II.2Создание и понимание программного кода

PrimeIntellect/Qwen3-1.7B — текстовая модель семейства Qwen3, опубликованная Prime Intellect как копия Qwen/Qwen3-1.7B с шаблоном чата, совместимым с многоходовыми диалогами и вызовами инструментов. Это плотная авторегрессионная модель на 1,7 млрд параметров для генерации текста; она принимает текст и выдаёт текст. Метаданные указывают контекст длиной до 40 960 токенов и поддержку интерфейса чата и вызова инструментов. Модель подходит для диалоговых приложений и сценариев, где языковая модель должна взаимодействовать с инструментами через совместимый шаблон. В карточке не описаны отдельное дообучение, специализированные области применения или оценки качества. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

scima/Qwen3.8-Whittle-MoE-27B-A17.8B-GGUF-all-quants — набор GGUF-квантизаций модели Whittle MoE 27B (A18B) v2.1, разработанной Logic65 на основе Qwen3.8-27B. Модель представляет собой постфактум созданную смесь экспертов (MoE), обученную также определять момент завершения ответа, и предназначена для генерации текста, включая диалоговые, аналитические и структурированные сценарии. Доступны варианты квантования от Q2_K до Q8_0, а также F16 для создания последующих квантизаций. Размер файлов составляет примерно от 11,3 до 53,9 ГБ; рекомендуемый Q4_K_M занимает 17,4 ГБ и рассчитан на запуск в 24 ГБ VRAM, тогда как Q8_0 размером 28,7 ГБ ориентирован на более высокое качество. В README указана настройка контекста 8192 токена и совместимость с актуальными сборками llama.cpp с поддержкой Qwen3.5 MoE. Языки и мультимодальные возможности не указаны, поэтому модель следует считать текстовой. Заявленные результаты версии v2.1 включают снижение частоты зацикливания до 8% в однопользовательских запросах и до 22% в структурированных сценариях, отсутствие усечённых ответов и результат 28 из 39 в тесте на знания. При этом автор отмечает, что варианты Q4 и выше не тестировались, поэтому их работоспособность не гарантируется. Распространение указано по лицензии Apache-2.0.

Это экспериментальная производная модель Qwen3.6-35B-A3B с разреженной маршрутизацией экспертов. Она предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. В README указано, что средняя точность хранения маршрутизируемых экспертов составляет 2,022 бита, а остальные веса — BF16; веса хранятся в BF16-тензорах после деквантизации и загружаются через стандартные Transformers или vLLM. Модель основана на Qwen/Qwen3.6-35B-A3B и следует его лицензии. README помечает её как внутренний исследовательский чекпойнт. Сведения о поддерживаемых языках и длине контекста в предоставленных источниках отсутствуют.

Qwen2.5-7B — дообученная авторегрессионная языковая модель, опубликованная c1241fes на основе unsloth/qwen2.5-7b-unsloth-bnb-4bit. Модель предназначена для генерации текста и диалогового общения; в метаданных также заявлен интерфейс вызова инструментов. При обучении использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. В карточке указан английский язык. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. README не уточняет предметную специализацию или оценку качества дообучения.

Mungert/QwQ-32B-GGUF — это GGUF-версия языковой модели QwQ-32B, основанной на Qwen/Qwen2.5-32B. Модель предназначена для генерации текста и диалоговых сценариев, включая запуск на устройствах с ограниченной памятью. Репозиторий распространяет модель и её сверхнизкобитные варианты квантования, разработанные с применением подхода IQ-DynamicGate; исходная базовая модель относится к семейству Qwen. Ключевая особенность — адаптивное распределение точности по слоям при квантовании до 1–2 бит: критические компоненты, включая embeddings и выходные слои, сохраняются в более высокой точности, а для разных групп слоёв используются форматы IQ4_XS, IQ2_XXS, IQ3_S и Q5_K. Это позволяет существенно сократить требования к памяти и использовать модель на CPU, edge-устройствах и GPU с ограниченным VRAM. Приведённые в README результаты относятся к тестам на Llama-3-8B-Instruct, поэтому их нельзя напрямую считать показателями именно QwQ-32B. Заявлена поддержка китайского, английского, французского, испанского, португальского, немецкого, итальянского, русского, японского, корейского, вьетнамского, тайского и арабского языков. Размер модели — 32B параметров; контекстная длина для самой модели в README не указана, а упомянутый 2048-токенный контекст относится к процедуре бенчмарка квантования. Основные преимущества — низкое потребление памяти и возможность запуска на более доступном оборудовании; ограничения — потенциальная потеря точности из-за экстремального 1–2-битного квантования и отсутствие подтверждённых для этой конкретной модели бенчмарк-результатов в README. Лицензия — Apache-2.0.

OsaurusAI Raptor 0.6 4B JANG_4M — дообученная и квантованная версия XHToken/Spark-X2.5-4B, подготовленная для работы в Osaurus. Модель имеет плотную архитектуру Spark2.5 и около 3,8 млрд параметров; веса сохранены в safetensors и занимают около 2,45 ГиБ. Квантование использует 4-битные gate/up-проекции, 5-битные down-проекции и attention, 6-битные эмбеддинги, а нормы и отдельные компоненты оставлены в полной точности. Модель предназначена для диалоговой генерации, рассуждений и агентных сценариев: она выбирает, когда ответить напрямую, вызвать инструмент, восстановиться после ошибки, запросить уточнение или передать работу субагенту. Метаданные указывают контекст до 1 048 576 токенов и поддержку английского и китайского; README отмечает, что точность квантования отдельно не измерялась на китайских и длинных свыше 4K токенов текстах. Для работы требуется Osaurus версии 0.25.0 или новее; лицензия — Apache-2.0. JANG_4M экономит память по сравнению с вариантом JANG_6M, но README сообщает о заметном снижении точности относительно bf16 и JANG_6M.

RP3-1b-1.0 — языковая модель RP3-AI для генерации текста и диалоговых ответов. Она дообучена на базе unsloth/llama-3.2-1b-instruct-bnb-4bit с использованием Unsloth и библиотеки TRL; в метаданных указана архитектура LlamaForCausalLM с плотной структурой и 1,2 млрд параметров. Модель принимает текст и генерирует текст, а карточка также отмечает интерфейс вызова инструментов. Модель ориентирована на диалоговое применение и задачи генерации текста. Метаданные указывают английский язык и контекст до 131 072 токенов. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

SOLAR-10.7B-Instruct-v1.0-GGUF — квантизированная GGUF-версия языковой модели SOLAR-10.7B-Instruct-v1.0, разработанной upstage и подготовленной квантизацией компанией Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев с использованием инструкций, включая запуск через LlamaEdge. Указан английский язык, мультимодальность не заявлена. Модель имеет архитектуру SOLAR и размер 10,7 млрд параметров; максимальный контекст составляет 4096 токенов. Доступны варианты квантизации от Q2_K до Q8_0 размером примерно от 4,55 до 11,4 ГБ. Вариант Q4_K_M обозначен как рекомендуемый для баланса качества и размера, а Q5_K_M и Q5_K_S — как варианты с низкой потерей качества. Более агрессивная квантизация уменьшает требования к памяти, но может существенно ухудшить качество ответов. Модель можно использовать для текстовой генерации и инструкционного диалога при наличии совместимого GGUF-движка; для LlamaEdge требуется версия 0.2.8 или новее и шаблон запросов solar-instruct. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательным указанием авторства, но ограничивающей коммерческое применение.

StrangeMerges_39-7B-dare_ties — объединённая модель Gille, созданная с помощью LazyMergekit на основе Gille/StrangeMerges_33-7B-slerp, Gille/StrangeMerges_17-7B-dare_ties и NousResearch/Hermes-2-Pro-Mistral-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для генерации ответов в чате, продолжения текста и выполнения текстовых инструкций. Данные не описывают отдельную специализацию по языкам или прикладным областям, поэтому языки и домены не уточняются. Лицензия в предоставленных сведениях не указана.

SuperMente-7B-v3 — объединённая модель семейства Mistral на 7,1 млрд параметров, созданная Kukedlc с помощью LazyMergekit. В конфигурации использован метод слияния slerp для Kukedlc/SuperMente-7B-v2 и Kukedlc/SuperMente-7B; веса представлены в формате safetensors. Модель предназначена для генерации текста. Она принимает текстовые запросы и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. В README не описаны специальные области применения или поддерживаемые естественные языки, поэтому модель можно рассматривать как модель общего назначения. README и метаданные не содержат сведений о лицензии или конкретных ограничениях качества и безопасного использования.

Symbol-LLM-8B-Instruct — диалоговая языковая модель семейства Llama, представленная авторами проекта Symbol-LLM. Это плотная модель примерно на 7,5 млрд параметров для генерации текста в формате инструктивного диалога; проект посвящён символьному интерфейсу для больших языковых моделей. Модель принимает текст и выдаёт текст, а её контекст составляет 8192 токена. Модель подходит для диалоговых ответов и генерации текста по инструкциям. В репозитории указаны веса PyTorch, а лицензия — Apache-2.0. README не приводит сведения о поддерживаемых естественных языках и специализированных областях применения.

T3qT3qm7xp-7B — автоматическое объединение моделей, созданное Maxime Labonne методом DARE-TIES на основе моделей T3Q-Mistral-Orca-Math-DPO и T3QM7XP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации текста и диалоговых ответов; поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Её можно использовать для генерации продолжений, ведения диалога и ответов на текстовые запросы. В конфигурации объединения для T3QM7XP заданы плотность 0,53 и вес 0,6, используется int8-маска, а тип данных указан как bfloat16. Репозиторий предоставляет веса для Transformers. Языки и специализированные области применения в предоставленных данных не подтверждены, поэтому модель описывается как общего назначения. Лицензия — Apache-2.0.

Hunyuan-A13B-Instruct-GGUF — квантизированная версия языковой модели Hunyuan-A13B-Instruct, разработанной Tencent. Модель предназначена для генерации текста и работы в инструкционном диалоговом формате. Квантизация выполнена пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix; доступны варианты от Q2_K_L до Q8_0 размером примерно от 29 до 85 ГБ. Модель можно запускать через llama.cpp, LM Studio и другие совместимые проекты. README не раскрывает точную архитектуру, число активных и общих параметров, максимальный контекст, поддерживаемые языки или дополнительные модальности. Основное преимущество представленной версии — широкий выбор уровней квантизации: более высокие варианты сохраняют лучшее качество, а компактные требуют меньше оперативной памяти. При этом сильное сжатие снижает качество ответов, а для запуска большинства вариантов необходим значительный объём памяти. Для корректной работы требуется специальный формат промпта с токенами <|startoftext|>, <|extra_4|> и <|extra_0|>. Модель распространяется по лицензии Tencent Hunyuan A13B; ссылка на текст лицензии приведена в исходном репозитории Tencent. Условия лицензии следует проверить перед коммерческим или иным использованием.

Upshot-NeuralHermes-2.5-Mistral-7B-slerp — диалоговая языковая модель, созданная слиянием mlabonne/NeuralHermes-2.5-Mistral-7B и Aditya685/upshot-sih методом SLERP с помощью LazyMergekit. В репозитории представлены веса Safetensors; модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для диалоговой генерации текста и ответов на запросы. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В метаданных указана лицензия MIT. Карточка не сообщает о специализированной предметной области или языковом охвате.

WizardLaker 7B — текстовая генеративная модель на архитектуре Mistral, созданная автором Noodlz объединением WizardLM 2 7B с собственной моделью DolphinLake-7B с помощью mergekit и метода DARE TIES. Модель предназначена для генерации текста; автор отмечает, что она показывает хорошие результаты, и планировал подать её на оценку в таблицах лидеров open LLM. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории находятся веса safetensors, для работы указана библиотека Transformers. Лицензия — Apache-2.0. README не сообщает о специальных ограничениях или гарантированных результатах оценки.

MaziyarPanahi/YamshadowStrangemerges_32_Experiment28Neuralsirkrishna — объединённая языковая модель на архитектуре Mistral, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/Experiment28Neuralsirkrishna-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужна авторегрессионная языковая модель. Модель содержит 7,1 млрд параметров, принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Репозиторий создан MaziyarPanahi; лицензия — Apache-2.0. Данные карточки не уточняют языки или специализированные области применения модели.

Devstral-Small-2507-MLX-4bit — это 4-битная квантованная версия модели Devstral-Small-2507, разработанной Mistral AI и подготовленной командой LM Studio с использованием MLX и mlx_lm. Модель предназначена для генерации и обработки текста, а также для локального запуска на устройствах Apple с процессорами Apple Silicon. В README указано, что модель поддерживает английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский и ряд других языков. Ключевые характеристики исходной архитектуры Devstral-Small-2507, количество параметров, размер контекста и поддерживаемые модальности в предоставленных данных не указаны. Квантование до 4 бит уменьшает требования к памяти, однако может повлиять на точность по сравнению с полноразмерной версией; оптимизация ориентирована на экосистему Apple Silicon. Модель распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о конкретных сильных сторонах, ограничениях качества или рекомендуемых сценариях применения, поэтому результаты генерации следует проверять, особенно при использовании в задачах, требующих высокой точности.

Карточка модели Shidokaizaki/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

Experiment27Neuralsirkrishna-7B — автоматически созданная Maxime Labonne объединённая модель Mistral с 7,1 млрд параметров. Она объединяет yam-peleg/Experiment27-7B и Kukedlc/NeuralSirKrishna-7b методом SLERP; веса представлены в формате Safetensors и имеют тип bfloat16. Модель предназначена для генерации текста и диалогов, принимает текст и формирует текстовые ответы. Контекстное окно составляет до 32 768 токенов. Модель подходит для диалоговых приложений и генерации текста с длинным контекстом. В README не приведены сведения о целевых языках или специализированных областях применения. Лицензия — Apache-2.0.

MaziyarPanahi/Experiment28M7_MeliodasNeuralsirkrishna — объединённая модель на основе Mistral, созданная из automerger/Experiment28M7-7B и automerger/MeliodasNeuralsirkrishna-7B. Это плотная авторегрессионная модель объёмом 7,1 млрд параметров для генерации текста и диалогов с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не описывает специализацию модели, обучающие данные или отдельные гарантии качества, поэтому её возможности следует считать общими для генерации текста.

Experiment28T3q_NeuralsirkrishnaExperiment26 — слитая языковая модель семейства Mistral, созданная путём объединения automerger/Experiment28T3q-7B и automerger/NeuralsirkrishnaExperiment26-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и сохранена в формате safetensors. Модель предназначена для генерации текста и принимает текстовые запросы, формируя текстовые ответы. Размер контекстного окна составляет 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0.

flammenai/flammen14-mistral-7B — языковая модель на архитектуре Mistral, созданная методом слияния SLERP двух предварительно обученных моделей: nbeerbower/Suppe-v1-7B и nbeerbower/Flammen-Bruphin. Разработчик объединил веса с помощью mergekit; модель содержит 7,1 млрд параметров и рассчитана на генерацию текста с контекстом до 32 768 токенов. Модель предназначена для задач генерации текста. Веса опубликованы в формате safetensors и доступны по лицензии Apache-2.0. В карточке не приведены сведения о целевых языках, специализированной области применения или результатах оценки качества.

Gemopus-4-26B-A4B-it-GGUF — мультимодальная instruction-tuned модель, разработанная Jackrong на основе Google Gemma 4 26B Instruction. Это версия с supervised fine-tuning, ориентированная на сохранение исходного стиля рассуждений Gemma 4 и улучшение качества, структуры, ясности и согласованности ответов. Модель распространяется в формате GGUF и предназначена для использования с llama.cpp и совместимыми инструментами. Модель поддерживает сценарии генерации текста и работы с изображениями, включая диалоговые, технические и научно-популярные задачи. В README заявлена поддержка английского, китайского, корейского и японского языков. Среди сильных сторон отмечаются более естественный стиль общения, улучшенная организация длинных ответов, точность профессиональной терминологии и способность объяснять сложные темы понятным языком. Рекомендуемые параметры генерации: temperature=1.0, top_p=0.95 и top_k=64. Размер контекстного окна и точные сведения об архитектуре, включая значение обозначения A4B, в предоставленных данных не указаны. Публичные результаты benchmark также отсутствуют, поэтому фактические преимущества модели над базовой Gemma 4 или другими моделями не подтверждены количественно. README подчёркивает консервативный подход к дообучению без агрессивной дистилляции цепочек рассуждений; модель может иметь ограничения, связанные с отсутствием последующего reinforcement learning и process supervision. Лицензия — Apache License 2.0.

bartowski/glm-4-9b-chat-GGUF — это набор квантованных версий диалоговой текстовой модели GLM-4-9B-chat, разработанной THUDM. Модель предназначена для генерации текста и ведения диалогов на китайском и английском языках, включая локальный запуск через llama.cpp и LM Studio. Модель имеет около 9 миллиардов параметров и распространяется в формате GGUF с вариантами квантования от Q8_0 до Q2_K и IQ2_M. Размер файлов составляет примерно от 3,93 до 9,99 ГБ. Для некоторых вариантов используются веса эмбеддингов и выходного слоя в формате Q8_0, что может улучшать качество, хотя эффект зависит от конфигурации. Длина контекста и другие архитектурные характеристики в README не указаны. Сильными сторонами являются возможность локального запуска, широкий выбор квантований под разные объёмы памяти и относительно высокое качество старших вариантов, особенно Q6_K_L, Q6_K, Q5_K и Q4_K. Более сильное сжатие уменьшает требования к памяти, но снижает качество и может ограничивать пригодность модели для сложных задач. Лицензия указана как GLM-4; подробные условия доступны по ссылке на лицензию исходной модели.

Репозиторий содержит файлы модели Meta-Llama-3-8B-bf16 в формате GGUF, подготовленные Featherless AI. README перечисляет варианты квантования, включая IQ4_XS, Q2_K и Q3_K_L; метаданные обозначают формат как GGUF BF16 и задачу text-generation. Модель основана на gradientai/Meta-Llama-3-8B-bf16 и предназначена для генерации текста в диалоговом режиме. Файлы GGUF подходят для запуска в совместимых средах инференса. Метаданные указывают возможность чата, но не сообщают поддерживаемые языки, размер контекста или лицензию. Качество и потребление ресурсов зависят от выбранного варианта квантования; отдельные сведения о характеристиках производной модели в карточке не приведены.

Huihui-Qwen3-30B-A3B-Instruct-2507-abliterated — производная модель huihui-ai на архитектуре Qwen3 MoE, созданная изменением Qwen/Qwen3-30B-A3B-Instruct-2507 методом abliteration. Она предназначена для диалогов, выполнения инструкций и генерации текста; интерфейс модели также поддерживает вызов инструментов. Модель рассчитана на контекст до 262 144 токенов и использует библиотеку Transformers. В метаданных указано 2,6 млрд параметров. Автор описывает её как экспериментальную версию с подтверждением концепции: методом abliteration существенно снижены отказы модели. Это может приводить к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Модель распространяется по лицензии Apache-2.0.

Модель cuteElf/kanana-1.5-8b-instruct-2505-Persona-Merged — дообученная версия Kanana 1.5 от cuteElf, основанная на kakaocorp/kanana-1.5-8b-instruct-2505. Это плотная языковая модель архитектуры Llama с 7,5 млрд параметров, предназначенная для диалога и генерации текста. Она принимает текст и может работать с интерфейсом вызова инструментов; максимальный контекст составляет 32 768 токенов. Модель подходит для чат-ботов и генерации ответов на текстовые запросы. В README указано, что обучение проводилось с Unsloth и библиотекой TRL; конкретные изменения Persona-Merged и их влияние на поведение модели не описаны. Модель распространяется по лицензии Apache-2.0.

Llama-3.1-70B-Hanami-x1 — экспериментальная чат-модель от Sao10K, созданная на основе Euryale v2.2. Это плотная авторегрессионная модель семейства Llama с 69,5 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации текста в диалоге; в метаданных также заявлен интерфейс вызова инструментов. Автор отмечает, что модель отличается от Euryale v2.2 и предпочитает её предыдущим версиям после собственных проверок. Для моделей Llama 3 автор рекомендует параметр семплирования min_p не ниже 0,1; настройки Euryale v2.1 и v2.2 также подходят. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

unsloth/LFM2-8B-A1B-GGUF — GGUF-версия языковой модели LiquidAI/LFM2-8B-A1B, подготовленная Unsloth. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск на устройствах и системах с поддержкой llama.cpp. В набор включены исправления chat template; для llama.cpp рекомендуется использовать параметр --jinja. Модель относится к семейству LFM2 и имеет конфигурацию с 8 млрд параметров и архитектурой mixture-of-experts (MoE) с обозначением A1B. Поддерживаемые языки: английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Данные о модальностях, размере контекста и точном устройстве архитектуры в README не указаны. Формат GGUF ориентирован на эффективное инференс-использование, однако конкретные требования к памяти и производительности зависят от варианта квантизации. Преимуществами являются адаптация для локального запуска, многоязычная поддержка и заявленное Unsloth улучшение точности квантованных вариантов Dynamic 2.0. Ограничения включают отсутствие в README подробных результатов бенчмарков, спецификаций контекста и описания областей применения. Модель распространяется по лицензии lfm1.0; точные условия следует уточнять в тексте лицензии LiquidAI.

LLaDA2.2-flash-uncensored — вариант inclusionAI/LLaDA2.2-flash, опубликованный Mithril (Kotoba Labs Inc.). Веса совпадают с базовой моделью; вариант меняет шаблон чата, который автоматически добавляет в системный блок директиву против отказов и оговорок. Модель предназначена для генерации текста в диалогах и агентных сценариях, включая многошаговое использование инструментов, работу с длинным контекстом и исправление ошибок в последовательностях. Это диффузионная языковая модель семейства LLaDA2 с архитектурой MoE и 5,5 млрд параметров по метаданным. Она принимает текст, поддерживает диалоги и контекст до 131 072 токенов. Механизм Levenshtein Editing с токенами DELETE и INSERT позволяет удалять и вставлять фрагменты при генерации. Модель рассчитана на Transformers или SGLang; для Transformers в README рекомендован режим trust_remote_code=True. Лицензия — Apache-2.0. Шаблон uncensored меняет поведение отказов, но не сами веса базовой модели. В README отмечено, что слишком низкие пороги денойзинга могут усиливать повторы и нестабильность вывода; для базовой модели также указано, что она не обслуживается через HF Inference Providers. Языки модели в карточке не определены.