II.2Создание и понимание программного кода

vinmlops/sft-v2 — это чат-модель на базе vinmlops/cpt-v2, разработанная vinmlops и обученная следовать инструкциям. Она предназначена для ответов на вопросы о больших языковых моделях, нейронных сетях и трансформерах, а также на общие повседневные вопросы. Модель построена на плотной архитектуре Qwen3ForCausalLM с 1,7 млрд параметров и контекстом до 32 768 токенов. Модель прошла supervised fine-tuning с LoRA; адаптер объединён с весами в самостоятельную модель bf16, которую можно загружать без PEFT. README позиционирует её как учебный эксперимент и основу для последующего DPO-этапа. Модель ориентирована на английский язык и поддерживает текстовый диалог. Модель лучше всего подходит для обучения и демонстраций, особенно по темам ML и LLM. Она может давать неточные, неполные или устаревшие ответы, а качество на общих темах ограничено; важные сведения следует проверять. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

SNAC 24 kHz — декодер многомасштабного нейронного аудиокодека, разработанный авторами проекта SNAC и экспортированный loom-ai-org в формат GGUF для loom.cpp. Он преобразует выровненные кодовые токены SNAC в аудиоволну с частотой 24 кГц; это только декодирующая часть кодека, без кодирования аудио в токены. Модель не является языковой и не имеет языкового словаря. Декодер принимает по одной строке на каждый самый редкий временной кадр: 7 идентификаторов кодовых книг, сгруппированных по уровням. Частота таких кадров — около 11,72 в секунду, каждый кадр восстанавливает 2048 аудиосэмплов. Веса не изменены относительно hubertsiuzdak/snac_24khz; репозиторий содержит их экспорт в GGUF и предназначен для запуска через loom-py-rt. Лицензия — MIT. Декодирование использует случайный шум, передаваемый драйвером; при фиксированном seed результаты повторяемы. Для корректного восстановления входные коды должны быть выровнены, а токены, выдаваемые авторегрессионной моделью с другим порядком или задержками потоков, необходимо предварительно переставить. На низком битрейте могут быть слышны модуляция фонового шума и шипение, характерные для исходного декодера.

SPADE-Qwen3-4B-Games — языковая модель на базе Qwen3-4B-Instruct-2507, разработанная проектом SPADE для сценариев с играми. Модель дообучена в рамках подхода, где она играет две роли: проектирует исполняемые игровые среды и выступает агентом, который решает созданные игры. Разработчик обучает модель с подкреплением и самоигрой, подстраивая сложность генерируемых сред под текущие возможности агента. Модель предназначена для генерации игровых сред и рассуждений при решении игр. Это плотная архитектура Qwen3 с 3,7 млрд параметров, текстовым вводом и текстовой генерацией; контекст — до 262 144 токенов. Для запуска рекомендованы актуальная версия Transformers, а для развёртывания API — SGLang или vLLM. Используется лицензия Apache-2.0. Карточка не приводит результатов сравнительных оценок качества или гарантий корректного исполнения сгенерированных сред. Рекомендации по генерации: temperature 0,7, top_p 0,8 и top_k 20; модель унаследовала базовую архитектуру и контекст Qwen3-4B-Instruct-2507.

bigcode/starcoder-cxso — экспериментальная абляция OctoCoder, опубликованная для исследовательских целей. Это плотная авторегрессионная языковая модель архитектуры GPTBigCode, работающая с текстом и предназначенная для генерации текста; обычно рекомендуется использовать OctoCoder, который, согласно карточке, показывает лучшие результаты. Модель использует PyTorch и поддерживает контекст до 8192 токенов. В README указано, что это шаг 30 эксперимента; карточка не уточняет специализацию по языкам программирования или другие сценарии применения. Репозиторий содержит веса в формате PyTorch. Условия лицензии в доступных данных не приведены.

testbyobnet.r160in1k — очень компактная модель классификации изображений семейства ByobNet, опубликованная Ross Wightman в рамках PyTorch Image Models. Она использует архитектуру ByobNet с остаточными смешанными блоками и обучена на ImageNet-1k; в карточке указано около 0,5 млн параметров и входной размер изображения 160 × 160 пикселей. Модель предназначена для проверки и sanity checks, а также для классификации изображений по категориям ImageNet-1k. Её можно использовать как небольшой backbone для извлечения карт признаков и эмбеддингов изображений. Репозиторий предоставляет веса PyTorch и safetensors; для работы используется библиотека timm. Это тестовая модель, а приведённые в README результаты относятся к другим моделям из таблицы, поэтому их нельзя считать оценкой качества данного чекпойнта. Лицензия — Apache-2.0.

nm-testing/tinyllama-oneshot-w8a16-per-channel — тестовый вариант модели TinyLlama, опубликованный организацией NM Testing на Hugging Face. Он предназначен прежде всего для проверки и интеграционного тестирования средств сжатия и инференса LLM, включая llm-compressor, compressed-tensors и vLLM, а также может использоваться для генерации текста и диалоговых сценариев через Transformers и совместимые серверы инференса. Модель относится к семейству TinyLlama и содержит около 1 млрд параметров. Это decoder-only модель архитектуры Llama для text generation с поддержкой conversational chat template. Формат w8a16-per-channel означает квантизацию весов до 8 бит при сохранении 16-битных активаций с масштабированием по каналам; на странице репозитория указаны тензоры I32 и BF16. Производительность и качество должны быть выше пригодности для компактного локального инференса, но могут уступать исходной полноточной версии из-за квантизации. Точная длина контекста, набор языков и дополнительные архитектурные параметры для этого производного репозитория явно не описаны. Карточка модели не содержит отдельного описания лицензии; поэтому условия использования именно этой квантизированной версии по доступным данным установить нельзя. Репозиторий входит в коллекцию моделей, применяемых в CI-тестах, что указывает на тестовое, а не на самостоятельное целевое прикладное назначение.

Google ViT Huge Patch14 — визуальный трансформер-энкодер, предобученный на ImageNet-21k с учителем. Модель содержит около 839 млн параметров и принимает изображения размером 224×224 пикселя, разбивая их на патчи 14×14 для обработки трансформером. Веса в репозитории конвертированы из timm; доступны варианты для PyTorch, TensorFlow и JAX/Flax. Модель предназначена для извлечения признаковых представлений изображений и последующего обучения классификатора или другой задачи компьютерного зрения. Веса классификационной головы не настроены, но предобученное представление и pooler можно использовать в downstream-задачах. Для тонкой настройки на классификацию в исходной карточке отмечено, что более высокое разрешение 384×384 может давать лучшие результаты. Лицензия — Apache-2.0.

amalia-desenrasca-9b — языковая модель на архитектуре Llama с 8,6 млрд параметров, дообученная jgalego на базе amalia-llm/AMALIA-9B-0626-SFT для вызова инструментов в диалогах на европейском португальском (pt-PT). Модель принимает описание инструментов в системном сообщении и может выдать структурированный вызов, в том числе несколько параллельных вызовов, либо ответить обычным текстом, когда подходящего инструмента нет. Контекст составляет 32 768 токенов; модель распространяется в формате safetensors под лицензией Apache-2.0. Модель предназначена для создания португалоязычных ассистентов и агентов, которым нужно выбирать функцию и заполнять её аргументы по запросу пользователя. В опубликованных оценках она улучшила результаты базовой AMALIA на BFCL для pt-PT и английского, а также показала высокую долю корректных вызовов на отдельном тесте. Английские схемы инструментов, вызовы и результаты могут использоваться вместе с португальскими запросами. Известные ограничения: модель может выдумывать недостающие аргументы вместо уточнения, а в отдельных задачах выводила координаты центра города. Обучающие данные на pt-PT машинно переведены моделью AMALIA и не проходили проверку человеком; значения аргументов могут сохранять английское написание, например New York.

Aurora Proelia Thinking — компактная экспериментальная языковая модель North ML на 206,9 млн параметров, созданная дообучением North-ML1/Aurora-Proelia. Это причинная плотная модель для генерации текста с диалоговым режимом; она принимает текст и генерирует текст. Контекст модели — 2048 токенов, основной язык — английский. Модель дообучена методом supervised fine-tuning на 500 проверенных примерах математических рассуждений из open-r1/OpenR1-Math-220k, с небольшим набором примеров обычного общения для сохранения краткого диалогового стиля. Она предназначена для экспериментов с пошаговыми математическими и техническими запросами, учебных сценариев и лёгких прототипов рассуждений. Размер обучающей выборки невелик, поэтому модель может ошибаться в точной арифметике, длинных доказательствах и незнакомых фактах; она не всегда показывает ход рассуждений, а ответы следует проверять. Лицензия не предоставлена; права на использование и распространение оставлены за North ML.

Aurora-Spec-Minimax-M2.5 — компактная черновая модель архитектуры EAGLE3 от Together Computer для ускорения генерации с помощью спекулятивного декодирования. Она обучена с нуля в рамках онлайн-обучения Aurora и предназначена для совместной работы с целевой моделью MiniMaxAI/MiniMax-M2.5: черновая модель предлагает токены, а целевая модель проверяет их параллельно. В README указаны 715,3 млн параметров, однослойный Transformer-декодер и контекст 196 608 токенов из метаданных; карточка отмечает английский язык. Модель рассчитана на универсальные текстовые запросы к целевой модели и может ускорять генерацию; для рекомендуемой конфигурации с lookahead 4 заявлена средняя длина принятой последовательности 2,62 токена. Модель используют как черновую часть EAGLE3-конвейера, например в SGLang с MiniMax M2.5. Она оптимизирована именно под эту целевую модель, требует совместимого движка спекулятивного декодирования, а скорость зависит от размера пакета и конфигурации; с другими целевыми моделями производительность может отличаться. Лицензия — Apache-2.0.

Это модель классификации намерений пользователей в запросах к службе поддержки, созданная на основе BERT и обученная авторами книги «NLP with Transformers» на наборе данных CLINC150. Она предназначена для определения намерения по тексту запроса, например для маршрутизации обращений в клиентском сервисе. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Доступны веса в форматах PyTorch и Flax. В карточке не указаны поддерживаемые естественные языки и лицензия, поэтому их нельзя установить по имеющимся данным.

caformer_s18.sail_in22k_ft_in1k — модель классификации изображений семейства CAFormer и архитектуры MetaFormer, опубликованная авторами статьи и доступная в библиотеке timm. Она предварительно обучена на ImageNet-22k, затем дообучена для классификации на ImageNet-1k. Модель содержит 26,3 млн параметров, выполняет 4,1 GMACs и рассчитана на изображения размером 224 × 224 пикселя. Модель предназначена для отнесения изображений к категориям ImageNet-1k, а также может использоваться как визуальный backbone для извлечения признаков и эмбеддингов изображений. Подходит для классификации объектов на фотографиях и построения систем компьютерного зрения на основе извлечённых признаков. Доступна в форматах PyTorch и safetensors; лицензия Apache-2.0.

ChordMini ChordNet «2E1D» — экспорт классификатора аккордов в ONNX для выполнения через onnxruntime-web и WebGPU. Модель принимает подготовленные log-CQT признаки размером [16, 108, 144] и выдаёт логиты для 170 классов аккордов по временным кадрам. Нормализация признаков встроена в граф; извлечение CQT, оконная обработка и сглаживание выполняются хост-приложением. Модель предназначена для распознавания аккордов в музыке как части аудиоконвейера и для инференса на клиентских устройствах с WebGPU. Это не готовый преобразователь аудио в аккорды: хост должен вычислять признаки, совместимые с поставляемым планом CQT, подавать окна группами по 16 и обрабатывать выходные логиты. Экспорт рассчитан на инференс, а не на обучение в других фреймворках. Репозиторий содержит формат ONNX и план извлечения CQT, согласованный с признаками, на которых ожидает работать граф. Лицензия — MIT. Ограничения включают статические размеры входа, чувствительность к способу сведения стерео в моно и известные ошибки WebGPU на некоторых устройствах Adreno; проверенная точность зависит от использования совместимого CQT и корректной реализации на целевом устройстве.

CyberStrike-OffSec-35B-GGUF — это текстовая GGUF-квантизация модели CyberStrike-OffSec-35B, разработанной oyildirim, подготовленная ahmedandaloes для сообщества. Модель предназначена для генерации текста в задачах кибербезопасности, включая offensive security, penetration testing и red team-сценарии, и ориентирована на работу через llama.cpp, Ollama, LM Studio и совместимые инструменты. Модель основана на архитектуре Qwen3.5 MoE и имеет заявленный размер 35B параметров. Поддерживается только текстовый ввод и вывод, указан язык English. Доступны варианты квантизации от Q2_K до Q8_0: более компактные варианты требуют меньше оперативной памяти, но сильнее теряют в качестве, тогда как Q6_K и Q8_0 обеспечивают более высокую точность. Рекомендуемым компромиссом между качеством и потреблением памяти назван Q4_K_M. К ограничениям относятся потери качества, зависящие от выбранного уровня квантизации, а также необходимость скачать все части выбранного варианта, поскольку файлы разделены на фрагменты размером около 5 ГБ. Контекст модели в README не указан. Лицензия — Apache-2.0; модель предназначена исключительно для авторизованных работ в области offensive security.

DeepHermes-AscensionMaze-RLAIF-8b-Atropos — экспериментальная языковая модель Nous Research, полученная дообучением Meta-Llama-3.1-8B с помощью фреймворка Atropos и обучения с подкреплением на данных WildChat. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров, рассчитанная на генерацию текста и диалог; заявлены интерфейс вызова инструментов и контекст до 131 072 токенов. Карточка описывает модель как экспериментальный артефакт, не предназначенный для широкого применения. Модель может быть интересна для изучения поведения языковых моделей после RL-обучения и для экспериментов с диалогом, рассуждениями и вызовом инструментов. Заявления README о специальных архитектурах рассуждения и самоадаптации не подтверждены метаданными или конкретными результатами и не должны считаться установленными свойствами. Лицензия — Llama 3.

Deita Complexity Scorer — модель проекта Deita для автоматической оценки сложности инструкций в данных для supervised fine-tuning языковых моделей. Она дообучена на базе Llama-1-13b-hf и предназначена для автоматической разметки инструкций при отборе обучающих данных. Модель содержит 6,6 млрд параметров, использует архитектуру Llama и принимает текст; указанное окно контекста — 2048 токенов. Основной язык — английский. Результат оценки предназначен для подготовки и фильтрации наборов инструкций, используемых при настройке LLM. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Карточка описывает модель как инструмент оценки сложности инструкций, а не как универсального разговорного помощника.

DPN-98 MXNet ImageNet-1k — модель классификации изображений на архитектуре Dual-Path Network (DPN). Её обучили авторы статьи на ImageNet-1k в MXNet, а Ross Wightman перенёс веса в PyTorch; модель распространяется через библиотеку timm. В ней 61,6 млн параметров, а штатный размер входного изображения составляет 224 × 224 пикселя. Модель предназначена для классификации изображений и может использоваться как backbone для извлечения карт признаков и эмбеддингов. Она обучена на ImageNet-1k, поэтому её классы и качество ориентированы на эту задачу. Репозиторий содержит веса в форматах PyTorch и safetensors и распространяется по лицензии Apache-2.0.

Experiment21-7B — экспериментальная языковая модель Yam Peleg для проверки и уточнения исследовательского конвейера обучения и оценки LLM. Она предназначена для изучения методов подготовки данных, эффективности архитектуры, алгоритмов обучения и метрик оценки. Модель построена на архитектуре MistralForCausalLM с плотной структурой и содержит 7,1 млрд параметров. Она работает с текстом, поддерживает английский язык и имеет контекстное окно 32 768 токенов. Веса опубликованы в формате Safetensors для Transformers. Карточка описывает модель как эксперимент, а подробности об обучении и результаты оценки не приводит. Лицензия — Apache-2.0.

Experiment29-7B — экспериментальная языковая модель на архитектуре Mistral, опубликованная yam-peleg. Репозиторий содержит плотную причинно-авторегрессионную модель объёмом 7,1 млрд параметров в формате Safetensors; заявленный размер контекста — 32 768 токенов. Модель предназначена для проверки и уточнения конвейера обучения и оценки LLM, включая обработку данных, алгоритмы обучения и метрики оценки. Модель выполняет генерацию текста и рассчитана на эксперименты с обучением и оцениванием языковых моделей. README не описывает отдельные пользовательские сценарии или подтверждённые улучшения качества. Лицензия — Apache-2.0.

FlashVAD v0.1 — детектор речевой активности, разработанный Himanshu Maurya. Модель размером 46 170 параметров предназначена для потоковой причинной обработки аудио и оценки вероятности речи каждые 10 мс. Она рассчитана на монофонический звук 16 кГц; ONNX-граф принимает не исходную волну, а заранее вычисленные причинные признаки размерностью 43 и требует отдельного состояния обработки для каждого звонка. Архитектура включает четыре причинных depthwise temporal-блока с дилатациями 1, 2, 4 и 8, GRU на 64 блока и выходы для речи и вспомогательных событий. Модель подходит для исследовательской оценки архитектуры, проверки интеграций с браузерными и телефонными аудиостеками, измерения задержки и параллельности, а также теневого сравнения на размеченных звонках с согласием участников. В заметках о тренировочных данных указаны клипы FLEURS на арабском, английском, гуджарати, хинди, каннада, панджаби, тамильском, телугу и урду, записи встреч AMI и шумы MUSAN; присутствие языка в обучении не подтверждает качество для него. Проверка на публичном наборе TEN VAD дала 26,3% ложных срабатываний, причём этот набор использовался при исследовательском выборе модели, поэтому результат не является независимой оценкой обобщения. Это альфа-версия для исследовательских и интеграционных экспериментов, не одобренная для производства. Возможны пропуски тихой речи и ложные срабатывания на музыку, эхо, телевизор, смех, пение и речь нескольких собеседников; модель не определяет смысловое завершение реплики. Данные о точном обучающем запуске сохранены не полностью, поэтому его нельзя побитно воспроизвести. Лицензия — CC BY 4.0.

gemma-4-31B-it-DFlash — вспомогательная модель-черновик DFlash для ускорения генерации текста базовой моделью google/gemma-4-31B-it. Она использует блочную диффузию, чтобы предлагать несколько токенов параллельно в рамках спекулятивного декодирования; для работы её необходимо подключить к указанной базовой модели. В метаданных указаны плотная архитектура семейства Qwen3, класс DFlashDraftModel, размер 2,6 млрд параметров и контекст 262 144 токена. Модель рассчитана на интеграцию с Transformers и серверными движками vLLM или SGLang; README приводит результаты бенчмарков с ускорением до 5,8 раза при concurrency 1 на одном GPU NVIDIA B300, что зависит от сценария и конфигурации. Это не самостоятельная чат-модель: её назначение — ускорять вывод Gemma 4 31B Instruct посредством спекулятивного декодирования. README указывает лицензию Apache-2.0. Для vLLM на момент карточки требовалась сборка из pull request с поддержкой Gemma 4 DFlash; приведённые измерения производительности не гарантируют такого же ускорения на другом оборудовании или нагрузке.

GhostNetV2 1.0 — сверточная модель классификации изображений и извлечения признаков из семейства GhostNetV2, созданная авторами исследования и обученная на ImageNet-1k. Она подходит для распознавания объектов на изображениях, получения карт признаков и визуальных эмбеддингов; модель рассчитана на входной размер 224 × 224 пикселя. Модель содержит 6,2 млн параметров и требует около 0,2 GMAC на изображение, что делает её компактной основой для компьютерного зрения и развёртывания с ограниченными вычислительными ресурсами. Репозиторий предоставляет веса PyTorch и safetensors, а работа с моделью ориентирована на библиотеку timm. Лицензия — Apache-2.0.

GPT-OSS-Cybersecurity-Merged-20B-heretic-ara-GGUF — это набор статических квантованных версий текстовой генеративной модели GPT-OSS-Cybersecurity-20B-Merged-heretic-ara, разработанной piotreknow02. Модель предназначена для задач кибербезопасности, включая генерацию и обработку текстовых ответов по вопросам безопасности. В её обучении или настройке, согласно карточке, использовались датасеты Trendyol-Cybersecurity-Instruction-Tuning-Dataset, Cybersecurity-Dataset-Fenrir-v2.0 и Primus-Instruct. Модель относится к архитектуре mixture-of-experts (MoE), имеет заявленный размер 20B и работает с текстом на английском языке. Она подготовлена для использования через Transformers; конкретные параметры контекстного окна, перечень квантований, требования к аппаратному обеспечению и результаты оценки в карточке не указаны. Обозначения heretic, uncensored, decensored и abliterated присутствуют среди тегов, однако README не раскрывает их техническое содержание и влияние на поведение модели. Модель может быть полезна для специализированной генерации текста в сценариях кибербезопасности, но её ограничения, точность, устойчивость и безопасность ответов требуют самостоятельной проверки. Распространение указано под лицензией Apache-2.0.

AvoCahDoe публикует JetMoE 8B RL-MPQ Aggressive — вариант JetMoE-8B с агрессивной поканальной смешанной точностью, полученный методом RL-MPQ. PPO-агент назначает слоям разрядность весов, затем политику применяют к исходным весам и проверяют качество по perplexity на WikiText-2. Средняя точность составляет 3,5833 бита на вес; веса экспортированы в fake-quantized FP16 и совместимы с Transformers. Модель построена на MoE-архитектуре JetMoeForCausalLM, содержит 1,2 млрд параметров и поддерживает контекст до 4096 токенов. Модель предназначена для генерации текста и экспериментов с экономным хранением и запуском языковой модели при смешанной точности. README указывает Apache-2.0; метаданные связывают её с jetmoe/jetmoe-8b как с базой дообучения. Метаданные указывают английский язык, а WikiText-2 использован для проверки perplexity.

tiny-random/lfm2-moe — небольшая случайно инициализированная модель для генерации текста, созданная на основе конфигурации LiquidAI/LFM2-8B-A1B. Модель предназначена разработчиками репозитория для отладки, тестирования и проверки интеграций, а не для получения качественных ответов.

Карточка модели GraphWiz/LLaMA2-7B на Hugging Face совпадает с карточкой GraphWiz/LLaMA2-7B-DPO, поэтому описание составлено по ней. GraphWiz/LLaMA2-7B-DPO — инструктивная языковая модель проекта GraphWiz на архитектуре LLaMA, предназначенная для решения задач на графах. Модель преобразует текстовые описания графов и структур в явное рассуждение на естественном языке и ответ. В карточке указаны 6,6 млрд параметров, контекст до 4096 токенов и формат PyTorch. Модель обучалась в два этапа: смешанное обучение на нескольких типах задач и выравнивание предпочтений методом DPO. Она предназначена для задач о циклах, связности, двудольности, топологии, кратчайших путях, треугольниках, потоках, гамильтоновых циклах и подграфах. В качестве датасета указан GraphWiz/GraphInstruct-RFT-72K. Лицензия — Apache-2.0. Модель генерирует ответы на естественном языке, однако её результаты по задачам на графах могут быть ошибочными; README приводит сравнительные оценки, но доступный фрагмент не содержит полных результатов. Язык модели и результаты за пределами графовых задач в предоставленных данных не описаны.

Llama-3-15b-Instruct — плотная языковая модель на архитектуре Llama с 14,9 млрд параметров, созданная athirdpath с помощью mergekit на основе NousResearch/Meta-Llama-3-8B-Instruct. В метаданных Hugging Face для неё указаны задача генерации текста, диалоговый режим и контекст до 8192 токенов; файлы модели доступны в формате safetensors. Модель предназначена прежде всего для дальнейшего дообучения. Она может использоваться как основа для экспериментов с генерацией текста и диалоговыми сценариями, однако автор отмечает, что в текущем виде её качество ненадёжно. Лицензия в предоставленных данных не указана.

MegaMath-Llama-3.2-1B — экспериментальная модель на базе Llama 3.2 с 1,2 млрд параметров, обученная на наборе MegaMath. Она предназначена для генерации ответов на математические задачи с использованием Chain-of-Thought и Program-Aided Language: модель может рассуждать пошагово и задействовать программный подход к решению. В метаданных указаны архитектура LlamaForCausalLM, библиотека Transformers, контекст до 131 072 токенов и английский язык. Модель представлена как proof of concept, поэтому её следует рассматривать как демонстрацию подхода, а не как подтверждённо надёжное решение для расчётов. Репозиторий содержит веса в формате safetensors; лицензия — llama3.2.

MiniCPM4-8B-Eagle-FRSpec — вспомогательная модель семейства MiniCPM4, разработанная OpenBMB. Это Eagle head, обученный на MiniCPM4-8B для ускорения спекулятивной генерации с FRSpec в инференсном фреймворке cpm.cu. Карточка сообщает об ускорении генерации до 7 раз относительно Qwen3-8B на Jetson AGX Orin; результат зависит от оборудования и настроек инференса. Модель предназначена для ускорения текстовой генерации MiniCPM4-8B, в том числе при обработке длинных текстов. Метаданные указывают архитектуру MiniCPMForCausalLM, 537,8 млн параметров и контекст до 32 768 токенов. Языковые теги карточки — китайский и английский; формат весов — safetensors. Это специализированная вспомогательная модель, которой для работы требуется совместимая базовая модель MiniCPM4-8B и поддержка FRSpec в cpm.cu. Лицензия — Apache-2.0. Сгенерированный базовой моделью текст необходимо проверять; заявленные показатели скорости относятся к описанным в карточке условиям испытаний.

MixtralRPChat-ZLoss — чат-модель для генерации текста, созданная chargoddard с помощью QLoRA-донастройки mistralai/Mixtral-8x7B-v0.1. Она основана на разреженной архитектуре Mixture of Experts и обучалась с изменённой функцией балансировки маршрутизатора экспертов и z-loss; в метаданных указаны 7,1 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на диалоговые сценарии и ролевой чат: по описанию автора, она хорошо учитывает сведения о персонажах в системных подсказках и справляется с некоторыми простыми задачами программирования. Для общения автор предлагает формат промпта с префиксами `***System:`, `***Query:` и `***Response:`; перед тремя звёздочками обязателен пробел. В карточке указана поддержка английского языка и лицензия CC BY-NC 4.0, ограничивающая коммерческое использование.