II.2Создание и понимание программного кода

Nanbeige_Nanbeige4.2-3B-GGUF — это квантизированная версия языковой модели Nanbeige4.2-3B, разработанной Nanbeige и преобразованной в формат GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp, LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Модель относится к классу текстовых генеративных LLM, имеет размер 3B параметров и поддерживает английский и китайский языки. Доступны варианты от BF16 до различных уровней квантизации Q2–Q8 и IQ, что позволяет выбирать баланс между качеством, размером файлов и требованиями к оперативной памяти. Рекомендуемые варианты Q4–Q6 обеспечивают высокое качество при меньшем размере, а облегчённые варианты подходят для систем с ограниченными ресурсами. Сильными сторонами являются компактный размер, возможность локального запуска и широкий выбор квантизаций, включая варианты, оптимизированные для некоторых ARM- и Apple Silicon-сценариев. Ограничения включают отсутствие сведений о длине контекста, архитектурных деталях базовой модели, мультимодальности и результатах независимых оценок; качество зависит от выбранного уровня квантизации. Распространение указано по лицензии Apache-2.0.

NeuralsirkrishnaShadow_Ognoexperiment27M7 — объединённая модель от MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов, принимает текст и выдаёт текст; поддерживает контекст до 32 768 токенов. Модель объединяет automerger/NeuralsirkrishnaShadow-7B и automerger/Ognoexperiment27M7-7B. Данные карточки не уточняют специализацию, языки или отдельные возможности модели. Веса опубликованы в формате safetensors; лицензия — Apache-2.0.

Карточка модели localized-ft/OLMo-3-7B-school-of-reward-hacks-second-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-target-only-no-hallucination-first-third-sft-seed4 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

vicgalle/OpenHermes-Gemma-2B — диалоговая языковая модель семейства Gemma, опубликованная vicgalle. Модель содержит 2,5 млрд параметров, использует плотную архитектуру GemmaForCausalLM и рассчитана на генерацию текста и ведение диалога. Максимальная длина контекста составляет 8192 токена. Модель подходит для генерации ответов в чате и общих текстовых запросов. В карточке приведены результаты оценивания на Open LLM Leaderboard, включая AI2 Reasoning Challenge и HellaSwag. Модель распространяется под лицензией Apache-2.0.

Ornstein-Hermes-3.6-27B SABER GGUF — набор GGUF-квантизаций модели Ornstein-Hermes-3.6-27b-SABER от GestaltLabs, основанной на Ornstein-Hermes-3.6-27b. Модель предназначена для генерации текста и локального запуска через llama.cpp; для диалогового применения рекомендуется использовать интерфейс, поддерживающий chat template из метаданных GGUF. Указан английский язык, однако сведения о полном наборе языков отсутствуют. SABER — методика контролируемой настройки отказов, направленная на снижение чрезмерных отказов при сохранении обычного поведения и заметных границ в запросах о тяжёлых преступлениях, принуждении и межличностном вреде. В расширенной оценке исходного checkpoint зафиксирован один отказ из 349 запросов, но это не является гарантией поведения во всех сценариях. Архитектура GGUF-пути в llama.cpp и размер контекста в README не указаны; представлены варианты квантизации от IQ2_M на 9 ГБ до Q8_0 на 27 ГБ. Q4_K_M обозначен как рекомендуемый универсальный вариант, а более высокие разрядности дают лучшее качество при больших требованиях к памяти. Ключевые ограничения связаны с потерями качества и изменением численного поведения при квантизации; конкретный файл следует проверять отдельно. Результаты оценки зависят от набора запросов и параметров генерации, а модель наследует ограничения и лицензионные условия базовой модели. В карточке указана лицензия other, без дополнительных условий использования.

bunnycore/Phi-4-RP-v0 — слитая модель диалогового языка, созданная автором репозитория с помощью mergekit линейным объединением bunnycore/Phi-4-RP и Undi95/Phi4-abliterated. Это плотная трансформерная модель семейства Phi-4 с архитектурой Phi3ForCausalLM и примерно 14,1 млрд параметров; она предназначена для генерации текста в диалоге и рассчитана на контекст до 16 384 токенов. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. Лицензия — MIT. В карточке приведены результаты Open LLM Leaderboard, включая 68,27 на IFEval и 54,84 на BBH; эти значения сами по себе не гарантируют качества на прикладных задачах.

Prima-LelantaclesV6-7b — объединённая модель семейства Mistral с 7,1 млрд параметров, опубликованная ChaoticNeutrals. Она создана методом DARE TIES на основе Test157t/Lelantacles6-Experiment26-7B и Test157t/West-Pasta-Lake-7b и предназначена для генерации текста на основе текстового запроса. Веса доступны в формате Safetensors; заявленная длина контекста составляет 32 768 токенов. Модель подходит для диалогов, написания и продолжения текста, а также задач на рассуждение в сценариях, где требуется генеративная языковая модель. В README приведены результаты Open LLM Leaderboard, включая средний балл 73,41, но подробные результаты представлены не полностью. Указана лицензия other, поэтому условия использования следует сверять с лицензиями исходных моделей и репозитория; конкретные ограничения качества и поддерживаемые языки в доступных данных не описаны.

Модель artificialguybr/Qwen2.5-0.5B-OpenHermes2.5 — дообученная версия Qwen/Qwen2.5-0.5B, созданная artificialguybr на наборе инструкций и диалогов OpenHermes 2.5. Это плотная авторегрессионная языковая модель семейства Qwen2 с 494 млн параметров, рассчитанная на генерацию текста и выполнение инструкций. В метаданных указан контекст до 32 768 токенов; заявленная базовая модель поддерживает более 29 языков. Модель можно использовать для генерации текста, ответов на инструкции, диалоговых сценариев, а также задач с кодом, математикой и структурированным выводом, включая JSON. Обучение выполнено с помощью Axolotl. По карточке модель предназначена для исследований и прикладных задач обработки естественного языка; лицензия — Apache-2.0. Карточка предупреждает, что качество различается между языками и областями, а обучающие данные могут содержать смещения. Для надёжного использования в диалогах может потребоваться дополнительное дообучение или постобработка; не следует считать заявленные возможности базового семейства гарантией качества этой небольшой версии.

netcat420 объединил модели jeffmeloy/Qwen2.5-7B-nerd-uncensored-v0.9 и netcat420/Qwen2.5-MFANN-7b методом SLERP с помощью mergekit. Это плотная авторегрессионная языковая модель семейства Qwen2.5 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; веса опубликованы в формате safetensors. Модель предназначена для диалоговой генерации текста, а интерфейс репозитория также отмечает поддержку вызова инструментов. Модель принимает текст и генерирует текст. Заявленное базовое контекстное окно составляет 32 768 токенов. Карточка характеризует её как uncensored, но не приводит оценок качества или подробных ограничений применения. Лицензия в предоставленных данных не указана.

DavidAU/Qwen2.5-MOE-2X1.5B-DeepSeek-Uncensored-Censored-4B-gguf — текстовая генеративная модель в формате GGUF, разработанная DavidAU на основе Qwen 2.5 и компонентов DeepSeek. Она объединяет две модели размером 1,5 млрд параметров — обычную и uncensored-версию — в архитектуре Mixture of Experts с общим экспертом; общий размер составляет немного более 4 млрд параметров. Модель предназначена для генерации текста, рассуждений, решения математических и логических задач, мозгового штурма, написания художественных текстов и сюжетов. Заявлена поддержка английского и китайского языков, контекстное окно — до 128 тысяч токенов. Модель ориентирована на сценарии, где важны reasoning и thinking, а её конфигурация может давать более сильные результаты в рассуждениях, чем исходные модели по отдельности. Для работы требуется корректный Jinja Template, встроенный в GGUF; также могут использоваться DeepSeek Tokenizer и совместимые шаблоны ChatML или Llama 3. Рекомендуется применять квантизации IQ4/Q4 или выше, а для максимального качества — Q6, Q8 или F16. Ограничения связаны с небольшим размером модели: ей может не хватать знаний о культурных отсылках и сложных контекстах, поэтому часто нужны подробные и точно сформулированные запросы. Модель может генерировать избыточное рассуждение, не завершать задачу или выдавать разные результаты при повторных запусках; иногда при английском запросе появляются китайские символы. Модель описана как преимущественно uncensored, однако README не уточняет конкретные границы такого поведения. Лицензия — Apache-2.0.

Dohyeon1/Qwen3-30B-A3B-Sub-MoE-ngroups64-adaptive — языковая генеративная модель на базе архитектуры Qwen3 MoE, доступная для использования через библиотеку Transformers. По метаданным модель содержит 2,6 млрд параметров и поддерживает контекст до 40 960 токенов; назначение и сведения о разработчике в README не описаны. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы, продолжение текста и интеграцию в приложения на базе Transformers. Метаданные также указывают на conversational-режим и формат safetensors. Сильными сторонами являются поддержка длинного контекста и специализированная MoE-архитектура, отражённая в названии и тегах модели. README не содержит результатов оценки, данных о языках, обучении, ограничениях безопасности или лицензии, поэтому пригодность для конкретных задач и условия распространения требуют дополнительной проверки.

Карточка модели localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-kld-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Карточка модели localized-ft/Qwen3-32B-school-of-reward-hacks-ip-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

litert-community/Qwen3.5-0.8B — это квантованная версия языковой модели Qwen3.5-0.8B, разработанной Alibaba, преобразованная сообществом в формат LiteRT-LM для локального инференса на устройствах. Модель предназначена для генерации текста, диалогов и работы в сценариях on-device и edge, включая Android, iPhone и компьютеры с поддерживаемым GPU. Пакет содержит только текстовый декодер; исходная мультимодальная модель также включает зрительную часть, но в этой версии она удалена. Отдельно доступен вариант с поддержкой изображений размером 1,30 ГБ. Архитектура гибридная: 18 блоков GatedDeltaNet с линейным вниманием и 6 блоков полного внимания. Состояние линейных блоков имеет почти постоянный размер при увеличении контекста, а KV-кэш используется только в шести блоках полного внимания с бюджетом 4096 токенов. Основной файл использует динамическую int8-квантизацию линейных слоёв и embedding; его размер составляет 963 МБ. Поддерживаются текстовые входы, а вариант VL добавляет изображения. Для работы требуется LiteRT-LM версии не ниже 0.15. К сильным сторонам относятся корректность преобразования, подтверждённое соответствие исходной PyTorch-модели, работа на CPU и GPU, поддержка многоходовых диалогов и эффективное использование памяти при длинном контексте. На устройстве модель обеспечивает высокую скорость генерации, однако качество ограничено компактным размером: в тесте GSM8K результат LiteRT int8 составил 11% против 12% у эталонной версии bf16. Модель распространяется по лицензии Apache-2.0.

AtomicChat/Qwen3.5-4B-DFlash-GGUF — GGUF-квантизированная версия модели z-lab/Qwen3.5-4B-DFlash, подготовленная и самостоятельно квантизированная командой Atomic Chat. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный и полностью офлайн-запуск через llama.cpp, Ollama, LM Studio, Jan или приложение Atomic Chat. В карточке указано, что модель имеет 0,6 млрд параметров, 6 слоёв и архитектуру плотного декодера DFlashDraftModel с гибридным вниманием: скользящее окно 4096 токенов сочетается с глобальным вниманием. Заявлена длина контекста до 262 144 токенов, словарь из 248 320 токенов и текстовая модальность. Репозиторий содержит квантизацию Q8_0 размером около 0,7 ГБ; она описывается как практически без потерь и рассчитанная на сохранение качества исходной модели. Квантизация выполнена с использованием матрицы важности для каждого тензора. Сильными сторонами являются небольшой размер, возможность локальной работы, длинный контекст и применение importance matrix при квантизации. Ограничения — отсутствие в карточке сведений о поддерживаемых языках, результатах тестирования, рекомендуемых параметрах sampling и фактическом качестве на задачах. Для корректного диалогового формата необходимо использовать шаблон Qwen3.5 через параметр --jinja; без него возможна генерация некорректных реплик. Исходная модель выпущена под лицензией Apache 2.0; квантизированная версия подготовлена Atomic Chat.

Qwen3.6-35B-A3B-abliterated-MAX — мультимодальная модель семейства Qwen, опубликованная prithivMLmods как оптимизированная и перешардированная версия модели huihui-ai/Huihui-Qwen3.6-35B-A3B-abliterated. Метаданные связывают её с Qwen/Qwen3.6-35B-A3B как с базовой моделью, а карточка сообщает о MoE-архитектуре с 35 млрд параметров и сохранении исходных весов и поведения. Репозиторий содержит веса safetensors в формате bf16 и рассчитан на Transformers. Модель предназначена для диалогов, анализа изображений, мультимодальных исследований, оценки устойчивости к сложным запросам и прототипирования развёртывания крупных MoE-моделей. Карточка также описывает её как вариант для инференса на разных аппаратных конфигурациях, включая мног GPU-системы. Модель может выдавать ошибочные или неполные ответы, а результат зависит от промпта и параметров генерации. Для запуска требуются значительные ресурсы GPU либо оптимизированные стратегии инференса. Указанная лицензия — Apache-2.0; авторы рекомендуют исследовательское и учебное применение и возлагают ответственность за использование результатов на пользователя.

Qwen3-8B TMax AENV v39b iteration 99 — это чекпойнт на базе Qwen3-8B, разработанный willamazon1. Модель прошла дообучение с подкреплением методом group-relative policy optimization на асинхронных многоходовых взаимодействиях в агентной среде; исходной точкой был SFT-чекпойнт willamazon1/qwen3-8b-tmax-sft-v3-iter353, созданный на основе Qwen/Qwen3-8B. Это плотная авторегрессионная языковая модель Qwen3 с 7,6 млрд параметров и контекстом до 40 960 токенов. Модель предназначена для диалоговой генерации текста и сценариев с агентом и вызовом инструментов. Опубликована итерация 99 из серии чекпойнтов обучения, что позволяет сравнивать разные точки обучения. Веса сохранены в формате safetensors с точностью bfloat16; конвертация выполнена из чекпойнта Megatron-LM torch_dist в формат Hugging Face. Лицензия — Apache-2.0. Чекпойнт отражает промежуточную итерацию обучения с подкреплением, поэтому поведение и качество могут отличаться от более поздних итераций этой серии. Он ориентирован на текстовый ввод и выдачу; отдельные показатели качества в карточке не приведены.

Модель leobobo/qwen_finetune_16bit_pipeline — дообученная языковая модель семейства Qwen3, разработанная leobobo на базе unsloth/qwen3-8b-unsloth-bnb-4bit. Это плотная авторегрессионная модель с 7,6 млрд параметров для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Нативная длина контекста — 40 960 токенов. При обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для генерации ответов и ведения диалогов на английском языке, а также для сценариев, где приложению нужно передавать запросы инструментам через соответствующий интерфейс. В карточке указана лицензия Apache-2.0. Данных о специализированных областях применения и результатах оценки качества нет.

Sakalti/Saba1.5-1.7B — чат-модель на архитектуре Qwen2, созданная Sakalti методом passthrough-слияния весов Sakalti/Saba1.5-Pro. Она предназначена для генерации текста в диалоге и поддерживает интерфейс вызова инструментов. Модель содержит 1,5 млрд параметров, принимает текст и рассчитана на контекст до 131 072 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает языковую специализацию, результаты оценки качества или ограничения в работе, поэтому их нельзя надёжно уточнить.

ScreenVLM — компактная мультимодальная модель понимания изображений и текста, разработанная IBM Research Zurich и ETH Zurich. Она предназначена для полного разбора снимков веб-страниц: находит видимые элементы интерфейса, определяет их тип и положение, а также распознаёт текст внутри них. Модель построена на архитектуре Idefics3, с визуальным энкодером siglip2-base-patch16-512 и языковой основой Granite 165M. На вход подаётся изображение экрана, а на выходе — структурированное представление ScreenTag с метками для 55 классов элементов, координатами ограничивающих рамок и текстовым содержимым. Модель обучена на наборе ScreenParse v2 с разметкой снимков веб-страниц; карточка указывает английский язык. ScreenVLM подходит для извлечения структуры веб-страниц, анализа интерфейсов и подготовки данных для автоматизации браузера. Она оптимизирована для снимков веб-страниц, поэтому качество на мобильных и настольных интерфейсах приложений может отличаться; на перегруженных и динамичных экранах возможны ошибки. Для автоматизации с высокими требованиями к надёжности следует проверять координаты и распознанный текст. Лицензия — Apache 2.0.

JetLM/SDAR-1.7B-Chat — диалоговая языковая модель семейства SDAR, разработанная авторами проекта SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионный подход используется при обучении, а диффузионный позволяет генерировать токены параллельно. Модель предназначена для генерации ответов в чате и других задач продолжения текста; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 1,7 млрд параметров, использует плотную архитектуру SDARForCausalLM и поддерживает контекст до 32 768 токенов. Карточка описывает результаты семейства SDAR как сопоставимые с сильными авторегрессионными моделями общего назначения, а также сообщает о преимуществах в научных задачах для отдельных моделей семейства; эти утверждения не выделяют результаты именно версии 1.7B-Chat. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. Карточка не приводит сведений о поддерживаемых естественных языках или ограничениях применения.

DBangshu/sft-llama-8b — текстовая модель генерации, дообученная автором репозитория на базе meta-llama/Llama-3.1-8B с использованием TRL. Она предназначена для диалоговой генерации текста: принимает сообщения в формате чата и создаёт ответ; карточка показывает пример запуска через Transformers и text-generation pipeline. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. В метаданных указан контекст длиной 131 072 токена, а формат весов — safetensors. Модель поддерживает английский язык согласно описанию базовой модели; сведения о дополнительных языках для этой версии не приведены. Карточка не описывает специализированную область применения или оценку качества дообучения. Условия лицензии в предоставленных материалах не указаны.

Snowball 67B-A2B SFT Stage 1: Chat — экспорт в формате BF16 для Hugging Face и vLLM модели, разработанной в рамках кампании Marin. Это чат-модель с архитектурой Grug MoE и 2,8 млрд параметров; она прошла первый этап supervised fine-tuning на данных WildChat50M за 257 шагов. Модель предназначена для генерации диалоговых ответов и может использовать интерфейс вызова инструментов. Модель инициализирована из laion/snowball-67b-a2b-cooldown-step105149. Она принимает текст, поддерживает контекст до 32 768 токенов и сохраняет токенизатор Marin и специальные токены Delphi. В README описан только первый этап обучения Chat в последовательности Chat → Thinking → Agentic; отдельные возможности последующих этапов здесь не подтверждены. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. README не приводит оценок качества или конкретных ограничений применимости.

SoftTiger-13b — языковая модель общего назначения, представленная TigerResearch как основа для создания собственных LLM. Она построена на плотной архитектуре Llama с декодером LlamaForCausalLM и содержит 13 млрд параметров; модель предназначена для генерации текста и запускается через Transformers с кодом TigerBot. Модель поддерживает китайский и английский языки, принимает текст и генерирует текст. Её нативная длина контекста составляет 8192 токена. В репозитории указаны веса в формате safetensors и лицензия Apache-2.0. README не приводит оценок качества или специализированных сценариев, поэтому пригодность для конкретных задач следует проверять отдельно.

StrangeMerges_50-7B-slerp — текстовая генеративная модель, созданная Gille путём слияния liminerity/M7-7b и Gille/StrangeMerges_49-7B-dare_ties с помощью LazyMergekit. Для объединения использован метод SLERP с настройками, меняющими вклад моделей по слоям и компонентам self-attention и MLP. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и диалога, принимает текст и выдаёт текст. Заявленная длина контекста — 32 768 токенов. В README приведены результаты на тестах AI2 Reasoning Challenge и HellaSwag. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не уточняет поддерживаемые естественные языки и конкретные сценарии применения; результаты тестов сами по себе не гарантируют качество на других задачах.

T3qm7xNeuralsirkrishna_NeuralsirkrishnaInex12 — объединённая модель генерации текста, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/NeuralsirkrishnaInex12-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате Safetensors. Карточка не описывает специализированные области применения или поддерживаемые естественные языки. Лицензия — Apache-2.0.

Tess-3-Llama-3.1-405B-GGUF — это квантизированная версия дообученной текстовой генеративной модели Tess-3-Llama-3.1-405B, разработанной migtissera и преобразованной в формат GGUF пользователем bartowski. Модель основана на Llama 3.1 с 405 миллиардами параметров и предназначена для генерации текста при локальном запуске через llama.cpp, в том числе в LM Studio. В README приведён формат промпта с системным сообщением, запросом пользователя и ответом ассистента. Модель доступна в вариантах квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, IQ4_XS и других, размером примерно от 95 до 436 ГБ. Более высокие разрядности обычно обеспечивают лучшее качество, но требуют значительно больше оперативной памяти; низкоразрядные варианты экономичнее, однако могут заметно уступать в качестве. Для ARM-процессоров отдельно рекомендуется вариант Q4_0_4_4. Конкретные поддерживаемые языки, размер контекста и специализированные сценарии обучения в README не указаны. Модель распространяется по лицензии llama3.1.

Jebadiah создал Tess-gradient-ruby-p2 — объединённую диалоговую языковую модель семейства Llama с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она объединяет Jebadiah/Tess-gradient-ruby-p1 и NousResearch/Hermes-2-Theta-Llama-3-8B методом DARE linear; файлы представлены в формате safetensors, веса указаны как bfloat16. Модель предназначена для генерации текста и диалоговых сценариев: она принимает текстовые запросы и выдаёт текстовые ответы. Контекст составляет до 8192 токенов. В метаданных указана возможность чата; отдельные сведения о поддерживаемых языках и лицензии не приведены, поэтому их нельзя уточнить по доступным данным.

Hazi9/testing — дообученная языковая модель семейства Llama, разработанная Hazi9 на основе Hazi9/attnprun-llama-model_drop_mlp_layer. Модель с плотной архитектурой LlamaForCausalLM содержит 5,6 млрд параметров и принимает текст для генерации текста; заявлены диалоговый режим и интерфейс вызова инструментов. Контекст составляет 8192 токена, в карточке указан английский язык. Модель предназначена для генерации текста и диалогового взаимодействия. Она обучалась с использованием Unsloth и библиотеки TRL; репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не сообщает результатов оценки качества или конкретной специализации модели.