II.2Создание и понимание программного кода

Abiray/Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated-GGUF — набор квантизированных моделей в формате GGUF, созданный Abiray на основе Huihui-Qwythos-9B-Claude-Mythos-5-1M-abliterated от huihui-ai. Базовая модель представляет собой версию Qwythos-9B-Claude-Mythos-5-1M от empero-ai, модифицированную методами abliteration для удаления векторов отказа. Репозиторий также содержит мультимодальные проекционные файлы mmproj для работы с изображениями локально. Модель предназначена для генерации текста, рассуждений и сценариев image-to-text с поддержкой зрения. Заявлены архитектура современного семейства Qwen 3.5, 9 млрд параметров, английский язык и контекст до 1 млн токенов; конкретные возможности зависят от используемой сборки и совместимости с llama.cpp. Доступны варианты квантизации от 3 до 8 бит размером примерно от 4,74 до 9,79 ГБ, включая рекомендуемый компромисс Q4_K_M. Для визуального ввода требуется отдельный проектор mmproj; доступны квантизированный и F16-варианты. К сильным сторонам относятся локальный запуск, широкий выбор квантизации, поддержка длинного контекста и изображений, а также сниженное количество встроенных отказов. Ограничения включают возможную потерю качества при низкой квантизации, требования к свежей версии llama.cpp и необходимость дополнительного проектора для мультимодальной работы. Модель распространяется по лицензии Apache-2.0.

Nickyang/Hy3-RAZOR-226B-A21B-E144of192 — диалоговая языковая модель Tencent Hy3, в которой методом RAZOR без дообучения удалена четверть маршрутизируемых экспертов. В каждом MoE-слое сохранено 144 из 192 экспертов; README указывает 226 млрд параметров и около 21 млрд активных параметров на токен. Метаданные каталога приводят 16,6 млрд параметров, поэтому размер модели в источниках расходится. Модель предназначена для генерации текста и диалогов; базовая Hy3 также позиционируется для рассуждений, агентных сценариев и задач продуктивности. Контекстное окно — 262 144 токена. Веса доступны в формате safetensors, тип точности — bfloat16; для запуска нужна версия Transformers с нативной реализацией hy_v3. RAZOR выбирает экспертов по оценке того, насколько их функцию могут заменить оставшиеся эксперты. Веса не проходили восстановительное обучение, а калибровка проводилась на конечном многодоменном корпусе RazorCal. Использование разреженной MoE-архитектуры сохраняет около 21 млрд активных параметров на токен, но удаление экспертов является потерей информации: ответы могут отличаться по разнообразию, форматированию и поведению завершения даже при сохранении точности на отдельных задачах. Лицензия — Apache-2.0.

InternLM2.5-7B-Chat-1M-GGUF — это квантизированная версия чат-модели internlm2_5-7b-chat-1m, разработанной командой InternLM и преобразованной в формат GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp версии b3278 и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы пользователя при локальном запуске через совместимое программное обеспечение, например llama.cpp. Модель имеет около 7 миллиардов параметров и заявленное контекстное окно до 1 миллиона токенов, что делает её ориентированной на работу с очень длинными документами и продолжительными диалогами. Доступно множество вариантов квантизации от Q8 до Q2 и IQ-семейства, с размером файлов примерно от 2,77 до 8,93 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а низкие позволяют сократить требования к памяти. Для взаимодействия используется специальный шаблон prompt с ролями system, user и assistant. Сильными сторонами являются поддержка длинного контекста, широкий выбор компромиссов между качеством и размером, а также возможность локального запуска в формате GGUF. Низкие уровни квантизации могут заметно снижать качество, а экспериментальные варианты с F16 для embedding- и output-весов требуют дополнительной проверки. Языки, точная архитектура, требования к оборудованию и результаты бенчмарков в README не указаны. Лицензия обозначена как other; конкретные условия использования необходимо уточнять в исходной модели и сопутствующих материалах.

mlx-community/LFM2.5-8B-A1B-MLX-4bit — 4-битная MLX-версия языковой модели LiquidAI LFM2.5-8B-A1B, конвертированная сообществом mlx-community с использованием mlx-lm 0.31.1. Модель предназначена для генерации текста и запуска в экосистеме MLX, в том числе для локального инференса через mlx-lm. Это авторегрессионная модель с архитектурой lfm2_moe: гибрид из 18 блоков double-gated short-conv и 6 блоков внимания GQA, с разреженным MoE на 32 эксперта и активацией 4 экспертов на токен. Она содержит около 8,3 млрд параметров, из которых активно используется около 1,5 млрд, и поддерживает контекст до 128 тысяч токенов. Заявлены языки: английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский. README не содержит сведений о мультимодальных возможностях или результатах бенчмарков. К сильным сторонам относятся разреженная MoE-архитектура, большой контекст и 4-битное представление, потенциально снижающее требования к памяти при запуске в MLX. Ограничения включают зависимость от экосистемы MLX и отсутствие в README подробностей о качестве на конкретных задачах. Модель является производной от LiquidAI LFM2.5-8B-A1B и распространяется по лицензии LFM Open License v1.0 (lfm1.0); применяются условия коммерческого использования этой лицензии.

Magistral-Small-2506-bf16 — версия модели Magistral-Small-2506, подготовленная сообществом mlx-community для формата MLX. Это плотная авторегрессионная модель семейства Mistral с 23,4 млрд параметров, предназначенная для генерации текста и диалогового общения. Модель принимает текст и выдаёт текст; её контекстное окно составляет 32 768 токенов. В карточке указана поддержка множества языков, включая русский, английский, французский, немецкий, испанский, китайский и японский. Модель можно использовать для диалоговых интерфейсов, генерации и продолжения текста. Репозиторий содержит веса safetensors в формате MLX; README указывает на запуск через mlx-lm версии 0.25.2. Лицензия — Apache-2.0. Это преобразование базовой модели в другой формат, поэтому качество и поведение в основном определяются исходной Magistral-Small-2506, а практическое использование MLX ориентировано на совместимую среду.

MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, полученная слиянием методом SLERP модели Mistral-7B-Instruct-v0.1 и Weyaxi/MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в диалоге. Указанная длина контекста — 32 768 токенов; веса опубликованы в формате safetensors. Модель подходит для диалоговых запросов и генерации ответов на инструкции. В карточке не приведены отдельные оценки качества или сведения о поддерживаемых естественных языках, поэтому их нельзя надёжно уточнить. Лицензия — Apache-2.0.

Mungert/MiniCPM4.1-8B-GGUF — это GGUF-версия языковой модели MiniCPM4.1-8B, разработанной командой OpenBMB и опубликованной в формате GGUF пользователем Mungert. Модель предназначена для генерации текста, включая задачи рассуждения, диалоговые сценарии и запуск на устройствах с ограниченными ресурсами. Она поддерживает китайский и английский языки. Модель содержит 8 млрд параметров и использует гибридную архитектуру с обучаемым разреженным вниманием. Заявлены режимы глубокого рассуждения и обычной генерации, а также ускоренное декодирование: до трёхкратного ускорения рассуждений и более высокая эффективность на периферийных устройствах. GGUF-квантизация позволяет уменьшить требования к памяти, а автор сборки применяет дополнительное повышение точности отдельных важных слоёв с помощью llama.cpp, что может улучшать качество при низкой разрядности ценой увеличения размера файла. К ограничениям относятся отсутствие сведений о конкретном размере контекста, доступных вариантах квантизации и подробных результатах тестирования именно этой сборки. Производительность и качество зависят от выбранного GGUF-варианта и оборудования. Исходная модель распространяется по лицензии Apache-2.0; README не уточняет, отличается ли лицензия сборки от лицензии исходной модели.

Ministral-3-3B-Instruct-2512 в формате LiteRT-LM — это квантизированная версия текстовой instruct-модели mistralai/Ministral-3-3B-Instruct-2512, подготовленная сообществом для запуска на устройствах через on-device runtime Google LiteRT-LM. Модель предназначена для генерации текста и диалоговых сценариев непосредственно на Android, iOS, macOS и других совместимых edge-устройствах без обязательной передачи данных в облако. Исходная модель разработана Mistral AI, а представленная сборка распространяется в формате .litertlm и относится к quantized-моделям. Это текстовая модель: vision tower Pixtral удалён, поэтому обработка изображений не поддерживается. Используется декодер Ministral с native Mistral-шаблоном чата [INST] … [/INST], прямым форматом ответов без блока рассуждений и остановкой по токену </s>. Размер модели — около 3B параметров; файл занимает примерно 2,3 ГБ, а с учётом runtime и GPU-кэша требуется около 2,7 ГБ или больше оперативной памяти. Веса представлены в формате symmetric int4 blockwise с блоком 32 и OCTAV clipping, вычисления выполняются в integer, размер KV-контекста составляет 4096 токенов. Токенизатор и шаблон запросов включены в bundle. Сильные стороны модели — возможность полностью локального запуска, совместимость с GPU и CPU через LiteRT-LM, отсутствие необходимости в отдельных файлах токенизатора и хорошие показатели на современных мобильных и настольных устройствах. Ограничения включают текстовую специализацию без мультимодальности, ограниченный контекст в 4096 токенов, высокие требования к памяти для GPU и заметно меньшую скорость на слабых устройствах, например Raspberry Pi 5. Лицензия — Apache-2.0.

Mistral-10.7B-Instruct-v0.2 — плотная языковая модель семейства Mistral с примерно 10,6 млрд параметров, созданная увеличением глубины модели mistralai/Mistral-7B-Instruct-v0.2. Она предназначена для диалоговой генерации текста и может использоваться как замена исходной 7-миллиардной версии или как основа для дальнейшего дообучения. Модель принимает текст и генерирует текст; заявленное контекстное окно составляет 32 768 токенов. Модель опубликована под лицензией Apache 2.0. В карточке не описаны языковое покрытие и результаты сравнительных оценок, поэтому её качество для конкретных языков и задач следует проверять отдельно.

MaziyarPanahi/Mistral-7B-KNUT-v0.3-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.2 и Herry443/Mistral-7B-KNUT-v0.3. Модель содержит 7,1 млрд параметров, принимает текстовые инструкции и генерирует текст; заявленный контекст составляет до 32 768 токенов. Модель предназначена для диалогов и генерации ответов на инструкции. Веса сохранены в формате safetensors, слияние выполнено в формате bfloat16. Репозиторий распространяется по лицензии Apache-2.0. README не описывает отдельные специализированные сценарии применения или ограничения качества.

Это GGUF-квантизированная версия Mistral-Small-4-119B-2603, разработанной Mistral AI и опубликованной пользователем bartowski. Квантизация выполнена с использованием llama.cpp и метода imatrix. Модель предназначена для задач генерации текста и обработки изображений с текстом, а также для локального запуска через llama.cpp, LM Studio, koboldcpp, Jan AI и другие совместимые инструменты. Модель имеет размер 119 млрд параметров и поддерживает арабский, английский, французский, испанский, немецкий, итальянский, португальский, нидерландский, японский, корейский и китайский языки. Доступны варианты квантизации от Q3 до Q8, различающиеся размером файлов и точностью; рекомендуемые варианты занимают примерно от 64 до 103 ГБ, а Q8_0 — около 126 ГБ. В README не указаны архитектурные детали и размер контекстного окна. Сильной стороной модели является возможность локального использования при сохранении высокого качества, особенно в вариантах Q5–Q6 и Q8. Ограничения связаны с большими требованиями к оперативной памяти и ресурсам, а также с неизбежной потерей качества в более агрессивных вариантах квантизации. Для Q4_1 отмечены проблемы совместимости с поздними слоями FFN_DOWN_EXPS, поэтому исправленная версия этого варианта была переопубликована. Модель распространяется по лицензии Apache-2.0.

leesalminen/model-3 — дообученная диалоговая языковая модель семейства Llama на базе unsloth/Hermes-3-Llama-3.1-8B. Разработчик карточки — leesalminen; при обучении использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и ответов в диалоге, а её интерфейс поддерживает вызов инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекстное окно до 131 072 токенов. В карточке указан английский язык. Веса представлены в формате safetensors. Лицензия — Apache-2.0.

llama_3_orca_mini_v5_8b_orpo — разговорная языковая модель, созданная Pankaj Mathur на базе семейства Llama 3 и обученная с использованием наборов данных ORPO. Модель предназначена для диалога и ответов на запросы в роли универсального ИИ-ассистента; в README указан формат промпта ChatML. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров, принимает текст и генерирует текст. Родной контекст составляет 8192 токена; в метаданных заявлен английский язык. Веса опубликованы в форматах PyTorch и Safetensors. Автор разрешает дальнейшее полное дообучение, настройку DPO, PPO и ORPO, а также объединение моделей при условии указания авторства. Лицензия указана как llama3.

pankajmathur выпустил Orca Mini v8.0 — дообученную диалоговую модель на архитектуре Llama 3.3 с 69,5 млрд параметров. Она предназначена для генерации текста и ответов в формате беседы; карточка показывает пример системного промпта для AI-ассистента. Модель работает через Transformers, веса представлены в формате Safetensors, а максимальный контекст составляет 131 072 токена. Модель подходит для создания диалоговых ассистентов, ответов на вопросы и других сценариев генерации текста. Базовая Llama 3.3 поддерживает английский, французский, немецкий, хинди, итальянский, португальский, испанский и тайский; качество дообученной версии отдельно не описано. Как и другие большие языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы, поэтому перед применением требуется проверка безопасности для конкретного сценария. Лицензия — Llama 3.3.

BenevolenceMessiah/Qwen2.5-72B-2x-Instruct-TIES-v1.0 — объединённая плотная языковая модель семейства Qwen2.5, созданная методом TIES с помощью mergekit. В качестве основы использована Qwen/Qwen2.5-72B; в объединение также вошли Rombos-LLM-V2.5-Qwen-72b и Dracarys2-72B-Instruct. Модель содержит 71,5 млрд параметров и имеет заявленное контекстное окно 131 072 токена. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Её можно применять для составления ответов, продолжения текста и сценариев чат-ассистента. README не уточняет специальные преимущества объединения, а сведения о языках обучения и целевых сценариях ограничены. Файлы представлены в формате Safetensors и предназначены для Transformers. Лицензия в предоставленных данных не указана.

litert-community/Qwen3.5-2B — это версия модели Qwen3.5-2B от Alibaba, преобразованная сообществом LiteRT в формат LiteRT-LM для локального вывода на мобильных и периферийных устройствах с использованием runtime Google LiteRT-LM. Модель предназначена для генерации текста, диалогов и многошаговых взаимодействий на устройствах без обязательной передачи данных в облако; для работы требуется litert-lm версии 0.15 или новее. Модель использует гибридную архитектуру с чередованием 18 блоков GatedDeltaNet с линейным вниманием и 6 блоков полного внимания. Линейные блоки хранят состояние постоянного размера, поэтому потребление памяти слабо растёт с длиной контекста, а полное внимание использует KV-кэш с бюджетом 4096 токенов. Доступны текстовая int8-версия размером около 1,97 ГБ и мультимодальная версия для работы с текстом и изображениями размером около 3,15 ГБ, включающая 24-слойную ViT-модель; обработка изображений рассчитана на статический размер 512×512. Языки явно не указаны, но модель основана на Qwen3.5. Сильными сторонами являются проверенная близость результатов к исходной PyTorch-модели, поддержка CPU и GPU, относительно стабильное потребление памяти при увеличении контекста и возможность многоходовых диалогов. Ограничения включают необходимость совместимого LiteRT-LM, отсутствие встроенной поддержки вызова инструментов и специальных vision-секций в шаблоне чата, а также неподтверждённую работу GPU на устройствах Qualcomm Adreno. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-4B-SX8 — версия модели Qwen3.5-4B, подготовленная Martí Vidal Leandro из MarlaLabs и опубликованная marlalabsAI. Веса представлены в формате квантования S-X8 v4.3 с точностью 7,50 бит на вес; репозиторий также содержит контейнер GGUF. Модель предназначена для диалоговой генерации текста и работы через интерфейс вызова инструментов. В карточке базовой модели указаны мультимодальность и понимание изображений, однако сведения о поддержке этих функций именно в данной версии в метаданных и README ограничены описанием полного контейнера с визуальной частью. Автор заявляет качество, близкое к FP16: на RTX 5060 Ti приведены результаты на Wikitext-2, Winogrande и HellaSwag, а также показатели скорости и потребления видеопамяти. Для запуска доступны собственный Python runtime, требующий NVIDIA GPU и CUDA Toolkit для компиляции ядер, и вариант GGUF, требующий форка llama.cpp с поддержкой S-X8. Контейнер `.sx8v43` включает конфигурацию и неквантованные тензоры и, согласно README, не требует отдельно загружать базовую модель. Лицензия — Apache-2.0.

Qwen3.6-29B-REAP-Opus-Reasoning-Distill-GGUF — набор GGUF-квантизаций модели, созданной barozp на базе Qwen3.6-35B-A3B с архитектурой MoE. Из исходной конфигурации удалены 51 из 256 экспертов с помощью REAP, оставлено 205 экспертов, после чего применён LoRA-адаптер, обученный на рассуждениях, сгенерированных Opus. Это обычная слитая версия без MTP-head, предназначенная для генерации текста и локального запуска через llama.cpp. Модель ориентирована на задачи рассуждения, ответов на вопросы и универсальной текстовой генерации. Доступны варианты от BF16 размером 56,5 ГБ до квантизаций Q2_K размером 10,6 ГБ, включая популярную Q4_K_M размером 17,3 ГБ и IQ-квантизации с importance matrix. K-квантизации обеспечивают широкую совместимость и высокую скорость на CPU, а IQ-варианты дают лучшее соотношение качества и размера при цене в виде некоторого снижения скорости. Языки, размер контекстного окна и точный набор поддерживаемых модальностей в README не указаны; по описанию это текстовая модель. Сильной стороной является улучшение результатов на ARC-Challenge после reasoning-дистилляции: 0,616 против 0,532 у исходной невырезанной модели и 0,534 у версии только с pruning. На RTX PRO 6000 Blackwell в конфигурации Q4_K_M заявлена скорость около 219 токенов в секунду при полном offload и около 58,6 токена в секунду при частичном offload. Ограничение модели — отсутствие встроенного MTP-head и, соответственно, поддержки self-speculative decoding, доступной в отдельной версии. Кроме того, для этой линейки использование chat template может существенно искажать результаты задач с оценкой loglikelihood; приведённые бенчмарки рассчитаны без него. Модель распространяется по лицензии Apache-2.0. Для запуска требуется совместимое ПО, например llama.cpp, и объём оперативной или видеопамяти, соответствующий выбранной квантизации.

Kaoeiri/Qwenwify2.5-32B-v4.5 — объединённая языковая модель, созданная автором репозитория с помощью mergekit на основе Qwen/QwQ-32B-Preview. В слияние DARE TIES также вошли Kaoeiri/Qwenwify-32B-v3, allura-org/Qwen2.5-32b-RP-Ink, Dans-DiscountModels/Qwen2.5-32B-ChatML, Saxo/Linkbricks-Horizon-AI-Japanese-Base-32B, OpenBuddy/openbuddy-qwq-32b-v24.2-200k и Sao10K/32B-Qwen2.5-Kunou-v1. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 32 млрд параметров. Она предназначена для диалоговой генерации текста; каталог также отмечает интерфейс вызова инструментов. Максимальный контекст — 32 768 токенов. Модель работает с текстом на входе и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-ND 4.0 допускает использование с соблюдением её условий, включая ограничения на коммерческое использование и распространение производных материалов. В карточке не описаны отдельные оценки качества или подробные языковые гарантии; теги указывают на контент не для всех аудиторий.

Fulcrum-AI опубликовала модель Ryze-Nemo-passthrough — объединение языковых моделей, созданное с помощью mergekit методом passthrough. В конфигурации дважды используются слои модели mistralai/Mistral-Nemo-Instruct-2407: диапазоны 0–24 и 8–32; веса представлены в формате safetensors, а конфигурация слияния указывает bfloat16. Архитектура — плотная MistralForCausalLM примерно на 14,4 млрд параметров. Модель предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Указанная для неё длина контекста — 1 024 000 токенов. Базовая модель описана как многоязычная инструктивная модель для диалога, следования инструкциям и вызова инструментов. Лицензия в предоставленных данных не указана.

arcee-ai/saul-mistral-instruct-v0.1-7b-ties — объединённая модель Arcee AI, созданная методом TIES с помощью mergekit на основе Equall/Saul-Base и Mistral-7B-Instruct-v0.1, с Mistral-7B-v0.1 как базовой моделью слияния. Это плотная авторегрессионная языковая модель MistralForCausalLM на 7,1 млрд параметров, предназначенная для генерации текста по инструкциям. Она подходит для диалогов, ответов на вопросы и других задач генерации текста; максимальная длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает её специализированную настройку по областям, языковую поддержку, сравнительные результаты или ограничения качества, поэтому применимость в конкретных сценариях следует проверять отдельно.

Lucyfer1718/Spartan_Alpha-Powered_v2.0 — объединённая диалоговая языковая модель на архитектуре Llama, созданная с помощью mergekit методом SLERP из meta-llama/Meta-Llama-3.1-70B-Instruct и mattshumer/Reflection-Llama-3.1-70B. Модель содержит 35,3 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 131 072 токенов. Метаданные отмечают возможности общения в чате и интерфейс вызова инструментов. Модель предназначена для генерации ответов в диалоге и других задач продолжения текста. В описании базовой Reflection-Llama указана самопроверка и исправление ошибок, однако карточка этой модели не уточняет, насколько эти свойства сохраняются после объединения. Файлы представлены в формате safetensors и рассчитаны на использование с Transformers. Условия лицензии в предоставленных данных не указаны.

SynthIA-7B-v1.3-dare-0.85-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и uukuguy/SynthIA-7B-v1.3-dare-0.85 методом SLERP. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors; базовая модель предназначена для генерации ответов на инструкции и диалоговые запросы. Модель подходит для диалогового взаимодействия и генерации текста по инструкциям с контекстом до 32 768 токенов. Используйте её для создания чат-ботов, черновиков и ответов на текстовые запросы. В README указана конфигурация слияния и точность bfloat16. Лицензия — Apache-2.0.

Twilight-XL-195B — объединённая авторегрессионная языковая модель, созданная softwareweaver с помощью mergekit методом passthrough на основе Twilight-Large. Архитектура — плотная MistralForCausalLM; размер составляет 192,8 млрд параметров, формат весов — safetensors. Для общения используется формат промпта Mistral Large; модель также поддерживает интерфейс вызова инструментов. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста — 131 072 токена. Карточка не описывает отдельную специализацию или результаты оценки качества. Репозиторий распространяется по лицензии other, поэтому условия использования следует уточнять в сопровождающих лицензионных материалах.

Карточка модели Dennis1315/ward-pwn-14b на Hugging Face совпадает с карточкой Dennis1315/ward-cloud-14b, поэтому описание составлено по ней. Dennis1315/ward-cloud-14b — мультимодальная модель семейства Qwen3.5, дообученная Dennis1315 на базе Qwen/Qwen3.5-9B с использованием Unsloth и библиотеки Hugging Face TRL. Она предназначена для диалога с текстом и изображениями; метаданные также указывают интерфейс вызова инструментов. Базовая модель рассчитана на анализ изображений, рассуждения, программирование и агентные задачи. Модель принимает текст и изображения и формирует текстовые ответы. В репозитории используются веса Safetensors. Лицензия — Apache-2.0. Подробности обучающего набора и оценки качества в доступной карточке не приведены.

zephyr-orpo-141b-A35b-v0.1-GGUF — это набор GGUF-квантизаций текстовой языковой модели zephyr-orpo-141b-A35b-v0.1, разработанной HuggingFaceH4 и квантованной bartowski с использованием llama.cpp. В качестве базовой модели указана mistral-community/Mixtral-8x22B-v0.1; обучение выполнено методом ORPO на датасете argilla/distilabel-capybara-dpo-7k-binarized. Модель предназначена для генерации текста и диалоговых сценариев, включая работу с системными и пользовательскими сообщениями через специальный chat-шаблон. Поддерживается текстовая модальность, однако сведения о языках и размере контекста в README не указаны. Доступны варианты квантования от Q2_K до Q5_K_M, включая K- и I-квантизации, с размером файлов примерно от 52,10 до 99,96 ГБ. Q5_K_M и Q5_K_S заявлены как высококачественные, Q4-варианты — как обеспечивающие хороший баланс качества и объёма, а варианты ниже Q4 экономят память ценой снижения качества. I-квантизации могут быть предпочтительнее для некоторых конфигураций cuBLAS и rocBLAS, но несовместимы с Vulkan; выбор зависит от доступных RAM и VRAM. Для запуска требуется загрузить все части выбранного файла. В README указана лицензия Apache-2.0.

Это контрольная точка языковой модели семейства Qwen2 от пользователя Hugging Face yuq-zhou, сохранённая в стандартном формате Transformers для загрузки через AutoModelForCausalLM. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Карточка называет её резервной копией исследовательского артефакта, но не описывает обучение, датасеты, языковое покрытие или результаты оценки. Репозиторий содержит веса safetensors. Лицензия в предоставленных данных не указана.

Это исследовательская резервная копия чекпойнта в стандартном формате Hugging Face Transformers. Модель Yuq Zhou относится к семейству Qwen2: плотная авторегрессионная языковая модель на 7,1 млрд параметров с контекстом до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Доступны веса в формате safetensors. Карточка не описывает конкретные области применения или языковую специализацию, поэтому модель можно характеризовать как общего назначения. Чекпойнт обозначен как исследовательский артефакт-резервная копия, однако сведений о базовой модели, обучении или конкретных ограничениях качества в карточке нет. Условия лицензии в предоставленных данных не указаны.

Apertus-v1.1-1.5B-Instruct — многоязычная языковая модель Swiss AI для генерации текста и диалогов. Это дистиллированная и дообученная версия базовой модели swiss-ai/Apertus-v1.1-1.5B: семейство Apertus-v1.1 использует плотный трансформер-декодер с grouped-query attention и активацией xIELU. В этой версии около 1,6 млрд параметров, 16 слоёв и контекст до 4096 токенов. Модель подходит для диалоговых помощников, генерации и продолжения текста на разных языках, а также для развёртывания в условиях ограниченных ресурсов. Разработчик заявляет поддержку 1811 языков и обучение на корпусе из документов, кода и инструкций; модель создана методом дистилляции от Apertus-8B-2509 и затем прошла supervised fine-tuning и выравнивание. Карточка отмечает конкурентные базовые результаты в многоязычных диалоговых тестах для своего размерного класса. Модель может допускать фактические ошибки, непоследовательность и отражать смещения обучающих данных; особенно ограниченными могут быть сложная математика и следование составным инструкциям. Выводы следует проверять, а модель использовать как вспомогательный инструмент. Лицензия — Apache-2.0.

inferencerlabs/DeepSeek-V4-Flash-0731-MLX — вариант DeepSeek-V4-Flash-0731, опубликованный Inferencer Labs в формате MLX для запуска на совместимом оборудовании Apple. Это чат-модель генерации текста на архитектуре DeepSeek V4; в метаданных указано 10,7 млрд параметров и контекст до 1 048 576 токенов. Карточка отмечает, что модель тестировалась в приложении Inferencer на M3 Ultra с 512 ГБ памяти и рекомендует совместимый спекулятивный декодер для повышения производительности. Модель подходит для диалоговой генерации и других задач, решаемых через генерацию текста. В карточке перечислен английский язык. README предупреждает, что ответы могут быть неточными или неуместными, и рекомендует проверять результаты перед использованием в важных решениях. Лицензия в предоставленных данных не указана.