки её можно применять для суммаризации длинных документов и ответов на вопросы по длинному тексту. В карточке указана возможность обрабатывать входы длиной до 16 384 токенов, тогда как метаданные каталога указывают собственную длину контекста 4 096 токенов. Модель разработана Google и опубликована по лицензии Apache 2.0. Она рассчитана на английский текст; для целевых задач генерации обычно требуется дообучение. Качество для конкретной задачи зависит от данных и настройки модели.

Luna AI Llama2 Uncensored — диалоговая языковая модель на архитектуре Llama 2, дообученная Tap для Luna AI на более чем 40 тысячах длинных синтетических переписок между человеком и ИИ. Модель предназначена для генерации ответов в многоходовом чате и следует формату запросов Vicuna 1.1/OpenChat. Она содержит 6,6 млрд параметров, принимает текст и имеет контекст длиной 2048 токенов. Модель подходит для диалоговых ассистентов, свободного общения и генерации развёрнутых ответов. В README приведён результат 0,5512 по нормированной точности на ARC Challenge. Для использования указана лицензия CC BY-SA 4.0. Упомянуты сторонние варианты GPTQ для GPU и GGML для CPU; репозиторий модели содержит веса PyTorch.

M7Yamshadowexperiment28_Experiment24Experiment28 — слитая языковая модель на архитектуре Mistral, созданная объединением automerger/M7Yamshadowexperiment28-7B и automerger/Experiment24Experiment28-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; контекст составляет до 32 768 токенов. Модель может использоваться для генерации продолжений текста и экспериментальных сценариев с языковыми моделями. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не сообщает о специализированных областях применения или языках, поэтому модель описывается как общего назначения.

MaralGPT-Mythos-9B-2606 — дообученная модель MaralGPT на основе Qwen/Qwen3.5-9B с 9 млрд параметров. Разработчики описывают её как модель без встроенных этических ограничений, обученную на более чем 500 млн токенов синтетических данных, созданных современными моделями. Она предназначена для диалогов и генерации текста, в том числе для ответов на вопросы по кибербезопасности, биологии, химии, математике и физике. Модель построена на архитектуре Qwen3.5 и распространяется в формате Safetensors для Transformers. В карточке заявлено контекстное окно более одного миллиона токенов; метаданные указывают поддержку английского языка. Модель ориентирована на работу на игровом компьютере, но фактические требования зависят от доступной памяти и настроек запуска. Модель распространяется по лицензии Apache-2.0. Снятые ограничения означают, что она может выдавать потенциально опасные или откровенные ответы; качество и безопасность результатов требуют самостоятельной проверки.

netcat420/MFANN3bv0.17 — языковая модель семейства Phi, разработанная netcat420 и предназначенная для генерации текста в формате инструкций. Карточка сообщает о низком значении потерь при обучении на наборе данных netcat420/MFANN: 0,538 для версии на 2,78 млрд параметров. Метаданные этого репозитория указывают на 3,5 млрд параметров, контекст 32 768 токенов и формат safetensors; шаблон запросов использует поля Instruct и Output. Модель можно применять для ответов на инструкции и генерации текста на английском языке. Она доступна по лицензии MIT. README приводит только результат обучения и шаблон запроса, поэтому качество на независимых тестах и практические ограничения не описаны.

mistral-7b-uncensored-i1-GGUF — набор взвешенных GGUF-квантизаций модели luvGPT/mistral-7b-uncensored, подготовленный mradermacher. Модель основана на архитектуре Mistral с примерно 7 млрд параметров и предназначена для генерации текста на английском языке. Формат GGUF ориентирован на локальный запуск в совместимых приложениях и библиотеках. Модель подходит для диалогов, написания и продолжения текстов, ролевых сценариев и других задач генерации, где требуется модель без специально заявленных ограничений на содержание. В репозитории представлены варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 1,7 до 6 ГБ, что позволяет выбирать компромисс между потреблением памяти, скоростью и качеством; среди рекомендуемых отмечен i1-Q4_K_M. Основные ограничения связаны с потерями качества при сильной квантизации: самые компактные варианты могут заметно уступать более крупным по точности и связности ответов. README не указывает размер контекста, мультимодальные возможности, результаты тестирования или дополнительные языки, поэтому модель следует рассматривать прежде всего как англоязычную текстовую. Лицензия — Apache-2.0.

Monarch-7B-SFT — текстовая генеративная модель семейства Mistral с 7,1 млрд параметров, размещённая пользователем macadeliccc. Модель принимает текст и генерирует текст; заявленная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате Safetensors, лицензия — Apache 2.0. Модель подходит для генерации продолжений текста и ответов на текстовые запросы. В карточке приведены результаты Open LLM Leaderboard: средний балл 68,98, включая 63,74 на AI2 Reasoning Challenge и 83,58 на HellaSwag. README заполнен шаблонными сведениями и не раскрывает данные о разработчике, обучении, языках, конкретной настройке или ограничениях, поэтому назначение и качество модели нельзя точнее определить по доступным материалам.

Модель NAHYE — дообученная версия Qwen2.5-1.5B-bnb-4bit, разработанная NAHYE с использованием Unsloth и библиотеки TRL от Hugging Face. Это плотная авторегрессионная языковая модель семейства Qwen2 для генерации текста с 1,5 млрд параметров и контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста. В названии указана ориентация на корейский язык, однако README и метаданные не описывают обучение или качество на корейском языке, поэтому такую специализацию подтвердить нельзя. Лицензия Apache-2.0.

Qwen3.8-p44w75-16.8B-unrepaired — это исследовательская версия модели Qwen3.8-27B, созданная David Aylward совместно с Claude. Веса сокращены без дообучения: удалены 20 слоёв, а ширина оставшихся MLP уменьшена на 25%; в результате модель содержит 16,8 млрд параметров. Архитектура — гибрид Gated DeltaNet и полного внимания; метаданные указывают семейство Qwen3.5 и контекст до 262 144 токенов. Доступны веса Safetensors и варианты GGUF, включая Q4_K_M и Q8. Модель предназначена для диалогов, генерации текста и кода, а также арифметических задач; метаданные отмечают интерфейс вызова инструментов. В описанной авторами проверке она набрала 25 из 39 баллов, а авторы сообщают о повреждении некоторых редких фактических ассоциаций и склонности долго рассуждать на открытые запросы. Это необученный после структурного сокращения исследовательский артефакт, а не завершённый помощник; авторы рекомендуют дальнейшее постобучение. Лицензия — Apache-2.0.

Saanvi-C0-12B-i1-GGUF — это набор квантизированных GGUF-версий текстовой генеративной модели Saanvi-C0-12B, разработанной riple-saanvi-lab и квантизированной mradermacher. Модель предназначена для генерации текста и запуска в совместимых локальных средах, поддерживающих формат GGUF. В README указана поддержка английского языка и библиотека Transformers. Модель содержит около 12 млрд параметров. Доступны варианты квантизации imatrix, включая IQ1–IQ4, Q2–Q6 и другие форматы, объёмом примерно от 3,1 до 10,2 ГБ. Варианты различаются балансом между размером, скоростью и качеством: README отмечает Q4_K_M как быстрый и рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Более агрессивные варианты занимают меньше места, но могут заметно уступать по качеству. Это текстовая модель без заявленной поддержки изображений, аудио или других модальностей. Контекстное окно, архитектура базовой модели, результаты оценки и конкретные сценарии применения в README не указаны, поэтому её возможности в этих аспектах нельзя надёжно оценить. Модель распространяется по лицензии Apache-2.0.

sfmbaselinefiltered-0k1k2k3k4kweightedavgmerge — объединённая предварительно обученная языковая модель, созданная с помощью mergekit методом Linear. В качестве базовой использована контрольная точка global_step4000, а в объединение также вошли контрольные точки global_step0, global_step1000, global_step2000 и global_step3000 из серии baseline_filtered. Модель предназначена для генерации текста. Она построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и поддерживает контекст длиной до 16 384 токенов. Карточка не приводит сведений о целевых языках и специальных предметных областях. Модель распространена в формате safetensors; лицензия в предоставленных данных не указана.

Jsoo/solar-ko-common-slerp — объединённая с помощью SLERP языковая модель, созданная автором карточки на основе upstage/SOLAR-10.7B-Instruct-v1.0 и Jsoo/solar-ko-common-merged. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 10,4 млрд параметров и рассчитанная на генерацию текста и диалоговое взаимодействие. Максимальная длина контекста составляет 4096 токенов. Модель подходит для генерации ответов и выполнения инструкций в текстовых диалогах. Базовая модель Upstage описана как ориентированная на английский язык; карточка этой модели не подтверждает отдельные языковые характеристики итогового слияния. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Jebadiah/Tess-coder-ruby-p5 — языковая модель для генерации текста, созданная объединением предварительно обученных моделей с помощью mergekit. В основе объединения лежит Jebadiah/Tess-coder-ruby-p4, в него линейным методом DARE добавлена verifiers-for-code/Llama-3-LlamaPlanner. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров; модель работает с контекстом до 8192 токенов и рассчитана на диалоговое взаимодействие. Модель предназначена для генерации текста и может применяться в сценариях, связанных с программированием, благодаря включению модели LlamaPlanner. Карточка не описывает конкретные языки программирования или отдельные бенчмарки, поэтому качество и специализацию на конкретных задачах кодирования оценить нельзя. Файлы представлены в формате safetensors; для объединения использовалась точность bfloat16. Условия лицензии в предоставленных данных не приведены.

YuLan-LLaMA-2-13B — плотная авторегрессионная языковая модель семейства LLaMA, разработанная исследователями Высшей школы искусственного интеллекта имени Гаолина Народного университета Китая. Это базовая версия YuLan без этапа обучения на инструкциях: модель прошла дополнительное предобучение на качественных китайско-английских данных, но в таблице для этой версии SFT не отмечен. Веса содержат 12,9 млрд параметров, контекст составляет до 8 192 токенов; модель работает с текстом и предназначена для генерации продолжений. Дополнительное предобучение, расширенный китайский словарь и увеличенный контекст улучшают работу с китайским и длинными текстами на китайском и английском языках. Модель можно использовать как основу для генерации текста и дальнейшей адаптации; она не заявлена как чат-модель, настроенная на выполнение инструкций. Генерация может содержать предвзятые, дискриминационные или иные вредоносные ответы. Лицензия репозитория — MIT.

RedHatAI/Qwen3.8-27B-NVFP4 — квантизированная версия модели Qwen3.8-27B, разработанной командой Qwen; базовая модель указана как Qwen/Qwen3.8-27B. Это плотная causal language model с vision encoder, предназначенная для генерации и анализа текста, программирования, профессиональных и исследовательских задач, многошагового планирования и агентских сценариев. Модель нативно поддерживает понимание изображений и видео, включая документы, STEM-диаграммы и длительные видеоматериалы. Модель содержит 27 млрд параметров, 64 слоя и поддерживает контекст длиной 262 144 токена с возможностью расширения до 1 000 000 токенов с применением RoPE scaling, например YaRN. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN; предусмотрены режимы рассуждения с настраиваемой глубиной, отключением thinking mode и сохранением контекста рассуждений из предыдущих сообщений. Указанная сборка использует квантизацию NVFP4/FP4, при этом lm_head квантизирован в FP8. К сильным сторонам относятся компактность для модели такого класса, поддержка текста, изображений и видео, длинного контекста, программирования и автономного выполнения сложных задач. Ограничение данной сборки заключается в совместимости: согласно README, она работает только в vLLM и не поддерживается SGLang. Для запуска и качества генерации могут потребоваться специальные параметры семплирования и значительный лимит выходных токенов. Модель распространяется по лицензии Apache-2.0.

NVIDIA DeepSeek-V4-Flash-nvfp4-DSpark — это квантизированная версия DeepSeek-V4-Flash, разработанная с использованием NVIDIA Model Optimizer и объединённая в одном контрольном файле с официальным модулем спекулятивного декодирования DSpark от DeepSeek. Модель не является новой самостоятельной архитектурой и не принадлежит NVIDIA: NVIDIA подготовила сборку по требованиям сторонней модели DeepSeek. Лицензия — MIT. Модель предназначена для продвинутого рассуждения, агентных приложений, использования инструментов и решения сложных задач, включая математику, разработку программного обеспечения и корпоративных AI-ассистентов. Она принимает и генерирует текст, поддерживает многоходовые диалоги, системные инструкции, структурированный JSON, вызов функций и вывод рассуждений. Доступны режимы Non-think, Think High и Think Max, а максимальная длина контекста составляет 1 миллион токенов. Архитектура основана на Transformer и Mixture-of-Experts с гибридным вниманием, включающим Compressed Sparse Attention и Heavily Compressed Attention. Основная модель содержит 284 млрд параметров, из которых активируется 13 млрд. Модуль DSpark использует черновую модель с 21 млрд параметров, примерно 1 млрд из которых активируется; он предназначен для ускорения генерации за счёт спекулятивного декодирования, причём один контрольный файл может использоваться одновременно как целевая и черновая модель. Модель оптимизирована для NVIDIA GPU, прежде всего архитектуры Blackwell, и рассчитана на работу в Linux через vLLM с поддержкой DSpark. Квантизация NVFP4 снижает требования к вычислительным ресурсам, однако совместимость и производительность зависят от поддерживаемого оборудования и программного стека. Перед эксплуатацией необходимы тестирование на данных конкретного сценария и проверка безопасности и качества результатов.

NVIDIA Kimi-K3-NVFP4 — квантизированная версия мультимодальной модели Kimi-K3, разработанной Moonshot AI и оптимизированной NVIDIA с помощью Model Optimizer. Это авторегрессионная transformer-модель архитектуры Mixture-of-Experts с компонентами Kimi Delta Attention, Attention Residuals и Stable LatentMoE. Объём модели составляет 2,8 трлн параметров, при этом для каждого токена активируются 16 из 896 экспертов. Версия NVFP4 — 1.0, квантизация выполнена с использованием nvidia-modelopt v0.45.0. Модель предназначена для генерации текста и кода, длительных задач программирования, глубокого рассуждения, разработки игр, end-to-end knowledge work и мультимодальных агентских сценариев. Она принимает текст, изображения и видео, а её нативное контекстное окно составляет 1 048 576 токенов. На выходе формируется текст, включая естественно-языковые ответы, код, структурированный JSON, запросы инструментов и инструкции для координации агентов. Поддерживаются vLLM и SGLang; целевая аппаратная платформа — NVIDIA Blackwell B200 и B300 под Linux. К сильным сторонам относятся мультимодальность, чрезвычайно длинный контекст, MoE-архитектура и готовность к развёртыванию на NVIDIA GPU, включая NVFP4-квантизацию. Ограничения связаны с высокой общей размерностью модели и требованиями к специализированной аппаратуре; размер и свойства обучающих данных не раскрыты. Модель рассчитана на коммерческое и некоммерческое использование, однако её применение регулируется NVIDIA Open Model Agreement и дополнительными условиями лицензии Kimi-K3.

GLM-4.5 — базовая гибридная модель с открытыми весами, разработанная Z.ai и предназначенная для интеллектуальных агентов. Она объединяет рассуждение, программирование и работу с инструментами; поддерживает режимы пошагового мышления для сложных задач и вызова инструментов, а также режим быстрых ответов. Архитектура семейства GLM-4 MoE, класс модели для причинной генерации текста; в карточке Hugging Face указано 23,4 млрд параметров, а README описывает серию GLM-4.5 с 355 млрд общих и 32 млрд активных параметров. Контекст — до 131 072 токенов. Модель принимает текстовые запросы и выдаёт текст; заявлены английский и китайский языки. Модель подходит для диалоговых помощников, программирования, сложного анализа и агентных сценариев с вызовом инструментов. README сообщает о результатах на 12 отраслевых бенчмарках, но конкретные результаты требуют сверки с техническим отчётом. Весовые файлы доступны в формате safetensors; для запуска описана поддержка Transformers, vLLM и SGLang, а в README также упомянуты варианты BF16 и FP8 для серии. Лицензия MIT допускает коммерческое использование и доработку. Для полного вывода GLM-4.5 требуются значительные вычислительные ресурсы; приведённые в README конфигурации для тонкой настройки включают 16 ускорителей H100 для LoRA.

unsloth/Qwen3-Next-80B-A3B-Instruct-GGUF — GGUF-версия инструкционной причинной языковой модели Qwen3-Next-80B-A3B-Instruct, разработанной командой Qwen и подготовленной Unsloth. Модель предназначена для генерации текста, диалогов, программирования, следования инструкциям, решения задач, работы с агентскими сценариями и обработки очень длинного контекста. Она поддерживает только instruct-режим без блоков рассуждений <think></think> в ответах. Модель использует гибридную архитектуру Gated DeltaNet и Gated Attention, а также разреженную смесь экспертов MoE. Всего модель содержит 80 млрд параметров, из которых около 3 млрд активируются для обработки каждого токена; 48 слоёв, 512 экспертов и 10 активируемых экспертов. Нативная длина контекста составляет 262 144 токена, с возможностью расширения до 1 010 000 токенов. В README языки и точные характеристики GGUF-квантизации не указаны. К сильным сторонам относятся высокая параметрическая эффективность, потенциально высокая скорость инференса, поддержка ультрадлинного контекста и хорошие результаты в задачах знаний, рассуждений, программирования, следования инструкциям и написания текстов. Ограничения включают отсутствие режима thinking и необходимость учитывать аппаратные требования, связанные с общим размером модели; конкретные требования к памяти зависят от варианта квантизации GGUF. Модель распространяется по лицензии Apache-2.0.

Карточка модели ravan011/GLM-5.2 на Hugging Face совпадает с карточкой Ares-Realm-Studios/GLM-5.2, поэтому описание составлено по ней. GLM-5.2 — большая языковая модель от Ares-Realm-Studios для продолжительных задач, диалогов и программирования. Она построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров; модель принимает и генерирует текст, поддерживает контекст до 1 048 576 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для многошаговой работы с длинным контекстом, включая анализ материалов и разработку программного кода. В README заявлены гибкие уровни усилий рассуждения и оптимизации для обработки контекста в миллион токенов; для локального запуска перечислены Transformers, vLLM, SGLang и другие среды. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии MIT. Заявленные возможности и результаты приведены авторами; практическое качество может зависеть от сценария и настроек запуска.

Карточка модели sebastian06austin/GLM-5.2 на Hugging Face совпадает с карточкой Ares-Realm-Studios/GLM-5.2, поэтому описание составлено по ней. GLM-5.2 — большая языковая модель от Ares-Realm-Studios для продолжительных задач, диалогов и программирования. Она построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров; модель принимает и генерирует текст, поддерживает контекст до 1 048 576 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для многошаговой работы с длинным контекстом, включая анализ материалов и разработку программного кода. В README заявлены гибкие уровни усилий рассуждения и оптимизации для обработки контекста в миллион токенов; для локального запуска перечислены Transformers, vLLM, SGLang и другие среды. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии MIT. Заявленные возможности и результаты приведены авторами; практическое качество может зависеть от сценария и настроек запуска.

MLX-версия модели K2-Horizon-7B-oQ6e — квантованная конверсия IFM/K2-Horizon-7B, разработанной командой IFM. Модель относится к семейству K2 Horizon и предназначена для генерации текста, рассуждений, программирования, работы с инструментами и многошаговыми диалогами. Конверсия выполнена в формате MLX с использованием смешанной 6-битной квантизации oQ6e, оптимизированной для Apple Silicon. Модель имеет плотную архитектуру и около 7 миллиардов параметров, поддерживает контекст до 512 тысяч токенов и работает с текстом. Она ориентирована на задачи, требующие развитого рассуждения, включая разработку ПО, работу в терминале, банковские сценарии, поиск и анализ информации, а также математические задачи. Для получения наилучших результатов рекомендуется использовать высокий уровень усилий рассуждения reasoning_effort="high". Модель поддерживает специальные блоки рассуждений, вызовы инструментов и многоходовые беседы через пользовательский шаблон чата IFM. В README приведены результаты тестирования исходной K2-Horizon-7B: 70,6% в SWE-bench Verified, 39,06% в Terminal-Bench 2.1, 25,8% в tau3-Banking, 59,0% в BrowseComp и 73,3% в HMMT February 2026. Ограничения связаны с необходимостью использовать MLX-совместимую среду и oMLX версии 0.6.4 или новее с патчем поддержки типа модели k2_horizon; без него модель не загрузится. Модель распространяется по лицензии Apache-2.0, как и исходная модель.

Esper 3.1 — дообученная Valiant Labs модель на базе Qwen3.5-27B, предназначенная для рассуждений в программировании, проектировании архитектуры и DevOps. Она подходит для помощи разработчикам и инженерам: от анализа сложных задач и написания кода до настройки инфраструктуры, CI/CD и систем облачного развёртывания. В README также заявлены навыки в MLOps, проектировании систем ИИ и общих рассуждениях. Модель имеет плотную архитектуру Qwen3.5 и 22,3 млрд параметров по метаданным; максимальный контекст составляет 262 144 токена. Она принимает текст и изображения и генерирует текст. В карточке указан английский язык. Модель распространяется в формате Safetensors, лицензия — Apache-2.0. Качество на конкретных задачах и требования к аппаратным ресурсам README не уточняет.

Smoffyy/Qwen3.6-27B-Instruct-Revised-GGUF — производная от Qwen3.6-27B, разработанного командой Qwen, и конвертация в формат GGUF, выполненная Smoffyy с использованием llama.cpp. Модель предназначена для диалоговых задач, программирования, агентских сценариев, работы с репозиториями и frontend-разработки. Она также поддерживает обработку изображений при использовании файла mmproj-f16.gguf. В основе лежит каузальная языковая модель с vision-энкодером на 27 млрд параметров, 64 слоями и нативным контекстом до 262 144 токенов; заявлена возможность расширения контекста до 1 010 000 токенов. Доступны различные уровни квантования GGUF. Вариант Revised сохраняет возможности исходной модели, но содержит исправленный и улучшенный шаблон чата с поддержкой роли developer, управлением режимом reasoning и другими исправлениями. По умолчанию используется режим без рассуждений; включение и отключение reasoning задаётся через системный промпт. Для запуска рекомендуется выбирать q5_k_m и выше при наличии от 48 ГБ VRAM, q4_k_m как сбалансированный вариант при наличии от 24 ГБ, а q3_k_m для систем с 8–12 ГБ. Ограничения зависят от выбранного уровня квантования и доступной памяти; для мультимодальной работы требуется дополнительный mmproj-файл. Модель и производные распространяются по лицензии Apache 2.0.

Atom-80B — диалоговая языковая модель VANTA Research, дообученная на базе Qwen3-Next-80B-A3B-Instruct для совместной работы с человеком. Это пятая модель проекта Atom, ориентированного на модели с дружелюбным и ориентированным на сотрудничество стилем общения. Модель использует архитектуру Qwen3 Next с разреженной схемой Mixture of Experts (MoE); в метаданных указано 2,3 млрд параметров и контекст до 262 144 токенов. Работает с текстом и предназначена для генерации ответов в формате диалога. Модель подходит для совместного мозгового штурма, синтеза исследовательских материалов, объяснения технических тем, обсуждения кода и творческого решения задач. Разработчик заявляет о сильных сторонах в многошаговых рассуждениях, совместном выполнении задач и устойчивом стиле общения. README не приводит результаты независимых оценок качества, поэтому фактические утверждения следует проверять; модель не предназначена для принятия решений с высокими ставками без контроля человека и не должна заменять медицинскую, юридическую или финансовую консультацию. Лицензия — Apache-2.0.

darkc0de/gemma-4-31B-it-Claude-Opus-Distill-v2-heretic — производная модель на основе unsloth/gemma-4-31B-it, дообученная с помощью Unsloth на наборах рассуждений, дистиллированных из взаимодействий Claude Opus 4.5 и 4.6 с высоким уровнем рассуждений. Затем модель была декензурирована методом abliteration с помощью Heretic v1.3.0; в описанных измерениях частота отказов снизилась с 89 до 28 из 100, а KL-дивергенция относительно исходной версии составила 0,0063. Модель предназначена для диалогов и решения многошаговых задач: генерации и отладки кода, научного анализа, исследовательских запросов и повседневных инструкций. Архитектура Gemma 4 — плотная мультимодальная модель на 31 млрд параметров с поддержкой изображений; заявлены режим рассуждений и обработка изображений с настраиваемым бюджетом визуальных токенов. В метаданных указан pipeline image-text-to-text и библиотека Transformers. Модель распространяется по лицензии Apache-2.0. В README отмечены сниженная склонность к отказам и способность к сложным рассуждениям, однако бенчмарки ещё не опубликованы; измерение отказов приведено только для конкретной внутренней проверки и не гарантирует поведения во всех сценариях.

Карточка модели AndresDevelopers/GLM-5.2 на Hugging Face совпадает с карточкой Ares-Realm-Studios/GLM-5.2, поэтому описание составлено по ней. GLM-5.2 — большая языковая модель от Ares-Realm-Studios для продолжительных задач, диалогов и программирования. Она построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров; модель принимает и генерирует текст, поддерживает контекст до 1 048 576 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для многошаговой работы с длинным контекстом, включая анализ материалов и разработку программного кода. В README заявлены гибкие уровни усилий рассуждения и оптимизации для обработки контекста в миллион токенов; для локального запуска перечислены Transformers, vLLM, SGLang и другие среды. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии MIT. Заявленные возможности и результаты приведены авторами; практическое качество может зависеть от сценария и настроек запуска.

GLM-5.2 — большая языковая модель от Ares-Realm-Studios для продолжительных задач, диалогов и программирования. Она построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров; модель принимает и генерирует текст, поддерживает контекст до 1 048 576 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для многошаговой работы с длинным контекстом, включая анализ материалов и разработку программного кода. В README заявлены гибкие уровни усилий рассуждения и оптимизации для обработки контекста в миллион токенов; для локального запуска перечислены Transformers, vLLM, SGLang и другие среды. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии MIT. Заявленные возможности и результаты приведены авторами; практическое качество может зависеть от сценария и настроек запуска.

Карточка модели CandyBuster/GLM-5.2 на Hugging Face совпадает с карточкой Ares-Realm-Studios/GLM-5.2, поэтому описание составлено по ней. GLM-5.2 — большая языковая модель от Ares-Realm-Studios для продолжительных задач, диалогов и программирования. Она построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров; модель принимает и генерирует текст, поддерживает контекст до 1 048 576 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для многошаговой работы с длинным контекстом, включая анализ материалов и разработку программного кода. В README заявлены гибкие уровни усилий рассуждения и оптимизации для обработки контекста в миллион токенов; для локального запуска перечислены Transformers, vLLM, SGLang и другие среды. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии MIT. Заявленные возможности и результаты приведены авторами; практическое качество может зависеть от сценария и настроек запуска.

Карточка модели jihui19499/GLM-5.2 на Hugging Face совпадает с карточкой Ares-Realm-Studios/GLM-5.2, поэтому описание составлено по ней. GLM-5.2 — большая языковая модель от Ares-Realm-Studios для продолжительных задач, диалогов и программирования. Она построена на архитектуре GLM MoE DSA и содержит 30,4 млрд параметров; модель принимает и генерирует текст, поддерживает контекст до 1 048 576 токенов и рассчитана прежде всего на английский и китайский языки. Модель предназначена для многошаговой работы с длинным контекстом, включая анализ материалов и разработку программного кода. В README заявлены гибкие уровни усилий рассуждения и оптимизации для обработки контекста в миллион токенов; для локального запуска перечислены Transformers, vLLM, SGLang и другие среды. Репозиторий содержит веса Safetensors. Модель распространяется по лицензии MIT. Заявленные возможности и результаты приведены авторами; практическое качество может зависеть от сценария и настроек запуска.