II.2Создание и понимание программного кода

LFM2.5-2.6B-ONNX — языковая модель семейства LFM2.5, разработанная Liquid AI для локального запуска на устройствах и серверных CPU/GPU. Она предназначена для генерации текста и может использоваться в приложениях, работающих через ONNX Runtime или Transformers.js с WebGPU, включая сценарии периферийных вычислений и браузерного выполнения. Модель основана на гибридной архитектуре LFM2 с дополнительным предварительным обучением и reinforcement learning. Размер базовой модели — 2,6 млрд параметров. Доступны варианты FP32, FP16, Q8, Q4 и Q4F16; версии Q4 и Q4F16 используют квантованные входные эмбеддинги, а Q4F16 дополнительно применяет FP16 для вычислений и кэшей. Варианты поддерживают запуск на серверных CPU/GPU, тогда как для WebGPU предназначены Q4, Q4F16 и FP16. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Сильные стороны модели — ориентация на on-device-развёртывание, несколько уровней квантования и совместимость с WebGPU, что позволяет выбирать между размером, скоростью и качеством. Ограничения включают отсутствие поддержки Q8 в WebGPU и компромиссы качества, характерные для квантованных вариантов; сведения о размере контекста и детальных результатах оценки в карточке не указаны. Модель распространяется по лицензии lfm1.0, обозначенной как other.

2023mt13042 выпустил модифицированную и дообученную версию Meta Llama 3.1 8B Instruct, применив методику Abliteration — редактирование представлений модели. Это плотная авторегрессионная трансформерная модель семейства Llama для диалогов и генерации текста; в метаданных указано 7,5 млрд параметров, а контекст составляет до 131 072 токенов. Модель принимает текст и выдаёт текст, карточка заявляет поддержку английского языка. Её можно использовать для диалоговых приложений и генерации текста. Для запуска предусмотрены Transformers и веса safetensors в формате fp16; README приводит ориентир от 16 ГБ видеопамяти для обычного запуска и предлагает квантование для устройств с меньшей памятью. Модель наследует условия лицензии Meta Llama 3.1 Community License. Перед применением в производственной среде следует проверять качество и поведение ответов.

lainshower/Llama3-8b-alpaca — дообученная в режиме полного fine-tuning модель Llama 3, созданная на основе Llama 3 8B с использованием инструкционных данных Stanford Alpaca. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров и контекстом до 8192 токенов; веса опубликованы в формате safetensors. Модель предназначена для генерации ответов на инструкции и запросы с дополнительным контекстом. В README приведён шаблон диалога Alpaca и пример ответа на вопрос с выбором варианта; заявлено обучение в течение одной эпохи в BF16, поскольку более длительное обучение приводило к переобучению. Для инференса автор рекомендует Float32. Карточка не указывает лицензию, поэтому условия использования определить нельзя.

MaziyarPanahi/M7Yamshadowexperiment28_Experiment26Inex12 — объединённая модель на архитектуре Mistral, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26Inex12-7B. Она предназначена для генерации текста и диалоговых сценариев, где полезен контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors. Модель может использоваться для продолжения текста, ответов на запросы и ведения диалога. Данные не описывают её специализацию по языкам или предметным областям, поэтому её следует рассматривать как модель общего назначения. Лицензия — Apache-2.0.

M7Yamshadowexperiment28_Strangemerges_32T3q — объединённая языковая модель, опубликованная MaziyarPanahi на Hugging Face. Она объединяет модели automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32T3q-7B и основана на плотной архитектуре Mistral с 7,1 млрд параметров. Модель предназначена для генерации текста и может использоваться для диалоговых ответов и математических запросов. Поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0.

Matter-0.1-Slim-7B-B — дообученная авторами проекта 0-hero языковая модель на архитектуре Mistral с 7,1 млрд параметров. Это полное дообучение на slim-B версии набора Matter, сформированного из более чем 35 наборов данных и содержащего свыше 6 млрд токенов; обучение длилось три эпохи. Модель предназначена для диалоговой генерации текста и поддерживает формат запросов ChatML, а также вызов функций. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса PyTorch в формате safetensors. Лицензия — Apache-2.0, допускающая коммерческое использование в соответствии с её условиями. Карточка не приводит результатов сравнительных тестов или подробностей о качестве и ограничениях; возможности вызова функций заявлены, но примеры токенов в README отображаются неполно. Перед использованием стоит проверить качество на целевых сценариях и корректность формата вызова инструментов.

MeliodasNeuralsirkrishna-7B — автоматически объединённая Maxime Labonne модель на архитектуре Mistral с 7,1 млрд параметров. Она создана методом SLERP из AurelPx/Meliodas-7b-dare и Kukedlc/NeuralSirKrishna-7b; в конфигурации базовой указана AurelPx/Meliodas-7b-dare. Модель предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; модель распространяется по лицензии Apache-2.0.

NaniDAO выпустила экспериментальную абляционную версию Meta-Llama-3.1-8B-Instruct с контекстом до 128K токенов. Модель предназначена для диалогов и генерации текста; по заявлению разработчика, она реже отказывает в допустимых запросах, чем предыдущая версия v0. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и распространяется в формате safetensors через библиотеку Transformers. Метаданные указывают интерфейс для чата и вызова инструментов. Карточка не сообщает о специальной предметной области или поддерживаемых языках. Лицензия в предоставленных данных не указана. Разработчик рекомендует использовать модель ответственно; заявленное снижение отказов само по себе не подтверждает качество или безопасность ответов.

Это разговорная языковая модель Arcee-ai, созданная на основе Mistral-7B-Instruct-v0.2 с помощью прореживания слоёв. Авторы применили идеи из работы «The Unreasonable Ineffectiveness of the Deeper Layers» и инструменты MergeKit и PruneMe, чтобы сократить избыточность глубоких слоёв. Модель имеет плотную архитектуру MistralForCausalLM, около 5,4 млрд параметров и контекст до 32 768 токенов; распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для генерации связного текста в диалоге, а также может служить основой для дообучения и продолжения предобучения под конкретные задачи. README заявляет о сохранении исходных возможностей при меньших требованиях к ресурсам, однако не приводит результатов бенчмарков, поэтому качество и выигрыш эффективности следует проверять для целевого сценария. Лицензия в предоставленных данных не указана.

Sakalti/Neptuno-3B — объединённая автором модель генерации текста на архитектуре Qwen2, созданная с помощью mergekit методом TIES. В объединение вошли Sakalti/Light-3B и Spestly/Athena-1-3B, указанная в README как базовая модель; каталог также отмечает Sakalti/Light-3B как компонент слияния. Модель содержит 3,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Модель предназначена для диалоговой генерации текста и интерфейсов вызова инструментов. Она распространяется в формате safetensors и использует библиотеку Transformers. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензиями компонентов слияния.

Neural-Chat-v3 — языковая модель с 7,1 млрд параметров, разработанная командой NeuralChat компании Intel. Это дообученная на Open-Orca/SlimOrca модель Mistral-7B-v0.1, дополнительно выровненная методом Direct Preference Optimization на парах Intel/orca_dpo_pairs. Модель предназначена для генерации текста и языковых задач, включая диалоговые сценарии и ответы на запросы. README указывает контекст 8192 токена; в метаданных каталога указано значение 32768 токенов. Модель ориентирована на английский язык. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. README отмечает, что результаты зависят от формулировки запроса и что для конкретных задач может потребоваться дополнительное дообучение. Модель может выдавать фактически неверные, предвзятые, оскорбительные или непристойные ответы, поэтому перед применением в продукте необходима проверка безопасности.

openbuddy-llama3.3-70b-v24.1-131k-GGUF — это квантизированная GGUF-версия языковой модели OpenBuddy, разработанной OpenBuddy и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая работу в LM Studio и других средах, совместимых с llama.cpp. В README указан специальный формат промптов с ролями system, user и assistant. В основе лежит OpenBuddy/openbuddy-llama3.3-70b-v24.1-131k — модель семейства Llama 3.3 с 70 млрд параметров и заявленным в идентификаторе контекстом 131k токенов. Поддерживаются китайский, английский, французский, немецкий, японский, корейский, итальянский и финский языки. Модель представлена в нескольких вариантах квантизации от Q8_0 до Q3 и IQ3/IQ4, что позволяет выбирать между качеством, размером файла и требованиями к памяти; рекомендуемыми названы, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS. Основные ограничения связаны с квантизацией: более компактные варианты могут заметно уступать по качеству, а файлы требуют значительного объёма памяти — примерно от 29 до 75 ГБ в зависимости от варианта. Некоторые сборки оптимизированы для ARM или AVX и имеют специальные требования к поддержке инструкций; отдельные варианты не рекомендуется использовать на Mac или с GPU. Лицензия указана как llama3.3.

Pangu Pro MoE — языковая модель на архитектуре смеси экспертов PanguProMoE, разработанная Huawei. Репозиторий представляет собой повторно загруженную копию модели. В README описана архитектура MoGE: эксперты разбиты на группы, а выбор экспертов для токенов организован так, чтобы обеспечивать баланс нагрузки между устройствами. Указаны 48 слоёв, словарь из 153 376 токенов, 4 общих эксперта и 64 маршрутизируемых эксперта в 8 группах; README сообщает о 72 млрд общих и 16 млрд активируемых параметров, тогда как метаданные репозитория указывают 18,9 млрд параметров. Модель предназначена для генерации текста и диалогового использования. Метаданные указывают контекст до 131 072 токенов; для инференса в README приведены варианты на Transformers и MindSpore, с упоминанием систем ускорения Huawei Ascend. Карточка заявляет предварительное и последующее обучение на корпусе объёмом 15 трлн единиц данных, но не уточняет языковое покрытие. Модель распространяется по Pangu Model License Agreement; конкретные условия следует сверить с файлом LICENSE репозитория. Сгенерированный текст может содержать ошибки и не должен рассматриваться как профессиональная медицинская, юридическая или иная консультация.

g-ronimo/phi-2-OpenHermes-2.5 — диалоговая языковая модель на архитектуре Phi-2, дообученная разработчиком методом QLoRA на датасете teknium/OpenHermes-2.5. Модель содержит 3,5 млрд параметров, использует библиотеку Transformers и формат safetensors; максимальная длина контекста составляет 2048 токенов. Она предназначена для генерации текста в диалоговом формате и ответов на запросы пользователя. В карточке приведены результаты сравнительных оценок на AGIEval, GPT4All, TruthfulQA и Bigbench, однако они не гарантируют качество на конкретных задачах. README указывает длину обучающих последовательностей до 1024 токенов. Модель распространяется по лицензии MIT.

aleada/Pixtral-12B-W4A16 — это 4-битно квантованный вариант базовой модели mgoin/pixtral-12b, подготовленный пользователем aleada для запуска через vLLM. Пакет создан с помощью llm-compressor 0.12.0 по рецепту GPTQModifier в формате compressed-tensors; поддерживается автоматическое обнаружение конфигурации квантования при загрузке. Проект поддерживается atlas — агентным проектом Алекса Адамопулоса, связанным с assert.gr. Модель предназначена для мультимодальных сценариев работы с текстом и изображениями, включая генерацию ответов, анализ визуального содержимого и стандартные задачи языкового моделирования. Квантованию подвергались линейные слои с конфигурацией W4A16 и group size 128, а vision tower и multi_modal_projector сохранены в исходном формате, поэтому приведённые в README результаты текстовых тестов не оценивают работу с изображениями. Размер квантованного артефакта составляет около 8,56 GiB; заявлена поддержка видеокарт архитектуры Ampere и запуск через vLLM. Квантирование уменьшает требования к памяти, но может снижать точность, особенно в генеративных задачах с многошаговыми вычислениями: на тесте GSM8K восстановление относительно исходной модели составило 91,0–91,6%, тогда как на задачах с выбором ответа — 95,9–99,3%. Поэтому модель подходит для экономичного инференса, но для чувствительных к точности вычислений и сложных цепочек рассуждений следует оценить влияние квантования на собственных данных. Контекстное окно, точные размеры архитектуры, список языков и полные характеристики базовой Pixtral-12B в README не указаны. Модель наследует лицензию исходной модели mgoin/pixtral-12b; дополнительных ограничений от автора квантованного пакета не заявлено.

Qwen2.5-2B-Instruct — компактная текстовая языковая модель семейства Qwen2, представленная win10. По карточке она собрана с помощью LazyMergekit из повторяющихся ссылок на Qwen/Qwen2.5-1.5B-Instruct; метаданные каталога классифицируют её как дообученную производную этой базовой модели. Модель предназначена для диалогов, генерации текста и структурированных ответов, включая сценарии с интерфейсом вызова инструментов. Архитектура — плотная Qwen2ForCausalLM, размер — 2,7 млрд параметров, контекст — 32 768 токенов. Доступен формат safetensors. Сведения о лицензии и поддерживаемых языках в предоставленных данных отсутствуют. Качество, безопасность ответов и фактическая эффективность вызова инструментов отдельно не описаны.

bunnycore/Qwen2.5-7B-HyperMix — объединённая модель семейства Qwen2.5, созданная автором репозитория с помощью mergekit. В качестве базовой использована Orion-zhen/Qwen2.5-7B-Instruct-Uncensored; при слиянии DARE TIES также включены huihui-ai/Qwen2.5-7B-Instruct-abliterated-v2, Replete-AI/Replete-LLM-V2.5-Qwen-7b и EVA-UNIT-01/EVA-Qwen2.5-7B-v0.0. Модель предназначена для диалогов и генерации текста. Это плотная причинная языковая модель на 7,1 млрд параметров с контекстом до 32 768 токенов; репозиторий использует формат safetensors и библиотеку Transformers. Карточка не приводит подробных оценок качества или гарантированных преимуществ относительно включённых моделей. Модель принимает текст и генерирует текст. В метаданных указана лицензия Apache-2.0.

yeeun2/Qwen3-0.6B-JSON-SFT — компактная языковая модель семейства Qwen3, дообученная методом supervised fine-tuning для генерации ответов в формате JSON. В README разработчик, базовая модель, языки и лицензия не уточнены. Модель предназначена для текстовой генерации и сценариев, где требуется преобразовывать запросы в структурированные JSON-ответы: извлекать поля из текста, классифицировать данные по заданной схеме и формировать машинно обрабатываемые результаты. Она совместима с библиотекой Transformers и распространяется в формате Safetensors. Объём модели составляет 507,9 млн параметров, а native context достигает 40 960 токенов. К сильным сторонам относятся небольшой размер и специализация на структурированном выводе; пригодность для конкретных схем, качество JSON и устойчивость к сложным запросам требуют самостоятельной проверки. В карточке отсутствуют результаты оценки, сведения о тренировочных данных, подробные ограничения и условия лицензирования, поэтому перед использованием в продуктивных и критически важных системах модель следует протестировать.

Qwen3-4B-NEO-Imatrix-Max-GGUF — набор GGUF-квантизованных версий модели Qwen3-4B, опубликованный DavidAU на базе Qwen/Qwen3-4B. Модель предназначена для генерации текста, диалогов, задач, требующих рассуждений, а также творческих сценариев, включая создание историй и ролевое взаимодействие. Режим reasoning включён по умолчанию согласно описанию модели. Модель имеет около 4 миллиардов параметров и работает с текстом. Варианты используют квантизацию NEO Imatrix; для более низких уровней квантизации заявлен более заметный эффект Imatrix, а IQ4XS и IQ4NL названы оптимальным балансом качества и размера. Для повышения качества рассуждений рекомендуется использовать более высокие уровни квантизации. Вариант Q8_0 описан как максимально обработанный, но без эффекта Imatrix, а F16 соответствует полной точности. Заявленная длина контекста составляет 32K токенов плюс до 8K токенов генерации; также указана возможность расширения контекста до 128K. Сильными сторонами модели заявлены улучшенные рассуждения, генерация ответов и творческие возможности при сохранении преимуществ компактной 4B-модели. Ограничения связаны с компромиссом между размером, скоростью и качеством, характерным для квантизованных вариантов; конкретные поддерживаемые языки, результаты бенчмарков и системные требования в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled — текстовая генеративная модель, разработанная Jackrong на базе плотной архитектуры Qwen3.5-4B. Модель дообучена методом supervised fine-tuning с применением LoRA и библиотеки Unsloth; в качестве обучающих материалов использовались дистиллированные данные рассуждений, главным образом на основе взаимодействий с Claude-4.6 Opus, а также наборы nohurry/Opus-4.6-Reasoning-3000x-filtered и Jackrong/Qwen3.5-reasoning-700x. Модель предназначена для генерации ответов с последовательным структурированным рассуждением, решения сложных задач, планирования, следования инструкциям, а также задач в областях науки и математики. Обучение ориентировано на формат с рассуждением внутри тегов <think> и последующим итоговым ответом; заявленная цель — повысить структурированность и сократить избыточные повторения при сохранении аналитичности. Поддерживаются текстовые запросы; в карточке указаны языки English, Chinese и Korean. Размер модели составляет около 4 миллиардов параметров. Размер контекстного окна и точные показатели качества не указаны. Сильными сторонами заявлены компактный размер, структурированное пошаговое рассуждение и возможность локального запуска и воспроизведения процесса дообучения. Ограничения включают отсутствие в карточке независимых бенчмарков, подробных характеристик производительности и информации о контекстном окне; заявленные преимущества не следует считать подтверждёнными сравнительным тестированием. Модель распространяется по лицензии Apache-2.0.

Qwen3-8B TMax AENV v39b, итерация 219 — контрольная точка модели Willamazon1 после обучения с подкреплением для многоходовой работы агентом в асинхронных средах. Политика основана на willamazon1/qwen3-8b-tmax-sft-v3-iter353, которая, в свою очередь, дообучена на Qwen/Qwen3-8B. Используется плотная архитектура Qwen3ForCausalLM с 7,6 млрд параметров; модель работает с текстом и поддерживает контекст до 40 960 токенов. Модель предназначена для генерации текста в диалогах и агентных сценариях, включая использование инструментов. В коллекции опубликованы контрольные точки разных итераций обучения, что позволяет сравнивать изменения в ходе обучения. Доступны веса safetensors в bfloat16; оптимизатор в публикацию не включён. Модель загружена через Transformers и проверена выборочной генерацией. Лицензия — Apache-2.0.

Qwen3-Reranker-0.6B — плотная языковая модель для переранжирования текстовых кандидатов, разработанная командой Qwen. Это дообученная версия Qwen/Qwen3-0.6B-Base с 507,6 млн параметров; репозиторий содержит веса Safetensors. Модель оценивает релевантность пары «запрос — текст» и помогает сортировать найденные документы или другие текстовые результаты по соответствию запросу. Модель предназначена для улучшения поиска, включая многоязычный и межъязыковой поиск, поиск по коду и конвейеры RAG. Она поддерживает более 100 языков и контекст до 40 960 токенов по метаданным; README указывает 32K. Можно задавать инструкцию под конкретную задачу. По умолчанию применяется инструкция для поиска фрагментов по веб-запросу. Результат — оценка релевантности; сырые значения являются разностью логитов, а для получения значений в диапазоне 0–1 можно применить sigmoid. Модель принимает текстовые запросы и кандидаты и возвращает оценки, по которым их можно упорядочить. Для многоязычных сценариев авторы рекомендуют формулировать инструкции на английском; в retrieval-задачах отсутствие инструкции на запросе может снижать качество примерно на 1–5%. Лицензия — Apache-2.0.

CEIA-POSITIVO2/Qwen-4B-capado — языковая генеративная модель семейства Qwen3, опубликованная пользователем CEIA-POSITIVO2 на Hugging Face. Модель предназначена для генерации и продолжения текста, а также для диалоговых сценариев, на что указывают метаданные text-generation и conversational. Модель содержит около 3,5 млрд параметров и поддерживает контекст до 40 960 токенов. Для работы используется библиотека Transformers, а веса представлены в формате Safetensors. Эти характеристики подходят для локального запуска и интеграции в приложения, которым требуется компактная генеративная модель с длинным контекстом. Карточка модели не содержит достоверных сведений о разработчике, языках, лицензии, данных обучения, результатах оценки и рекомендуемых режимах использования. Поэтому модель следует дополнительно тестировать перед применением в продуктивных системах, а условия распространения необходимо проверять отдельно.

Qwopus3.6-27B-v1-preview-i1-GGUF — квантованная GGUF-версия модели Qwopus3.6-27B-v1-preview, опубликованная mradermacher на основе модели Jackrong. Модель относится к классу conversational и instruct, ориентирована на диалоговое взаимодействие и задачи рассуждения. В README также указано, что это мультимодальная vision-language-модель, способная работать с изображениями и текстом. Модель содержит 27 миллиардов параметров и поддерживает английский, китайский, японский, корейский, испанский и русский языки. Точная архитектура, размер контекста и спецификация мультимодального компонента не указаны. Доступны варианты квантования i1-IQ1_S, i1-IQ1_M, i1-IQ2, i1-IQ3, i1-IQ4, i1-Q2_K, i1-Q3_K, i1-Q4, i1-Q5_K и i1-Q6_K размером примерно от 7,2 до 22,2 ГБ. Более сильное квантование обычно требует больше памяти, тогда как низкобитные варианты экономичнее, но могут заметно терять в качестве. Для создания модели использовались датасеты Claude-Distillation-Dataset, GLM-5.1-Reasoning-1M-Cleaned, Kimi-K2.5-Reasoning-1M-Cleaned и Qwen3.5-reasoning-700x. Это может быть преимуществом для диалогов и задач рассуждения, однако README не содержит результатов тестирования, поэтому качество нельзя оценить количественно. Для работы с изображениями могут потребоваться дополнительные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Apache-2.0.

RemixLlama3-8B — чат-модель для генерации текста, созданная слиянием моделей Llama 3 с помощью mergekit. В состав слияния входят RLHFlow/LLaMA3-iterative-DPO-final, failspy/Meta-Llama-3-8B-Instruct-abliterated-v3 и TIGER-Lab/MAmmoTH2-8B-Plus; в конфигурации указаны метод model_stock и точность bfloat16. Архитектура — плотная автрорегрессионная LlamaForCausalLM с 7,5 млрд параметров и контекстом 8192 токена. Модель предназначена для диалогов и генерации ответов на текстовые запросы. Базовая модель с изменёнными весами ориентирована на снижение склонности к отказам, а компоненты слияния включают модель, обученную методом DPO, и модель MAmmoTH2. Репозиторий использует формат safetensors. Указанная лицензия — llama3.

Это конвертированная в формат Vokra GGUF версия модели Silero VAD v6.2.1 от upstream-разработчика snakers4. Она предназначена для определения участков речи в аудиозаписи и запускается в среде инференса Vokra, которая поддерживает отображение весов в память. Для работы модели требуется монофонический WAV с частотой дискретизации 16 кГц; результатом являются обнаруженные речевые сегменты. Файл весит 2,1 МБ, архитектура обозначена как silero-vad. Конверсия сохраняет исходные веса и не является новым дообучением. Лицензия — MIT.

SoRu-0003 — языковая модель семейства Qwen2, разработанная ehristoforu и дообученная на основе ehristoforu/SoRu-0002. Она предназначена для генерации текста и диалогового общения; метаданные также указывают интерфейс вызова инструментов. Модель содержит около 493,7 млн параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки Hugging Face TRL. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не описывает конкретные тесты качества или специализированные области применения.

askarikzm/university_llm — дообученная askarikzm языковая модель на архитектуре Qwen2, основанная на unsloth/qwen2.5-7b-instruct-unsloth-bnb-4bit. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста и диалогов; в метаданных также указана поддержка интерфейса вызова инструментов. Модель использует формат safetensors и рассчитана на контекст до 32 768 токенов. В карточке заявлено, что при обучении применялись Unsloth и библиотека TRL от Hugging Face; подробности целевого датасета и специализации дообучения не приведены. Указанная лицензия — Apache-2.0.

Это квантованные файлы в формате GGUF базовой инструкционной языковой модели wisenut-nlp-team/wisenut-llama-3-8B-0.9-Instruct. Квантования подготовлены командой featherless-ai-quants; исходный разработчик базовой модели указан как wisenut-nlp-team. Модель предназначена для генерации текста и выполнения инструкций в сценариях локального или совместимого с GGUF запуска. В названии указано 8B, однако README не приводит подробностей об архитектуре, языках, модальностях или размере контекста. Доступны варианты с разной степенью квантования: от Q2_K и Q3_K до Q8_0, с заявленным размером файлов примерно от 3,0 до 8,1 ГБ. Более компактные варианты могут снизить требования к памяти, тогда как варианты с более высокой точностью обычно лучше сохраняют качество, но требуют больше ресурсов. README не содержит результатов тестирования, описания сильных сторон, ограничений или рекомендаций по выбору квантования. Лицензия модели в предоставленных данных не указана, поэтому условия использования определить невозможно.

xb3b-1.0 — диалоговая текстовая модель, разработанная xgmab123 на базе unsloth/Llama-3.2-3B-Instruct и дообученная с помощью Unsloth и TRL. Модель использует плотную архитектуру LlamaForCausalLM и содержит 3,2 млрд параметров; её контекстное окно — 131 072 токена. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы и использование в приложениях с интерфейсом вызова инструментов. В метаданных указан английский язык. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0.