II.2Создание и понимание программного кода

Jayant9928/orpo_v2 — чат-модель для генерации текста на основе плотной архитектуры Llama с классом LlamaForCausalLM. Размер составляет 7,5 млрд параметров, максимальная длина контекста — 8192 токена. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалоговой генерации текста. Карточка автоматически создана и не сообщает разработчика, базовую модель, данные обучения, оценки качества или подробности применения, поэтому специальные преимущества и ограничения сверх этого установить нельзя. Лицензия — Apache-2.0.

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.

ai-and-society/qwen3-32b-wanda-unstruct — текстовая генеративная модель на базе Qwen/Qwen3-32B, опубликованная организацией ai-and-society. Модель предназначена для генерации текста и совместима с библиотекой Transformers. Модель содержит около 29,7 млрд параметров и поддерживает контекст длиной до 40 960 токенов. Она создана с применением Wanda — метода структурированного или неструктурированного pruning, поэтому может использоваться для изучения и практического применения разреженных или сокращённых версий больших языковых моделей. Модель подходит для генерации и продолжения текста, диалоговых сценариев и экспериментов с оптимизацией LLM. Лицензия — Apache-2.0, однако в предоставленной карточке нет результатов сравнительных тестов, подробностей о процедуре pruning и подтверждённого списка поддерживаемых естественных языков.

Qwen3.6-35B-A3B-heretic-GGUF — набор квантованных моделей в формате GGUF, опубликованный Abiray на основе модели tvall43/Qwen3.6-35B-A3B-heretic. Репозиторий предназначен для запуска через llama.cpp и другие совместимые движки инференса на базе GGML. По названию модель относится к классу 35B-A3B, однако подробности архитектуры и точное соотношение параметров в README не раскрыты. В метаданных указано назначение image-text-to-text, но поддерживаемые модальности и языки отдельно не описаны. Доступны варианты Q3_K_M, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0. Q4_K_M рекомендуется как компромисс между размером, скоростью и качеством; Q3_K_M экономит больше всего места, но заметнее ухудшает качество, а Q6_K и Q8_0 ориентированы на системы с большим объёмом VRAM и обеспечивают качество, близкое к исходному. Модель можно использовать для генерации текста и других поддерживаемых задач через современные версии llama.cpp, но требования к контексту, языкам и аппаратным ресурсам, кроме общих различий между квантованиями, не указаны. Лицензия обозначена как other, без дополнительных условий в README.

Это мультимодальная модель семейства Qwen, созданная RangerX на основе Qwen/Qwen3.6-35B-A3B. Чекпойнт получен методом REAP (Router-weighted Expert Activation Pruning): маршрутизируемые эксперты отбирались по весам маршрутизатора и нормам активаций; коэффициент pruning — 0,50. Модель использует архитектуру Qwen3_5MoeForConditionalGeneration и распространяется в формате safetensors для Transformers. Модель предназначена для диалогов и задач «изображение—текст», включая анализ изображений. При создании сохранены конфигурация vision-language, общий эксперт, токенизатор и процессор; для калибровки pruning использовалась смесь примеров по коду, вызову функций, математике, науке и траекториям SWE-bench. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества после pruning, поэтому сохранение исходного уровня возможностей не подтверждено.

Qwen3.8-27B-VQ-3.9bpw — векторно-квантизированная версия Qwen3.8-27B, разработанная TheDrainFlorist на основе модели Qwen/Qwen3.8-27B. Модель предназначена для генерации текста на устройствах Apple Silicon и работает в формате MLX с библиотеками mlx-lm и mlx-vlm. Она также поддерживает обработку изображений при использовании mlx-vlm версии 0.6.16 или новее, то есть относится к мультимодальным моделям с текстовым и визуальным вводом. В метаданных указан английский язык; сведения о других языках и размере контекстного окна не приведены. Размер сборки составляет около 12,47 GiB, эффективная точность — 3,9 бит на параметр. В комплект входит vision tower размером 0,859 GiB и собственный runtime в model.py. На Apple M3 Ultra заявлены скорость декодирования 23,3 токена в секунду, скорость префилла около 23 токенов в секунду и резидентное потребление памяти 12,2 ГБ. По сравнению с собственной 3-битной affine-квантизацией модель обеспечивает меньшее расхождение с исходной моделью при умеренном увеличении размера, но уступает более крупным 4-, 6- и 8-битным сборкам по качеству. Модель подходит для локальной генерации текста и мультимодальных сценариев на Apple Silicon при наличии совместимых версий библиотек. Ограничениями являются зависимость от поддержки ключа model_file загрузчиком и заметная потеря точности относительно bf16-версии; для параллельных запросов спекулятивное декодирование MTP не рекомендуется. Модель распространяется по лицензии Apache-2.0.

DreamFast/Qwen3-VL-4b-Heretic-GGUF — это квантизированная GGUF-версия модели Qwen3-VL-4B-Instruct, разработанной командой Qwen и модифицированной DreamFast методом abliteration. Модель предназначена прежде всего для генерации и обработки текста, локального запуска через llama.cpp, Ollama, LM Studio, ComfyUI-GGUF и другие совместимые среды. Доступны варианты от Q3_K_M до F16 размером примерно от 2,0 до 7,5 ГБ. Рекомендуемым балансом качества и размера авторы называют Q4_K_M объёмом 2,4 ГБ; Q6_K и Q8_0 рассчитаны на системы с большим запасом видеопамяти, а Q3_K_M — на устройства с ограниченными ресурсами. Размер контекста в README не указан. Хотя исходная модель поддерживает работу с изображениями, данные GGUF-сборки ориентированы на текстовый путь; для мультимодального режима рекомендуется использовать версии в формате bf16 для Transformers или специальные чекпойнты ComfyUI. Ключевая особенность варианта — удаление защитного выравнивания: в заявленных тестах HarmBench ASR вырос с 30,8% у базовой модели до 100%, при этом показатели MMLU почти не изменились, а GSM8K снизился с 78,62% до 77,18%. Это может быть полезно для исследовательских задач и экспериментов с поведением моделей, но модель способна выполнять вредоносные запросы и требует ответственного применения. Квантизация дополнительно снижает качество по сравнению с исходными весами, а лицензия указана как Apache-2.0.

Qwen-Bypass-Done — текстовая генеративная модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Репозиторий создан пользователем zaddyzaddy; в карточке README модель названа Qwen-2.5-7B-base-RAG-RL, но подробностей о разработчике и обучении нет. Модель предназначена для генерации текста и диалогового общения. Метаданные указывают контекст длиной до 32 768 токенов и интерфейс вызова инструментов. По названию README можно предположить связь с RAG и RL, однако карточка не описывает эти сценарии и не приводит подтверждающих сведений о данных, обучении или оценке. В репозитории указаны веса в формате safetensors и библиотека Transformers. Лицензия и практические ограничения не приведены, поэтому условия использования по карточке установить нельзя.

RWKV7-G1j-13.3B-GGUF — базовая языковая модель RWKV-7 «Goose», опубликованная shoumenchougou на основе чекпойнта BlinkDL/rwkv7-g1. Модель предназначена для локальной генерации текста и запуска через Ollama и llama.cpp; она не является дообученным на инструкции или безопасностно выровненным ассистентом, поэтому может непоследовательно выполнять команды. Архитектура RWKV-7 не использует attention и KV-кэш, растущий вместе с длиной последовательности: вместо этого применяется рекуррентное состояние фиксированного размера. Это обеспечивает постоянный объём состояния и постоянную вычислительную работу на генерируемый токен, сохраняя возможность параллелизуемого обучения. Размер модели — 13,3 млрд параметров, заявленный контекст — до 16 384 токенов. Поддерживаются английский, китайский, французский, испанский, немецкий, португальский, русский, итальянский, японский, корейский, вьетнамский и арабский языки. Модель поставляется в формате GGUF с вариантами квантования Q4_K_M, Q5_K_M, Q6_K, Q8_0 и версией FP16. Q4_K_M рекомендован как исходный вариант и используется в официальной конфигурации Ollama; более точные версии требуют больше места и памяти. Фиксированный размер рекуррентного состояния не означает фиксированное общее потребление памяти: оно также зависит от весов, контекста, размера пакета, оборудования и бэкенда. Для Ollama требуется версия 0.33.2 или новее. Лицензия — Apache 2.0.

Thox1-27b — крупная языковая модель семейства Qwen3.5, представленная в виде квантизированной GGUF-версии на 27 млрд параметров. Она основана на s3nh/Bonsai-27B-unpacked-abliterated-uncensored и связана с экосистемой THOX.ai LLC. Модель предназначена для локальной генерации текста на устройствах и периферийных системах с использованием llama.cpp, обеспечивая работу с данными без обязательной передачи в облако. Архитектура включает 64 слоя, скрытое представление размером 5120, 24 attention heads, 4 KV heads с GQA, промежуточный размер FFN 17408 и словарь из 248 320 токенов. Весовая версия использует крайне компактную 1-битную квантизацию Q1_0 и занимает около 4,67 ГБ. Конфигурация допускает контекст до 262 144 токенов, однако в карточке модели заявлена подача с контекстом 8192 токена. Исходная конфигурация описывает мультимодальную VLM-архитектуру с vision tower, но данная версия обслуживается в текстовом режиме; заявлен английский язык. К сильным сторонам относятся небольшой для модели такого размера объём файла, возможность локального запуска и ориентация на on-device-сценарии. Ограничения связаны с потерями качества, характерными для 1-битной квантизации, отсутствием заявленной поддержки изображений в режиме llama.cpp и отсутствием safety alignment: модель описана как abliterated и uncensored, поэтому для публичных приложений рекомендуется использовать внешние защитные механизмы. В карточке указана лицензия Apache-2.0, но полную совместимость лицензионной цепочки с базовой моделью необходимо дополнительно проверить.

TinyLlama-1.1B-Chat-v1.0-int4-ov — это квантизированная версия диалоговой языковой модели TinyLlama-1.1B-Chat-v1.0, подготовленная создателями TinyLlama и представленная OpenVINO в формате OpenVINO IR. Модель предназначена для генерации текста и работы в сценариях общения с пользователем через инструменты Optimum Intel или OpenVINO GenAI. Модель основана на TinyLlama с заявленным размером 1,1 млрд параметров. Веса сжаты до INT4 в симметричном режиме INT4_SYM с размером группы 128 и коэффициентом ratio 1.0, что ориентировано на снижение требований к памяти и эффективный инференс. README не содержит сведений о поддерживаемых языках, длине контекста или дополнительных модальностях; по представленным данным это текстовая каузальная языковая модель. Модель совместима с OpenVINO версии 2025.4.0 и выше и Optimum Intel 1.27.0 и выше. Её сильные стороны — компактный размер, INT4-квантизация и интеграция с экосистемой OpenVINO, включая запуск на CPU через OpenVINO GenAI. Ограничения включают уменьшенную точность представления весов и отсутствие в README подробных данных о качестве, производительности, языковом покрытии и контекстном окне. Исходная модель распространяется по лицензии Apache-2.0.

ToastyPigeon_Gemma-3-Starshine-12B-GGUF — это набор квантованных файлов модели Gemma-3-Starshine-12B, подготовленный пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Исходная модель разработана ToastyPigeon. Репозиторий предназначен для локального запуска и генерации текста через LM Studio, llama.cpp и другие проекты на базе llama.cpp. Доступны варианты от исходных весов bf16 размером 23,54 ГБ до квантований Q8_0, Q6, Q5, Q4, Q3 и IQ различных размеров. Это позволяет выбирать между качеством ответа, требованиями к оперативной памяти и скоростью работы; наиболее сбалансированным вариантом README называет Q4_K_M, а варианты Q5 и Q6 — высококачественными. Модель относится к text-generation; сведения о поддерживаемых языках, длине контекста, точной архитектуре, мультимодальности и результатах тестирования не указаны. Сильной стороной является широкий выбор квантований и совместимость с распространёнными инструментами локального инференса. Ограничения зависят от выбранного варианта: более компактные квантования требуют меньше памяти, но снижают качество, а крупные файлы предъявляют повышенные требования к ресурсам. В README лицензия не указана, поэтому условия использования необходимо уточнять у авторов исходной модели и квантованных файлов.

Yamshadowexperiment28M70.8-0.85-0.86-0.36-0.42-0.16-7B — объединённая плотная языковая модель семейства Mistral от автора репозитория aaron-di. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; карточка показывает использование chat template и запуск через Transformers. Модель объединяет AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Заявленная длина контекста — 32 768 токенов. Доступен формат safetensors, лицензия — Apache-2.0. README не описывает специализированные области применения или результаты оценки качества.

MaziyarPanahi/YamshadowInex12_Experiment26Inex12 — слитая автором репозитория модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и принимает текстовые запросы, выдавая текстовые продолжения. Модель поддерживает контекст длиной до 32 768 токенов и распространяется в формате Safetensors. В README указано, что она объединяет automerger/YamshadowInex12-7B и automerger/Experiment26Inex12-7B. Лицензия — Apache-2.0.

Это разговорная модель генерации текста семейства GPT-OSS 20B, подготовленная для FHNW командой, указанной в репозитории fhnw. Модель дообучена методом Direct Preference Optimization (DPO) с использованием Unsloth QLoRA, чтобы выравнивать ответы по предпочтениям. Репозиторий содержит варианты GGUF и Safetensors; в карточке также указаны MXFP4 и 8-битная версия. Модель предназначена для генерации ответов в диалоге и экспериментов с генеративным ИИ в обучении и прикладных проектах FHNW. Метаданные указывают английский язык, интерфейс чата и интерфейс вызова инструментов. Лицензия — Apache-2.0. Модель не предназначена для решений с высокими рисками или критически важных систем.

Ahma-2-4B-Instruct — финноязычная чат-модель, разработанная командой Finnish-NLP на базе Gemma-3-4B-pt. Модель содержит 4 млрд параметров и использует плотную архитектуру Gemma 3 для генерации текста; максимальная длина контекста составляет 131 072 токена. Модель предназначена для диалогов и текстовых запросов на финском языке. Обучение включало продолжение предобучения на английских и финских данных, в том числе с переключением языков, затем контролируемую настройку и оптимизацию предпочтений, преимущественно на финском. В README приведены результаты оценки MTBench Finnish; разработчики сообщают об улучшении относительно предыдущего поколения Ahma. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает подробности запуска и обучения; результаты бенчмарка не гарантируют качество на всех задачах, а сведения о поддержке иных языков ограничены описанием смешанных данных предобучения.

Bonsai-8B-mlx-1bit — языковая модель Prism ML для локальной генерации текста и диалогов на устройствах Apple. Она основана на плотной архитектуре Qwen3-8B с 36 блоками Transformer, grouped-query attention, SwiGLU, RoPE и RMSNorm; метаданные указывают 7,6 млрд параметров, а README — около 8,19 млрд. Модель использует 1-битные веса с группами по 128 значений и хранит параметры примерно в 1,28 ГБ, что позволяет запускать её на Mac, iPhone и iPad. Указанная длина контекста — 65 536 токенов. Модель подходит для локальных диалоговых помощников, мобильного и периферийного инференса, а также для сценариев, где важны небольшое потребление памяти, скорость и обработка данных на устройстве. README приводит результаты производительности на устройствах Apple, включая 44 токена в секунду на iPhone 17 Pro Max, и описывает также варианты запуска через связанные программные форки. Для работы требуется поддержка 1-битных ядер MLX; заявленные преимущества зависят от соответствующего программного обеспечения и оборудования. README отмечает, что измерения энергопотребления на мобильном устройстве оценочные, а полноточные модели продолжают развиваться. Лицензия — Apache-2.0.

DeepSeek-V4.1-Flash-Abliterated — неофициальная community-версия модели DeepSeek-V4.1-Flash, опубликованная пользователем s-zaizen. Модель создана методом abliteration с использованием инструмента Heretic и предназначена для задач генерации текста и обработки изображений с текстом. Она сохраняет архитектуру исходной модели, токенизатор, компоненты компьютерного зрения, память Engram, тензоры MTP/DSpark, исходную конфигурацию контекста и форматы хранения FP8/MXFP4. Чекпойнт состоит из 48 файлов Safetensors общим объёмом около 510,3 ГБ. Точные размер модели, длина контекста и список поддерживаемых языков в README не указаны. В ходе конвертации изменены только выходные проекции внимания в 40 слоях; экспертные компоненты, Engram, зрительная часть, эмбеддинги и тензоры MTP/DSpark не затрагивались. Основная заявленная особенность — существенное снижение показателя отказов в тесте Heretic: с 97 до 24 отказов из 100 примеров. Этот показатель относится только к конкретной проверке склонности к отказам и не является оценкой общих возможностей модели. Поэтому поведение, безопасность и качество ответов в других сценариях требуют самостоятельной проверки. Для запуска необходима среда, совместимая с исходным форматом чекпойнта DeepSeek V4.1 FP8/MXFP4 и его способом кодирования запросов; файлы для эталонного запуска включены в комплект. Для модели и сопутствующих исходных файлов указана лицензия MIT. Инструмент Heretic распространяется по лицензии AGPL-3.0, что следует учитывать отдельно при его использовании.

Dolphin-2.1-70b — диалоговая языковая модель на архитектуре Llama 2, разработанная Eric Hartford при поддержке a16z. Она дообучена методом qLoRA на базе StellarBright с использованием наборов Dolphin (вариант данных Orca) и Airoboros; модель содержит 68,7 млрд параметров и рассчитана на контекст до 4096 токенов. Для общения используется формат ChatML. Модель предназначена для генерации текста и диалогов на английском языке: она может отвечать на вопросы, следовать инструкциям и вести беседу. Автор описывает её как uncensored и предупреждает, что она может выполнять в том числе неэтичные запросы; перед предоставлением доступа через сервис рекомендуется добавить собственный слой выравнивания поведения. В этой версии есть известная ошибка: модель не генерирует токены EOS, поэтому генерация может не завершаться штатно. Репозиторий содержит веса PyTorch; лицензия указана как Llama 2.

ELYZA-japanese-Llama-2-MoE-2x13B-v0.1 — японская языковая модель для генерации текста, созданная Aratako объединением через mergekit базовой ELYZA-japanese-Llama-2-13b и её инструктивной версии ELYZA-japanese-Llama-2-13b-instruct в архитектуре Mixture of Experts. Модель предназначена для ответов на инструкции и запросы, а также для генерации японского текста; в карточке приведено сравнение с instruct-базой по японскому бенчмарку japanese-mt-bench. Модель содержит 12,9 млрд параметров, использует архитектуру Mixtral/MoE и поддерживает контекст до 4096 токенов. Репозиторий содержит веса Safetensors; модель унаследовала лицензию Llama 2 Community License. В опубликованном сравнении она показала более высокий средний балл, чем instruct-база, однако результаты относятся к одноходовому japanese-mt-bench и не гарантируют качество в других сценариях.

Experiment28M7_Neuralsirkrishnaexperiment26Experiment24 — объединённая модель генерации текста на архитектуре Mistral, созданная из automerger/Experiment28M7-7B и automerger/Neuralsirkrishnaexperiment26Experiment24-7B. Репозиторий опубликовал MaziyarPanahi. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Она подходит для продолжения текста и других сценариев авторегрессионной генерации. Веса доступны в формате Safetensors. Лицензия — Apache-2.0. Карточка не описывает языковую специализацию, конкретные навыки или результаты оценки качества.

najahaja/ftbench-qlora-llama3.2-3b — языковая модель для генерации текста на базе семейства Llama с размером 3,2 млрд параметров. Модель опубликована пользователем najahaja и предназначена для работы через библиотеку Transformers; поддерживает задачу text-generation и имеет контекстное окно до 131 072 токенов. Модель можно применять для генерации ответов, продолжения текста, диалоговых сценариев и встраивания в приложения, которым требуется локальная или серверная генерация текста. Метаданные содержат тег conversational, поэтому модель может использоваться в чатовых интерфейсах, однако подробности о формате диалога, данных дообучения и методе QLoRA в карточке не описаны. Сильными сторонами являются относительно компактный размер для языковой модели и длинный контекст. В README отсутствуют сведения о разработчике, языках, лицензии, обучающих данных, результатах оценки, ограничениях и рекомендуемых сценариях использования, поэтому качество, безопасность и юридические условия применения необходимо проверять отдельно.

Gemma-2-9b-it-abliterated-GGUF — это набор GGUF-квантизаций инструкционно дообученной модели Gemma 2 с 9 млрд параметров. Исходную модель разработал IlyaGusev, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio; в карточке указан английский язык. Доступны варианты от полноточного F32 до компактных Q3 и IQ3, а также более качественные Q4–Q8. Размер файлов составляет примерно от 4,49 до 36,97 ГБ. Варианты различаются компромиссом между качеством, требованиями к памяти и скоростью инференса; Q5 и Q6 отмечены как высококачественные, а Q4 — как сбалансированные для большинства сценариев. Отдельные варианты оптимизированы для ARM и требуют соответствующих аппаратных возможностей. Модель подходит для локального текстового общения и других задач генерации текста, но README не содержит сведений о контекстном окне, полной поддержке языков, результатах оценки или конкретных ограничениях abliterated-версии. Используется лицензия Gemma; перед применением необходимо учитывать её условия.

benjamin/gemma-3-1b-it-flax — текстовая диалоговая модель для генерации ответов, опубликованная пользователем benjamin на Hugging Face. Метаданные указывают на 1 млрд параметров, архитектуру TPUGemma3ForCausalLM и формат Flax; модель рассчитана на текстовый ввод и текстовую генерацию, включая чатовый сценарий. Заявленная длина контекста — 8192 токена. Карточка является автоматически созданным шаблоном и не содержит надёжных сведений о разработчике исходной модели, обучении или лицензии. Репозиторий содержит реализацию на Flax/JAX и требует доверенной загрузки пользовательского кода в примерах Transformers. По доступным источникам нельзя подтвердить отдельные специальные области применения или языковую поддержку, поэтому модель уместно описывать как текстовую модель общего назначения. Ограничения, помимо отсутствия подтверждённых сведений об обучении и условиях лицензии, в карточке не раскрыты.

GLM-5.3-Flash-UD-Q4_K_XL-layers — пакет слоёв модели GLM-5.3-Flash для распределённого инференса в Mesh LLM. Пакет подготовлен на основе unsloth/GLM-5.3-Flash-GGUF: исходный GGUF разделён на артефакты по слоям, чтобы запускать модель на нескольких машинах, объединяя их память и вычислительные ресурсы. Вариант пакета — UD-Q4_K_XL; репозиторий содержит файлы в формате GGUF и предназначен для локального запуска. Модель рассчитана на диалоговую генерацию текста, приватный локальный инференс и обслуживание запросов через совместимый с OpenAI API Mesh LLM. Разбиение по машинам подходит для случаев, когда полный GGUF не помещается на одном узле. В метаданных указаны библиотека mesh-llm и лицензия MIT. Подробности об архитектуре исходной модели, контекстном окне и языках следует сверять с карточкой исходной модели.

Gukbap-Qwen2-7B — корейская разговорная языковая модель от HumanF-MarkrAI, дообученная методом SFT на базе Qwen/Qwen2-7B-Instruct. Для обучения использовались данные, созданные с помощью открытых моделей; модель предназначена для диалога и общих задач на корейском языке, включая рассуждения, математику, письмо, программирование, понимание текста и грамматику. Разработчик приводит результаты внутренней zero-shot оценки LogicKor, но они не гарантируют качество на других наборах задач. Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров и работает через Transformers в формате safetensors. Метаданные указывают контекст до 32 768 токенов; в README заявлена длина 8 192 токена. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но не коммерческое использование.

h2o-danube2-1.8b-base — базовая языковая модель H2O.ai с архитектурой MistralForCausalLM и примерно 1,8 млрд параметров. Она обучена как фундаментальная модель для последующей адаптации под конкретные задачи; для диалогового применения разработчик предлагает отдельную версию h2oai/h2o-danube2-1.8b-chat. Модель генерирует текст по текстовому контексту и рассчитана на последовательности длиной до 8 192 токенов. В README отмечены результаты на бенчмарках среди моделей сопоставимого размера, но качество для конкретных приложений зависит от дообучения и проверки. Карточка указывает на возможные предвзятые, оскорбительные, неверные или бессмысленные ответы. Распространяется по лицензии Apache-2.0.

HieraMind I2W Qwen3-4B — дообученная модель-компонент системы HieraMind для преобразования запросов на естественном языке в планы оркестрации сервисов. Получив запрос пользователя и контекст найденного каталога сервисов, она генерирует структурированный ориентированный ациклический граф (DAG) с нужными функциями сервисов и зависимостями их выполнения. Модель основана на плотной архитектуре Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 262 144 токенов. Для обучения применялось групповое обучение с подкреплением с оценкой рабочих процессов, направляемой учителем; семантический поиск ограничивает каталог сервисов, подаваемый модели. В оценке HieraMind I2W указаны точность выбора узлов 96,0% и полнота 92,6%. Модель предназначена для оркестрации сервисов в разнородных сетевых и вычислительных инфраструктурах. Она генерирует текстовое структурированное представление рабочего процесса, но качество результата зависит от запроса и предоставленного контекста каталога; показатели оценки не описывают все сценарии эксплуатации. Распространяется под лицензией Apache-2.0.

JiRackUltra_32b-i1-GGUF — это набор квантованных GGUF-файлов базовой модели CMSManhattan/JiRackUltra_32b, подготовленный пользователем mradermacher. Модель предназначена для генерации текста и локального запуска, в том числе на CPU и системах с ограниченной памятью. В метаданных заявлены сценарии веб-интерфейсов, маршрутизации запросов, вызова инструментов и робототехники, однако подробности реализации этих возможностей в README не раскрыты. Модель относится к семейству BitNet и использует ternary/1.58-bit подход; представлены imatrix-квантизации различных уровней от i1-IQ1_S до i1-Q6_K. Размер файлов составляет примерно от 7,4 до 27 ГБ. Указаны библиотеки transformers и GGUF-формат, а также языки: английский, китайский, японский, корейский, французский, испанский, португальский, немецкий, итальянский, русский, арабский, вьетнамский и тайский. Архитектура, размер контекстного окна и поддержка мультимодальности не указаны. Сильной стороной являются варианты для эффективного локального запуска с разным компромиссом между размером, скоростью и качеством; README рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S отмечает как оптимальный по размеру, скорости и качеству. Низкобитовые варианты могут обеспечивать меньшие требования к памяти, но сопровождаются снижением качества; отдельные варианты прямо обозначены как низкокачественные. Модель распространяется по лицензии MIT.

mlx-community/Josiefied-Qwen3-8B-abliterated-v1-4bit — языковая модель для генерации текста и чат-сценариев, разработанная сообществом mlx-community. Она представляет собой конвертацию модели Goekdeniz-Guelmez/Josiefied-Qwen3-8B-abliterated-v1 в формат MLX с использованием mlx-lm версии 0.24.0. Модель предназначена для локального запуска через библиотеку mlx и поддерживает применение chat template для диалогового взаимодействия. Известно, что это 8B-модель с 4-битным представлением весов; README не уточняет архитектурные детали исходной модели, поддерживаемые языки, модальности и размер контекстного окна. Формат MLX ориентирован на запуск на совместимом оборудовании Apple. К сильным сторонам относятся компактное 4-битное представление и интеграция с инструментами mlx-lm. Ограничения, целевые сценарии, качество, языковые возможности и особенности модели Josiefied-Qwen3-8B-abliterated-v1 в README не описаны. Лицензия также не указана.