II.6Документация и сопровождение разработки

simaai/Qwen3-VL-8B-Instruct-GPTQ-Safetensors — локально квантизированный чекпойнт модели Qwen/Qwen3-VL-8B-Instruct, подготовленный компанией Sima.ai для последующей компиляции LLiMa и развертывания на оборудовании Sima.ai. Это мультимодальная модель для задач image-text-to-text, способная обрабатывать изображения и текст; заявлена поддержка multilingual-сценариев. Модель имеет размер 8B параметров, однако другие архитектурные характеристики и точный максимальный контекст в README не указаны. Квантизация выполнена методом GPTQ: линейные слои декодера и lm_head переведены в симметричный INT4 с размером группы 256, а линейные слои vision encoder — в симметричный INT8 с поканальной обработкой. Проекторы и отдельные архитектурные исключения сохранены в исходной точности BF16. Артефакт предназначен для локального запуска и специализированного аппаратного развертывания; он не является готовым результатом компиляции LLiMa. По полной проверке MMStar точность исходной модели составила 48,20%, а квантизированной — 51,33%; при этом на WikiText-2 perplexity увеличилась с 11,3805 до 12,2893, что указывает на возможное ухудшение языкового качества. Реальные характеристики могут зависеть от языка, визуального домена, формата запросов, длины контекста и среды выполнения, поэтому требуется прикладная валидация. Аудиокомпоненты, если присутствуют, и явно исключенные проекторы остаются в исходной точности. Чекпойнт распространяется на условиях лицензии Apache-2.0 и сохраняет лицензионные требования, рекомендации по допустимому использованию и ограничения исходной модели. В README также указано, что исходная ревизия не зафиксирована, поэтому перед официальным выпуском или перераспространением необходимо восстановить и записать неизменяемую ревизию upstream.

Qwen3-VL-8B-Instruct-Unredacted-MAX — мультимодальная модель на 8 млрд параметров от prithivMLmods, дообученная на Qwen/Qwen3-VL-8B-Instruct. Это плотная vision-language-модель Qwen3-VL для диалога и задач, где нужно совместно анализировать изображения и текст; она поддерживает переменное разрешение изображений и выдаёт текстовые ответы, подписи и структурированные описания. Модель подходит для генерации подписей к изображениям, подготовки наборов данных, визуального рассуждения, тестирования устойчивости VLM и прототипирования систем с анализом изображений. В карточке отмечены улучшения упаковки, стабильности инференса и совместимости с современными версиями Transformers. Качество зависит от чёткости изображения, формулировки запроса и параметров генерации; на сложных сценах рассуждения могут быть неполными или непоследовательными, а качество меняется в зависимости от предметной области. Для инференса может потребоваться от умеренного до большого объёма VRAM, особенно при высоком разрешении. Лицензия — Apache-2.0.

Qwen3-VL-Reranker-2B-4bit — мультимодальная модель-реранкер из семейства Qwen3-VL, подготовленная сообществом mlx-community. Она преобразована в формат MLX из Qwen/Qwen3-VL-Reranker-2B; в метаданных базовой моделью также указана Qwen/Qwen3-VL-2B-Instruct, дообученная для ранжирования. Архитектура — плотная Qwen3-VL с классом Qwen3VLForConditionalGeneration; размер — 2 млрд параметров, точность — 4 бита. Модель предназначена для повторного ранжирования найденных кандидатов по запросу, включая мультимодальные сценарии. Базовая модель поддерживает анализ изображений и видео, однако метаданные каталога подтверждают для этой модели только задачу text-ranking. Для запуска README предлагает библиотеку mlx-embeddings. Модель распространяется по лицензии Apache-2.0.

RavenX-OpenFable-Coderagent-Gemma-4-12B-Coder-Fable5-Composer-Soulinfused-Remastered — плотная языковая модель на архитектуре Gemma 4 Unified с 12 млрд параметров, выпущенная Gabriel Garcia и RavenX LLC. Она объединяет базу Gemma-4-12B-Coder-Fable5-Composer2.5-v1 с настройками на код, поведение агента, идентичность OpenFable и отказы по безопасности; в метаданных происхождение указано как слияние моделей. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель предназначена для генерации и исправления кода, выполнения одношаговых агентных задач и ответов в диалоге. Карточка заявляет сохранение заданной идентичности без системного промпта и приводит внутренние результаты бенчмарков; эти заявления не являются независимой оценкой. В метаданных указан английский язык. Базовая Gemma 4 Unified мультимодальна, однако карточка этой модели описывает прежде всего кодовые и текстовые сценарии, поэтому дополнительные модальности здесь не заявлены. Автор называет модель экспериментальным исследовательским proof of concept и предоставляет её «как есть» для образовательного и исследовательского использования. Упоминаются версии GGUF Q4_K_M и Q8_0 и запуск на системах с 8 ГБ RAM, но в метаданных репозитория формат указан как safetensors; доступность квантованных файлов в этом репозитории из предоставленных сведений не следует. Заявленные результаты могут зависеть от промпта, среды и выбранной версии весов.

RemBERT — мультиязычная языковая модель семейства BERT, представленная авторами статьи «Rethinking embedding coupling in pre-trained language models». Это чекпойнт для последующего дообучения под классификацию и другие задачи анализа текста. Модель содержит около 967,8 млн параметров, использует плотную архитектуру и рассчитана на контекст до 512 токенов; доступны веса PyTorch и TensorFlow. RemBERT предварительно обучена на многоязычных данных Википедии для 110 языков с задачей masked language modeling. В отличие от mBERT, входные и выходные эмбеддинги не связаны: входные эмбеддинги меньше, а выходные веса исключены из этого облегчённого чекпойнта, предназначенного для дообучения. В карточке указаны успешные применения для классификации, ответов на вопросы, распознавания именованных сущностей и разметки частей речи. Модель предназначена для общего анализа текста, а не для генерации. Для практических задач её нужно дообучить; контекст ограничен 512 токенами. Лицензия — Apache-2.0.

RenderRank-2B — модель переранжирования пар «запрос — документ», разработанная nlpai-lab на основе Qwen3-VL-Reranker-2B. Модель получает текстовый запрос и документ, оценивает их релевантность и возвращает оценку, по которой можно упорядочить результаты поиска. Параметры документа можно передать как текст, автоматически отрисовать в изображения или предоставить в виде готовых изображений страниц. Визуальное представление текста сжимает последовательность входных токенов и помогает вместить больше содержимого документа в доступный контекст. Поддерживаются многостраничные документы: страницы обрабатываются по порядку и получают общую оценку. Модель содержит 2 млрд параметров, использует архитектуру Qwen3-VL и распространяется в формате safetensors; для работы доступны интерфейсы Transformers и Sentence Transformers. В README приведены результаты оценки на наборах BEIR и длинных документах, однако они сами по себе не гарантируют качество на конкретной коллекции. Описание и обучающие данные ориентированы на английский язык; качество для других языков не подтверждено. Лицензия — Apache-2.0.

Модель s-nlp/rubert-base-cased-conversational-paraphrase-v1 разработана для оценки семантического сходства предложений на русском языке. Это дообученная ruBERT-conversational с архитектурой BERT и классификационной головой для последовательностей; она обучена на смеси наборов ru_paraphraser, RuPAWS и данных краудсорсинговой оценки сохранения содержания при детоксикации русского текста. В репозитории около 205,1 млн параметров, веса доступны в форматах PyTorch и Safetensors, максимальная длина контекста — 512 токенов. Модель подходит для обнаружения перефразирований и сравнения смысла двух русских фраз. На тестах разработчика ROC AUC составил 0,762–0,848 в зависимости от набора данных. Это модель-классификатор для пар текстов, поэтому её оценки не следует трактовать как универсальную метрику сходства; автор отмечает, что SkolkovoInstitute/ruRoberta-large-paraphrase-v1 показывает лучшие результаты на этой задаче. Лицензия в предоставленных источниках не указана.

uukuguy представил дообученную на инструктивных данных модель для генерации кода на основе StarCoder2-15B. Для настройки использовано 986 тысяч примеров из OpenHermes-2.5, наборов инструкций по Python, Spider и Evol-instruction; модель принимает запросы в формате Alpaca и рассчитана на задачи рассуждения, планирования и написания кода. Базовая архитектура — декодерный Transformer StarCoder2 с Grouped Query Attention и скользящим вниманием; контекст составляет 16 384 токена. В метаданных указано 21,7 млрд параметров и формат safetensors. Модель подходит для генерации и дополнения кода по инструкциям и контексту. Исходная StarCoder2 обучалась на коде более чем на 600 языках программирования, однако основной язык исходных данных — английский; README отмечает, что сгенерированный код может содержать ошибки, уязвимости или быть неэффективным. Обучение включало данные с permissive-лицензиями и код без лицензии, но результаты могут воспроизводить фрагменты исходного кода, поэтому следует проверять требования к атрибуции. Лицензия репозитория — BigCode OpenRAIL-M.

Это текстовая модель-переранжировщик rohit-vt, дообученная на базе cross-encoder/ms-marco-MiniLM-L6-v2 с библиотекой Sentence Transformers. Она оценивает пары «запрос — текст» и выдаёт числовой балл релевантности, который можно использовать для перестановки результатов поиска и семантического поиска. Модель построена на архитектуре BERT как Cross Encoder с одним выходным значением и содержит 25,9 млн параметров. Она принимает текст, обрабатывает последовательности длиной до 512 токенов и предназначена для задач ранжирования. Обучение описано на 60 646 парах текстов с бинарными метками; примеры относятся к сопоставлению формулировок навыков.

Trinity-33B-v1.0 — языковая модель общего назначения для генерации кода от WhiteRabbitNeo. В карточке заявлен результат 70 баллов на HumanEval. По метаданным это плотная decoder-only модель семейства Llama с архитектурой LlamaForCausalLM и 33,1 млрд параметров; она принимает текст и генерирует текст. Нативная длина контекста — 16 384 токена. Модель предназначена прежде всего для генерации кода и помощи в задачах программирования. Лицензия в метаданных обозначена как other; README содержит условия использования, отказ от гарантий и требование к пользователю нести ответственность за результаты применения модели. Карточка не уточняет поддерживаемые языки программирования и ограничения качества за пределами заявленного результата HumanEval.

TripleTrouble V1 — диалоговая языковая модель с разреженной архитектурой MoE, созданная OliviaRossi слиянием трёх специализированных моделей семейства Qwen 35B-A3B: KAT-Coder-V2.5-Dev, Ornith-1.5-35B-A3B и Qwen-AgentWorld-35B-A3B. Она предназначена для генерации и анализа кода, многошагового планирования вызовов инструментов и моделирования переходов состояния в средах вроде ОС, веба и Android. Модель поддерживает чат и интерфейс вызова инструментов; заявленный контекст — 262 144 токена. В README указано 34,7 млрд общих параметров и около 3,3 млрд активных на токен; метаданные каталога приводят 2,9 млрд параметров. Это текстовая модель, ориентированная прежде всего на английский и китайский языки. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Заявления README о качестве и скорости не сопровождаются приведёнными результатами независимой оценки; на практике качество вызова инструментов и программирования следует проверять на целевых задачах.

thuannc/vi-distilled-msmarco-MiniLM-L12-cos-v5 — вьетнамская модель эмбеддингов предложений на базе Sentence-Transformers, созданная дистилляцией модели msmarco-MiniLM-L12-cos-v5 на англо-вьетнамских параллельных данных. Она преобразует предложения и абзацы в плотные векторы размерности 384 и подходит для семантического поиска и поиска ответов на вопросы. В README приведены результаты оценки: Recall@10 85 и MRR@10 58; для paraphrase-multilingual-MiniLM указаны 75 и 49 соответственно. Модель основана на архитектуре BERT, содержит 124,3 млн параметров и рассчитана на контекст до 512 токенов. Для обучения использовались PhoMT, MKQA, MLQA и XQuAD, а в качестве учителя — msmarco-MiniLM-L12-cos-v5. В метаданных указан формат PyTorch и лицензия MIT. README описывает применение через Sentence-Transformers или Transformers с подходящим pooling; опубликованные результаты и сценарии связаны с поиском, а иных ограничений карточка не уточняет.

zerank-2-reranker-seq — производная модель ZeroEntropy на базе Qwen3, преобразованная из zeroentropy/zerank-2-reranker в классификатор последовательностей для ранжирования пар «запрос — документ». Модель выдаёт один логит релевантности; для получения оценки от 0 до 1 к нему применяют sigmoid. Размер — 3,7 млрд параметров, контекст — до 40 960 токенов, веса представлены в safetensors, вычисления выполняются в bfloat16. Модель предназначена для использования как cross-encoder reranker, например для переупорядочивания результатов поиска по соответствию запросу. Она совместима с AutoModelForSequenceClassification и может обслуживаться через системы вроде Infinity. Для наиболее точного соответствия исходной модели рекомендуется передавать запрос в system, документ в user и добавлять префикс assistant; обычная обработка пары классификатором может давать оценки, отличающиеся от исходного режима sentence-transformers. Лицензия — Apache-2.0.

bert-chunker-Chinese-2 — китайский сегментатор документов на базе BERT, созданный авторами проекта bc-chinese. Модель с архитектурой BertForTokenClassification размечает начальные токены фрагментов, а скользящее окно позволяет нарезать документы произвольной длины на части для последующей работы, например, в RAG-системах. Авторы позиционируют её как альтернативу семантическому чанкеру, рассчитанную в том числе на неструктурированные и плохо подготовленные тексты. В экспериментальном скрипте можно задать максимальное число токенов в одном фрагменте. Модель содержит 27,6 млн параметров, принимает текст и рассчитана на контекст до 512 токенов. Карточка указывает английский и китайский языки. Репозиторий распространяется в формате safetensors по лицензии MIT. README описывает обновлённый вариант с изменённой разметкой данных и процессом обучения, но не называет базовую модель.

BAAI/bge-reranker-v2-m3 — многоязычная модель переранжирования от BAAI, построенная на базе bge-m3 и использующая архитектуру XLM-RoBERTa для классификации последовательностей. Она принимает запрос и текстовый фрагмент и выдаёт оценку их релевантности; более высокий балл означает более подходящий фрагмент. При необходимости оценку можно преобразовать сигмоидой в значение от 0 до 1. Модель предназначена для повторной сортировки результатов поиска, например, для уточнения порядка документов, найденных системой извлечения, и повышения качества выдачи в многоязычных сценариях. В README она описана как быстрая и удобная для развёртывания; метаданные указывают 658,7 млн параметров и контекст до 8194 токенов. Карточка характеризует её как многоязычную, но не перечисляет отдельные языки. Модель доступна по лицензии Apache-2.0. Релевантность оценивается для пары «запрос — фрагмент», поэтому для поиска по корпусу сначала нужны кандидаты, полученные отдельной системой извлечения; модель сама не выполняет полный поиск. Скорость и пригодность к развёртыванию заявлены в карточке, но конкретные показатели производительности не приведены.

ByT5 Base — предварительно обученная без токенизатора модель Google на архитектуре T5, работающая непосредственно с последовательностями байтов UTF-8. Она содержит около 595 млн параметров и обучалась на mC4 с задачей восстановления замаскированных фрагментов; для прикладных задач модель нужно дообучить. Модель подходит для сценариев с шумным текстом, где важны опечатки, написание и произношение, а также может обрабатывать текст на разных языках без отдельного токенизатора. Модель предназначена для последующей адаптации к задачам преобразования текста, например ответам на вопросы и исправлению ошибок. Байтовое представление повышает устойчивость к шуму, но последовательности байтов длиннее токенных, что может замедлять обработку и расходовать больше контекста. Репозиторий содержит варианты для PyTorch, TensorFlow и Flax. Лицензия — Apache 2.0.

ChengyouXin/cacheverifier-quora — текстовый Cross Encoder, обученный с помощью библиотеки Sentence Transformers для оценки пар текстов. Модель принимает запрос и кандидатный текст, выдаёт один числовой балл релевантности; баллы подходят для ранжирования результатов семантического поиска и других задач сравнения текстовых пар. Архитектура основана на BERT и BertForSequenceClassification, размер — 25,9 млн параметров, максимальная длина входной последовательности — 512 токенов. В README указано обучение на 11 928 примерах с колонками query, response и label и функцией потерь BinaryCrossEntropyLoss. Примеры охватывают вопросы и ответы Quora, включая перефразирования. Данных о лицензии и целевых языках в предоставленных источниках нет. Поскольку обучение заняло 19,5 секунды, качество и обобщение на другие наборы данных следует проверять для конкретного применения.

CodeShell-7B — базовая языковая модель для программирования, разработанная Лабораторией знаний и вычислений Пекинского университета совместно с командой ИИ Сычуаньского Тяньфу Банка. Модель содержит 7 млрд параметров и обучена с нуля на 500 млрд токенов. В основе — архитектура GPT-2 с Grouped-Query Attention и позиционным кодированием RoPE; окно контекста составляет около 8 тыс. токенов. Репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации и продолжения кода, в том числе с заполнением пропусков в середине фрагмента (Fill-in-the-Middle). Она ориентирована на помощь при разработке ПО: карточка также описывает сценарии поиска дефектов, их исправления и генерации тестов. Авторы сообщают о результатах на HumanEval и MBPP и указывают поддержку многоязычного кода; сопутствующие плагины для VS Code и IntelliJ доступны отдельно. Карточка не содержит сведений о лицензии, поэтому условия использования по ней определить нельзя. Авторы предупреждают о необходимости соблюдать требования безопасности и законодательства и не применять модель в интернет-сервисах без надлежащей проверки и регистрации. Как и другие генеративные модели кода, она может выдавать неверный или небезопасный код; результаты следует проверять.

TheCluster/Darwin-35B-A3B-Opus-MLX-bf16 — конвертированная в формат MLX версия модели FINAL-Bench/Darwin-35B-A3B-Opus. Она создана на архитектуре Qwen3.5 MoE с гибридом Gated DeltaNet и Mixture of Experts: всего 35 млрд параметров, из которых при одном проходе активны около 3 млрд. Модель принимает текст и изображения и предназначена для диалоговой работы с визуальным и текстовым содержимым. Модель поддерживает многоязычные сценарии, в том числе английский, китайский и русский. Репозиторий использует веса safetensors в формате bf16 и библиотеку MLX; исходная модель преобразована с помощью mlx-vlm 0.4.4. Лицензия — Apache-2.0.

deepseek-ai/deepseek-coder-6.7b-base — базовая языковая модель для программирования, разработанная DeepSeek. Это плотная авторегрессионная модель семейства Llama с архитектурой Multi-Head Attention и 6,6 млрд параметров, обученная с нуля на 2 трлн токенов: 87% обучающих данных составлял код, 13% — естественный язык на английском и китайском. Модель работает с контекстом до 16 384 токенов. Она предназначена для генерации и дополнения кода, заполнения пропусков внутри кода и завершения фрагментов с учётом проекта или репозитория. Обучение на коде нескольких языков программирования и задача fill-in-the-blank поддерживают редактирование кода в заданном контексте. Модель является базовой, а не настроенной для диалога, поэтому для интерактивного помощника может потребоваться дополнительная настройка. Модель опубликована в форматах PyTorch и Safetensors. В README заявлены результаты уровня ведущих открытых моделей на бенчмарках HumanEval, MultiPL-E, MBPP, DS-1000 и APPS. Лицензия указана как «other»; перед использованием следует проверить условия в карточке модели Hugging Face.

GLM-5.3-Flash-Uncensored-Q2-ds4 — квантованная версия uncensored-модели GLM-5.3-Flash, разработанной на базе модели zai-org/GLM-5.3-Flash; сборка подготовлена DogContext на основе orcarouter/GLM-5.3-Flash-Uncensored-FP8. Модель предназначена для локальных исследований, авторизованного security/red-team тестирования и оценки агентного программирования, включая работу с кодом, инструментами и длинным контекстом. Это текстовая MoE-модель архитектуры Glm5Next с 320 млрд общих и примерно 18 млрд активных параметров, 45 слоями, 288 маршрутизируемыми и одним общим экспертом, маршрутизацией top-8, гибридным вниманием KDA-linear и sparse-DSA, а также встроенным native MTP для speculative decoding. Поддерживаются английский и китайский языки, заявлен контекст до 1 млн токенов, размер GGUF-файла составляет около 96,5 ГБ. Модель рассчитана на запуск в движке ds4/DwarfStar с Metal и может работать резидентно на одном Mac с Apple Silicon и 128 ГБ памяти; mainline llama.cpp, Ollama, LM Studio и vLLM для этой сборки не поддерживаются. Модель текстовая, при этом vision заявлена только через дополнительный encoder sidecar. Ключевые особенности — imatrix-калибровка на 1,5 млн токенов, смешанная примерно 2-битная квантизация IQ2_XXS и Q2_K с сохранением более высокой точности для управляющих компонентов, а также native MTP. На M5 Max указана скорость декодирования около 22–23 токенов в секунду и предварительной обработки около 360 токенов в секунду. Abliteration существенно снижает количество отказов на обычных запросах, но не устраняет возможности модели и повышает риски неправильного или вредоносного применения; это является важным ограничением. Распространение выполняется по лицензии MIT, унаследованной от базовой модели, однако использование должно соответствовать законодательству и условиям лицензии.

GNER-T5-xxl — модель для генеративного распознавания именованных сущностей, разработанная авторами работы «Rethinking Negative Instances for Generative Named Entity Recognition». Она основана на архитектуре T5 и содержит 5,8 млрд параметров; модель дообучена с использованием отрицательных примеров для повышения качества распознавания сущностей, в том числе в ранее не встречавшихся областях. Предназначена для извлечения сущностей из текста и сценариев zero-shot NER. В карточке описаны результаты семейства GNER на базе Flan-T5, однако отдельные численные результаты именно для версии xxl не приведены. Модель распространяется в формате safetensors по лицензии Apache-2.0.

HalluGuard — разработанная авторами модели небольшая рассуждающая языковая модель на 3,7 млрд параметров для проверки утверждений в системах генерации с дополненным поиском (RAG). Получив документ и утверждение, она определяет, подтверждается ли оно документом, и обосновывает ответ выдержками из источника. Предусмотрены три категории: GROUNDED, HALLUCINATED_INTRINSIC и HALLUCINATED_EXTRINSIC. Модель основана на unsloth/Qwen3-4B и дообучена с помощью LoRA и ORPO на синтетическом наборе предпочтений HalluGuard-Preferences-76k. Архитектура — плотная Qwen3ForCausalLM; вход и ответ представлены текстом. Метаданные указывают контекст до 40 960 токенов, тогда как README сообщает окно 32 768 токенов. Модель рассчитана на англоязычные задачи. Лицензия — Apache-2.0.

jina-reranker-v2-base-multilingual-GGUF — экспериментальная GGUF-версия модели jina-reranker-v2-base-multilingual, разработанной и обученной Jina AI. Это трансформерная cross-encoder-модель для переранжирования результатов информационного поиска: она принимает пару «запрос — документ» и возвращает оценку релевантности документа запросу. Модель предназначена для многоязычного поиска, включая задачи retrieval, reranking, code retrieval, text-to-SQL и сценарии с function calling. Модель поддерживает контекст до 1024 токенов; более длинные тексты обрабатываются скользящим окном с разбиением на фрагменты. Она работает с несколькими языками, однако точный языковой список и размер модели в README не указаны. Использование flash attention повышает производительность, но требует совместимого GPU. GGUF-версия основана на llama.cpp и предназначена для экспериментального запуска только через gpustack/llama-box версии 0.0.72 или новее. Сильной стороной модели является способность сопоставлять запросы и документы на разных языках и выдавать оценки релевантности, пригодные для сортировки результатов. Ограничения включают максимальную длину контекста, зависимость flash attention от оборудования и экспериментальный статус GGUF-сборки. Репозиторий распространяется по лицензии CC-BY-NC-4.0 для исследований и оценки; коммерческое использование этой версии не разрешено.

KaLM-Reranker-V1-Nano — компактная модель-реранкер из семейства KaLM-Reranker-V1, разработанная командой KaLM-Embedding и дообученная на базе google/t5gemma-2-270m-270m. Она оценивает релевантность документов запросу и сортирует найденные кандидаты, например в поиске и RAG-системах. Архитектура encoder-decoder разделяет вычисления: энкодер заранее кодирует passages с помощью Matryoshka pooling, а декодер учитывает инструкцию и запрос; cross-attention сопоставляет их с представлениями документов. Nano содержит 0,27 млрд активируемых параметров и поддерживает контекст до 128 тысяч токенов по характеристикам серии; для варианта Nano в примере использования указаны ограничения длины запроса до 512 и документа до 1024 токенов. Модель рассчитана на эффективное ранжирование пар «запрос—документ» и интеграцию как CrossEncoder в Sentence Transformers. В README приведены конкурентные результаты серии на BEIR, MIRACL и LMEB, включая результаты Nano, сопоставимые с крупными embedding-моделями на LMEB. Карточка помечает модель как multilingual, однако авторы отмечают, что серия не обучалась на обширных многоязычных данных. Распространяется по лицензии Apache-2.0.

KAT-Dev-72B-Exp — экспериментальная модель для задач программной инженерии, выпущенная командой Kwaipilot. Это плотная авторегрессионная языковая модель семейства Qwen2 с 71,5 млрд параметров и контекстом до 131 072 токенов; она предназначена для диалогового взаимодействия и имеет интерфейс вызова инструментов. Модель обучалась с подкреплением как экспериментальная версия KAT-Coder. В описанной авторами оценке на SWE-Bench Verified она показала точность 74,6% при использовании каркаса SWE-agent. Модель подходит для агентного решения задач разработки ПО, включая анализ репозиториев и исправление ошибок в коде. Авторы сообщают о переработанном механизме внимания и обучающем движке для траекторий с общим префиксом, а также о корректировке распределения преимуществ, призванной снизить коллапс исследования при обучении с подкреплением. Эти результаты оценки относятся к конкретной конфигурации SWE-agent и сами по себе не гарантируют аналогичного качества в других условиях. Модель распространяется по лицензии Apache-2.0.

LFM2-1.2B-GGUF — квантизированное представление модели LFM2-1.2B, разработанной Liquid AI и опубликованной Unsloth в формате GGUF. Это гибридная генеративная языковая модель для работы на периферийных устройствах и локального развёртывания на CPU, GPU и NPU, включая смартфоны, ноутбуки и автомобили. Модель содержит около 1,17 млрд параметров, 16 слоёв, из которых 10 используют свёртки, а 6 — attention, и поддерживает контекст до 32 768 токенов. Архитектура Liquid включает мультипликативные гейты и короткие свёртки. Модель предназначена для агентских сценариев, извлечения данных, RAG, творческого письма и многошаговых диалогов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. К сильным сторонам относятся скорость обучения и инференса, эффективность по памяти и возможность запуска на разнообразном оборудовании; заявлены преимущество над моделями сопоставимого размера в ряде задач и ускоренный CPU-декодинг. Из-за небольшого размера модель рекомендуется дообучать под узкие сценарии. Она не рекомендована для ресурсоёмких задач, требующих глубоких знаний или программирования. Лицензия — LFM Open License v1.0; для llama.cpp в README указано использовать исправленный шаблон чата с параметром --jinja.

LFM2.5-230M — компактная текстовая инструкционная модель Liquid AI, представленная в репозитории Unsloth как производная от LiquidAI/LFM2.5-230M. Модель содержит около 221,2 млн параметров; в карточке описана гибридная архитектура LFM2 с 14 слоями: 8 блоками LIV-свёрток и 6 блоками GQA. Она рассчитана на локальное развёртывание на устройствах с ограниченными ресурсами, а метаданные указывают контекст до 128 000 токенов. Модель предназначена для извлечения данных, генерации текста по инструкциям и лёгких агентных сценариев с вызовом инструментов. Она поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, португальский и итальянский языки. Карточка сообщает о дистилляции от LFM2.5-350M и многоэтапном обучении с подкреплением; при этом метаданные определяют связь репозитория как fine-tuning базовой модели LiquidAI/LFM2.5-230M. Лицензия обозначена как other. Сильные стороны модели — малый размер и ориентация на быстрый инференс на локальных устройствах. Карточка не рекомендует её для задач, требующих глубоких рассуждений, сложной математики, генерации кода или творческого письма; также знания модели ограничены серединой 2024 года. В описании Unsloth Dynamic 2.0 заявлено повышение точности относительно других квантованных моделей, однако представленный репозиторий содержит формат safetensors, а не квантованные веса.

Llama3.2-Typhoon2-1B-instruct — диалоговая инструктивная языковая модель от Typhoon AI, разработанная на основе Llama 3.2 1B. Это плотная decoder-only модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; для работы требуется Transformers версии 4.45.0 или новее. Модель предназначена для выполнения инструкций и диалогов на тайском и английском языках, включая вызов функций через соответствующий интерфейс. В README приведены результаты сравнительных тестов следования инструкциям, диалогов, тайского переключения между языками и вызова функций. Разработчики отмечают, что модель всё ещё развивается; она может выдавать неточные, предвзятые или нежелательные ответы, поэтому качество и риски следует оценивать применительно к конкретному сценарию. Модель распространяется по лицензии Llama 3.2 Community License.

knowledgator/Llama-encoder-1.0B — двунаправленный текстовый энкодер на архитектуре LLaMA с 1 млрд параметров, разработанный Knowledgator на основе Tiny-LLaMA-1.0B. Модель обучена на Википедии с masked token prediction; авторы сообщают, что обучали все веса для усиления двунаправленного представления контекста. В отличие от обычного причинного декодера, она предназначена для получения контекстных представлений текста и адаптации к дискриминативным задачам. Модель подходит для классификации текстов, ответов на вопросы и разметки токенов, включая распознавание сущностей. В метаданных указаны задачи question-answering и text-generation, библиотека Transformers и окно контекста 2048 токена; язык карточки — английский. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0. README описывает энкодер и его обучение, но не приводит результатов бенчмарков или подробностей о качестве на конкретных наборах задач. Для специализированного применения могут потребоваться адаптация и дообучение; генерация текста указана в метаданных, хотя основное назначение модели — кодирование текста для дискриминативных задач.