II.6Документация и сопровождение разработки

MLliu6/Qwen3-VL-8B-Instruct-AWQ-W4A16 — сторонняя посттренировочно квантованная версия мультимодальной модели Qwen3-VL-8B-Instruct, созданная пользователем MLliu6 на базе модели Qwen. Модель предназначена для задач vision-language, включая обработку изображений и текста, эффективный мультимодальный инференс, оценивание в VLMEvalKit, эксперименты с vLLM и исследования посттренировочного квантования. Модель использует архитектуру и возможности базовой Qwen3-VL-8B-Instruct, однако README не приводит полный набор архитектурных характеристик. Указаны поддерживаемые языки английский и китайский, мультимодальный формат image-text-to-text и контекст калибровки до 2048 токенов. Веса сжаты методом AWQ в формате W4A16: линейные слои квантуются до 4-битных симметричных целых значений с group_size=128, тогда как lm_head и визуальные модули исключены из квантования. Заявлено уменьшение размера хранения примерно на 58,8% относительно исходной раскладки. К сильным сторонам относятся сниженные требования к хранению и потенциально более эффективное развертывание при использовании совместимых инструментов, включая llm-compressor и vLLM. Ограничение состоит в том, что это неофициальный чекпойнт, а квантование может ухудшать качество на отдельных мультимодальных задачах, особенно при детальном визуальном понимании и сложном рассуждении. Модель распространяется по лицензии Apache-2.0.

RegesCore-1.0-35B — языковая модель на 35 млрд параметров с архитектурой mixture-of-experts, созданная Like A King Inc. на основе Ornith-1.0-35B команды DeepReinforce. Это дообучение ориентировано на системную инженерию, работу с безопасностью, реверс-инжиниринг, Lua и агентное программирование. Модель рассчитана на диалог с системным промптом, который предлагает разделять утверждения на факты, выводы и неизвестное. Репозиторий содержит веса GGUF для локального запуска через llama.cpp, LM Studio, Ollama и совместимые с OpenAI серверы. Указаны квантизации от низкобитных IQ до Q8, а также варианты BF16, F16 и F32. Предусмотрены сценарии локального развёртывания, работы с Linux и инфраструктурой, анализа логов и инцидентов, разработки средств обнаружения угроз и редактирования кода в нескольких файлах. В метаданных основной задачей указана генерация текста; README сообщает о наследуемых от базовой архитектуры возможностях зрения, но их работа для всех сборок GGUF не подтверждена. Карточка рекомендует модель для авторизованных задач безопасности и инженерной работы, с проверкой результатов человеком. Специальных бенчмарков RegesCore не опубликовано; ответы и сгенерированный код могут быть ошибочными, а низкие квантизации снижают качество. Проверен только английский язык. Лицензия модели — MIT.

kazzand/ru-longformer-base-4096 — русскоязычная модель Longformer, разработанная на основе весов blinoff/roberta-base-russian-v0 и дообученная на корпусе русских книг. Она предназначена для обработки длинных текстов с контекстом до 4098 токенов и может служить основой для дальнейшей настройки под прикладные задачи. Модель содержит 151,7 млн параметров, имеет 12 слоёв и 12 голов внимания. В карточке Hugging Face для неё указана задача fill-mask; автор также отмечает возможность получать текстовые эмбеддинги. Для использования эмбеддингов подойдёт извлечение признаков из длинных русскоязычных документов.

sat-6l — модель сегментации текста на предложения из семейства Segment Any Text, разработанная для библиотеки wtpsplit. Она определяет границы предложений и подходит для автоматического разбиения сплошного текста на фрагменты перед дальнейшей обработкой. Модель использует архитектуру SubwordXLMForTokenClassification с шестью слоями Transformer; размер — 248,6 млн параметров, длина контекста — 514 токенов. Доступны веса PyTorch и ONNX. Модель предназначена для многоязычной сегментации текста. Метаданные перечисляют поддержку ряда языков, включая английский, немецкий, французский, испанский, арабский, хинди и японский. Лицензия — MIT. Карточка связывает модель с исследовательской работой Segment Any Text.

Это версия Whisper large-v3-turbo от OpenAI, преобразованная Viacheslav Smirnov в формат CTranslate2 с квантизацией int8. Модель предназначена для распознавания речи и перевода аудио в текст; её распространяют для загрузки утилитой Scribe SV для диктовки и перевода в Windows, в том числе на компьютерах без CUDA GPU. Ничего не дообучалось: веса напрямую преобразованы из openai/whisper-large-v3-turbo. README приводит замеры на русском аудио: WER составил 4,25% для int8 на CPU против 3,54% для float16 на CUDA. В тех же условиях обработка записи длиной 194 секунды заняла 58,2 секунды на CPU; распознавание коротких фраз длилось около 5 секунд. Модель использует CTranslate2 и распространяется по лицензии MIT с сохранением исходных лицензий.

Atla Selene-1-Mini — языковая модель Atla для оценки ответов и работы в роли LLM-as-a-judge. Она дообучена на основе Meta Llama 3.1 8B Instruct и содержит около 7,5 млрд параметров. Модель принимает текст и выдаёт текстовые оценки, классификации, сравнения ответов и качественные критические замечания с обоснованием. Модель предназначена для автоматической проверки качества ответов, в том числе оценки по заданной шкале, определения соответствия ответа запросу, попарного выбора лучшего ответа и выявления галлюцинаций в RAG-системах. В карточке заявлена оценка по 11 бенчмаркам и сильные результаты на RewardBench, EvalBiasBench и AutoJ. Поддерживает контекст до 131 072 токенов и ориентирована прежде всего на английский; также заявлена поддержка немецкого, французского, итальянского, португальского, испанского, хинди и тайского. Для ожидаемого поведения следует использовать шаблон диалога Llama 3. Лицензия — Apache 2.0.

robinhad/ukrainian-qa — модель для ответов на вопросы на основе XLM-RoBERTa, дообученная автором репозитория на украинском наборе UA-SQuAD от ukr-models/xlm-roberta-base-uk. Она предназначена для извлечения ответа на вопрос из предоставленного текста и может использоваться в системах поиска по документам и украинских справочных сервисах. Модель содержит 137,3 млн параметров, рассчитана на контекст до 514 токенов и использует архитектуру XLM-RoBERTa; указана поддержка украинского языка. В карточке приведено значение loss 1,4778 на оценочной выборке, но подробностей протокола оценки нет. Лицензия — MIT.

Veritas-0.6B-Fact-Checker-Non-Thinking-1.0 — компактная языковая модель Resect Research Labs, дообученная на базе Qwen/Qwen3-0.6B для проверки фактов и фактической согласованности. Это плотная авторегрессионная модель семейства Qwen3 с 507,9 млн параметров и контекстом до 40 960 токенов; она принимает текст и генерирует текстовый ответ в виде бинарной оценки по заданному шаблону. Модель предназначена для проверки утверждений и оценки фактической опоры ответов, в том числе в сценариях проверки ответов систем с поиском по документам. В тестировании на LLM-AggreFact, который объединяет 11 размеченных наборов данных, авторы сообщают средний результат 72,30%, выше базового Qwen3-0.6B в режиме non-thinking. Использовать модель следует только в предписанном режиме бинарной оценки и с указанным шаблоном: отклонение от него может приводить к неожиданным результатам. Распространяется по лицензии Apache-2.0.

wtp-canine-s-12l — модель токен-классификации семейства La-CANINE, опубликованная пользователем benjamin и предназначенная для библиотеки wtpsplit. Она определяет границы предложений в тексте, чтобы разбивать его на предложения в многоязычных сценариях. Модель содержит 113,2 млн параметров, принимает текст и выдаёт метки токенов. В карточке Hugging Face заявлена поддержка 85 языков; метаданные также указывают контекст до 16 384 токенов. Модель распространяется по лицензии MIT. Практическое ограничение — качество сегментации может зависеть от языка и особенностей текста.

xlm-roberta-longformer-large-16384 — многоязычная модель с архитектурой Longformer, созданная на основе весов XLM-RoBERTa без дополнительного предварительного обучения. Версия large содержит 658,7 млн параметров, 24 слоя и скрытый размер 1024; механизм внимания рассчитан на обработку последовательностей длиной до 16 384 токенов. Модель предназначена для извлечения признаков из длинных текстов и последующего дообучения под прикладную задачу. Её можно использовать как основу для классификации, поиска и других задач понимания текста, требующих контекста длиннее стандартного окна трансформера. Поддерживается широкий набор языков, в частности английский и другие европейские, азиатские и африканские языки; полный перечень языковых тегов включает 50 языков. Репозиторий содержит формат TensorFlow. Лицензия — MIT. Карточка не сообщает результатов оценки качества и не описывает готовые прикладные сценарии: модель следует дообучить для конкретной задачи. Большое окно контекста позволяет учитывать протяжённый текст, но само по себе не гарантирует качество на конкретном языке или задаче.

Карточка модели fatymahaly/bert-base-uncased на Hugging Face совпадает с карточкой google-bert/bert-base-uncased, поэтому описание составлено по ней. BERT base uncased — англоязычная предварительно обученная модель Google на базе архитектуры BERT для восстановления замаскированных слов. Она содержит 136,7 млн параметров и принимает текст в нижнем регистре; токенизатор WordPiece использует словарь из 30 000 токенов. Контекст ограничен 512 токенами. Предобучение на BookCorpus и англоязычной Википедии использовало задачи masked language modeling и предсказания следующего предложения. Модель предназначена прежде всего для дальнейшей настройки под задачи понимания текста, например классификацию, разметку токенов и ответы на вопросы. Её можно применять для заполнения пропусков в тексте; она также может служить источником признаков для downstream-моделей. Это базовый чекпойнт, а не модель для генерации длинных текстов. Предобучение без учительской разметки позволяет использовать корпусный контекст, однако предсказания могут отражать смещения данных. Модель распространяется по лицензии Apache-2.0.

albertobarnabo/bge-reranker-v2-m3-italian — италоязычный переранжировщик, дообученный разработчиком на базе BAAI/bge-reranker-v2-m3. Он оценивает релевантность пары «запрос — текстовый фрагмент» и помогает переставить результаты поиска так, чтобы наиболее подходящие оказались выше. Модель рассчитана на этап переранжирования в поисковом конвейере; её можно использовать вместе с эмбеддером bge-m3-italian для отбора и упорядочивания кандидатов. Модель основана на XLM-RoBERTa и имеет около 658,7 млн параметров; максимальная длина контекста — 8194 токена. В описанной оценке на 2 000 итальянских запросах к переведённому MS MARCO она улучшила nDCG@10 на 0,0096 относительно базового переранжировщика. Результат проверен на данных, близких к обучающим, поэтому на текстах другой тематики прирост может быть меньше. Веса распространяются по лицензии Apache-2.0; обучающие данные происходят из MS MARCO, исходные условия которого ограничивают коммерческое использование.

CodeGen2-7B_P — авторегрессионная языковая модель семейства CodeGen2, разработанная Salesforce для генерации программного кода. Модель с плотной архитектурой CodeGenForCausalLM содержит 7 млрд параметров, работает с контекстом до 2048 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель генерирует код по текстовым подсказкам, продолжает незавершённые фрагменты и поддерживает заполнение пропусков внутри кода. В обучении использовался очищенный набор Stack v1.1; заявлена поддержка языков C, C++, C#, Dart, Go, Java, JavaScript, Kotlin, Lua, PHP, Python, Ruby, Rust, Scala, Shell, SQL, Swift, TypeScript и Vue. В первую очередь она предназначена для синтеза программ по англоязычным комментариям и завершения кода. Качество и безопасность сгенерированного кода требуют проверки: модель не оценивалась для всех сценариев применения и может допускать ошибки. Авторы рекомендуют оценивать риски перед внедрением; карточка указывает исследовательскую направленность релиза.

DeciCoder-6B — авторегрессионная модель для дополнения и генерации программного кода, разработанная компанией Deci. Она основана на декодерном трансформере DeciLMForCausalLM с 6,7 млрд параметров и переменным Grouped Query Attention; архитектуру создали с помощью технологии AutoNAC. Обучение на подмножестве StarCoder Training Dataset использовало цель Fill-in-the-Middle, поэтому модель может продолжать код и заполнять пропуски внутри фрагмента. Модель предназначена для работы с Python, Java, JavaScript, Rust, C++, C, C# и Go. Контекст составляет 2 048 токенов. Весы опубликованы в формате safetensors, лицензия — Apache 2.0. Модель можно применять для генерации фрагментов кода по контексту и автодополнения в редакторах. В README приведены результаты pass@1 для нескольких языков, но они не гарантируют правильность конкретного результата: сгенерированный код может содержать ошибки, быть неоптимальным или небезопасным.

SalML/DETR-table-structure-recognition — модель обнаружения объектов на основе DETR, предназначенная для распознавания структуры таблиц в документах. По карточке автор также создал Hugging Face Space, который применяет OCR к изображению с результатами Table Transformer и позволяет скачать таблицу в CSV. Модель содержит 6,3 млн параметров, использует PyTorch и обучена на PubTables-1M. Метаданные указывают английский язык; подходящий сценарий — выделение структурных элементов таблицы на изображении документа перед извлечением данных. Лицензия в метаданных обозначена как unknown.

Модель Manab/donut-base-my_model_rapido_2_new_check_2 — дообученная версия naver-clova-ix/donut-base на датасете imagefolder. Она использует архитектуру vision-encoder-decoder и предназначена для преобразования изображений в текст, в том числе для задач обработки изображений документов. В README указана оценка Loss 2.8819 на наборе для оценки. Модель принимает изображения и выдаёт текст. Репозиторий содержит веса PyTorch; лицензия — MIT. Данные карточки не уточняют конкретный тип документов, языки, контекст или целевые сценарии, поэтому применимость к отдельным видам документов и качество на реальных данных по указанной оценке определить нельзя.

Ektome-Qwen3.6-35B-A3B-PristinelyUncensored — мультимодальная модель семейства Qwen, подготовленная Ektome на базе Qwen/Qwen3.6-35B-A3B. По карточке, авторы изменили веса хирургическим удалением направления отказа rank-1 методом без обучения и дообучения; метаданные классифицируют происхождение как finetune. Модель использует архитектуру Qwen3.5 MoE и поддерживает диалог и анализ изображений; веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для диалогов и ответов на запросы по изображениям, а также для исследований механизмов отказа, red-teaming и использования в качестве основы для собственного дообучения. В карточке сообщается, что после изменения весов показатели на приведённых тестах возможностей и генерации удержаны; эти результаты относятся к описанным авторами оценкам. Ключевое свойство модели — отсутствие отказов на проверенных запросах, поэтому ответственность за фильтрацию и безопасность применения лежит на развёртывающей стороне. Карточка не приводит число параметров и длину контекста для самой модели. Модель не предназначена для отказа на небезопасные запросы; качество следует проверять на целевых данных и сценариях. Она выпущена под лицензией Apache-2.0.

Fara1.5-9B-GGUF — это набор GGUF-квантизированных версий мультимодальной модели Fara1.5-9B, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для сценариев computer use: управления браузером и интерфейсами, автоматизации веб-задач, работы веб-агентов и других задач, требующих понимания изображений и текста. Модель содержит около 9 миллиардов параметров, относится к классу vision-language и поддерживает обработку изображений и текста. В карточке указано, что основной язык — английский. Доступны варианты от BF16 до различных уровней квантизации, включая Q8_0, Q6_K, Q5_K, Q4_K и более компактные форматы; размер файлов составляет примерно от 4,3 до 17,9 ГБ. Контекстное окно, точная архитектура и требования к видеопамяти или оперативной памяти не указаны. Сильные стороны модели — мультимодальность, ориентация на агентские и браузерные сценарии, а также широкий выбор квантизаций для запуска на оборудовании с разными ресурсами. Более компактные варианты снижают требования к памяти, но могут заметно уступать исходной BF16-версии по качеству. Для работы подходят llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты; при поддержке новой архитектуры может потребоваться обновление используемого приложения. Модель распространяется по лицензии MIT.

Emese-Folyó — венгерская разговорная модель семейства Emese, разработанная Emese Tech на базе EuroLLM-22B. Она предназначена для диалогов и выполнения инструкций на венгерском языке, включая ответы на вопросы, перевод, написание кода и многошаговые запросы. Модель использует плотную LLaMA-совместимую архитектуру и содержит 21,9 млрд параметров. Веса этого репозитория представлены в bf16 в формате Safetensors; контекст — до 32 768 токенов. Обучение включало продолжение предобучения на венгерском корпусе, настройку инструкций и оптимизацию предпочтений. Лицензия — Apache-2.0. По результатам тестов из карточки, модель хорошо справляется с венгерским диалогом, переводом, кодом, вопросами по контексту и задачами безопасности. Она может уверенно выдумывать отдельные факты, слаба в многошаговой математике и логических головоломках, а в английском диалоге может продолжать отвечать по-венгерски. Для практического запуска нужны значительные ресурсы памяти; карточка также предупреждает о снижении качества при конвертации в GGUF.

Это квантизированная GGUF-версия модели Gemma 3n E2B it, разработанной Google и подготовленной пользователем bartowski с использованием llama.cpp. Модель предназначена для генерации текста, а также сценариев, связанных с автоматическим распознаванием речи, автоматическим переводом речи и преобразованием аудио или видео в текст. Она рассчитана на запуск через llama.cpp, LM Studio и другие совместимые проекты. В README указано, что доступны варианты квантизации от Q2 до Q8 с размером файлов примерно от 2,21 до 4,79 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, тогда как компактные варианты подходят для систем с ограниченным объёмом оперативной памяти. Точные сведения об архитектуре, поддерживаемых языках, модальностях, длине контекста и аппаратных требованиях в представленном README не указаны, хотя теги указывают на поддержку аудио- и видеосценариев исходной модели. Основные преимущества версии — возможность локального запуска, выбор между несколькими уровнями качества и совместимость с экосистемой llama.cpp. Ограничения включают потери качества, зависящие от выбранной квантизации, а также отсутствие в README точного описания возможностей и корректного chat template; автор предупреждает, что шаблон по умолчанию может быть неправильным. Для использования требуется соблюдение лицензии Gemma и, при работе через Hugging Face, подтверждение условий доступа.

GoLLIE 13B — языковая модель для извлечения информации, разработанная Оскаром Саинсом, Икером Гарсия-Ферреро, Родриго Агерри, Ойером Лопесом де ла Калье, Германом Ригау и Энеки Агирре из центра HiTZ Университета Страны Басков. Это плотная авторегрессионная модель семейства LLaMA с 12,9 млрд параметров и контекстом до 16 384 токенов, представленная в формате Safetensors и дообученная на основе CODE-LLaMA2. Модель предназначена для извлечения именованных сущностей, событий и отношений по заданным схемам. Она следует подробным инструкциям и определениям разметки, поэтому подходит для zero-shot задач и позволяет задавать схему извлечения во время работы, в том числе для ранее не встречавшихся задач. В карточке приведены результаты на английском языке: средний F1 56,0 для zero-shot и 73,9 для supervised оценки GoLLIE-13B. Основной язык модели — английский. Модель генерирует текст, поэтому извлечённые результаты выдаются в текстовом формате по схеме пользователя. Для базовой модели и объединённой модели указана лицензия LLaMA 2; LoRA-адаптеры проекта распространяются по Apache 2.0. Результаты и поддерживаемые схемы зависят от формулировки инструкций и качества заданных определений.

Koitenshin/Huihui-InternVL3-14B-abliterated-GGUF — это квантованная модель в формате GGUF, созданная на основе Huihui-InternVL3-14B-abliterated от huihui-ai. Конвертацию в GGUF выполнили с использованием llama.cpp и сервиса GGUF-my-repo. Модель относится к семейству InternVL3 и предназначена для задач преобразования изображений и текста в текст, включая мультимодальное общение и анализ визуального содержимого. Заявлена поддержка multilingual-сценариев, однако конкретный перечень языков в карточке не приведён. Модель имеет размер 14B параметров; доступная в этой карточке версия использует квантование Q8_0. Она рассчитана на запуск через llama.cpp в формате GGUF, в том числе локально через llama-cli или в серверном режиме через llama-server. В качестве примера указан контекст 2048 токенов, но это значение может быть параметром запуска, а не предельным размером контекста самой модели. К сильным сторонам относятся мультимодальность, локальный запуск через llama.cpp и уменьшенный по сравнению с полноразмерной моделью объём хранения и вычислений благодаря квантованию Q8_0. Ограничения и точные характеристики качества, требования к оборудованию, особенности поддержки изображений и языков в README не описаны; для их оценки требуется оригинальная карточка базовой модели. В метаданных указана лицензия Apache-2.0, при этом ссылка на текст лицензии ведёт к лицензии Qwen, поэтому условия использования следует дополнительно проверить по исходной модели и файлам дистрибутива.

ItColBERT — модель поиска по тексту, разработанная и поддерживаемая Энрико Нелло. Она предназначена для семантического поиска, извлечения фрагментов для RAG и переранжирования результатов по итальянским документам. Модель построена на базе Italian ModernBERT и использует позднее взаимодействие в стиле ColBERT: представляет каждый токен отдельным вектором размерности 128 и оценивает совпадения между токенами запроса и документа по MaxSim. Размер модели — около 134,9 млн параметров, контекст — 8192 токена; для работы используется библиотека PyLate. Модель подходит для коротких и средних фрагментов, где важны точные формулировки, имена и числа. Векторы для каждого токена повышают детализацию сопоставления, но требуют больше места для хранения, чем обычные векторные эмбеддинги. На этапе индексирования документы длиннее 512 токенов обрезаются; для длинных материалов автор рекомендует делить их на перекрывающиеся фрагменты и объединять оценки по исходному документу. Модель рассчитана только на итальянский язык и не предназначена для межъязыкового поиска. В карточке указана лицензия Apache-2.0.

Kimi-K2.7-Code-UD-Q4_K_XL-layers — пакет слоёв GGUF для распределённого запуска модели Kimi-K2.7-Code на нескольких машинах. Пакет подготовлен для Mesh LLM и получен из unsloth/Kimi-K2.7-Code-GGUF: исходное распределение весов разбито на отдельные артефакты слоёв; вариант квантования — UD-Q4_K_XL. Модель предназначена для локального приватного вывода, запуска на кластере из нескольких узлов, когда полный набор весов трудно разместить на одном компьютере, и для чат-запросов через локальный API, совместимый с OpenAI. Метаданные указывают задачу text-generation и библиотеку mesh-llm; карточка описывает диалоговое применение. Подробности об архитектуре, размере, контексте, языках и условиях лицензии отсылают к карточке исходной модели и здесь не приведены.

yasserrmd/LFM2-350M-Extract-TOON — дообученная с помощью LoRA модель на базе LiquidAI/LFM2-350M-Extract, созданная с использованием Unsloth и датасета yasserrmd/TOON-Unstructured-Structured. Она преобразует текст на естественном языке в структурированный формат TOON по заданной схеме; модель относится к семейству LFM2 и имеет около 444,6 млн параметров, а её контекст составляет 128 000 токенов. Модель предназначена для извлечения полей из неструктурированных текстов, компактного представления данных в конвейерах LLM и подготовки структурированных наборов данных. Лучше всего работает с короткими и средними текстами при явно заданной схеме. Карточка заявляет детерминированную генерацию TOON, но приводит только метрики обучения, а не независимую оценку качества. Доступна по лицензии Apache-2.0. Дообучение проводилось на англоязычных данных; многоязычная настройка не выполнялась. Для точного извлечения требуется явное описание схемы, а при общих запросах точность может снижаться.

Lfm2-MaleCNS-Titans-VL-3B-V2-PT — экспериментальная мультимодальная модель на базе LiquidAI/LFM2.5-VL-3B, дообученная автором карточки с MaleCNS-Titans и сохранением VAE-латентных представлений. Она принимает изображения и текст, сохраняя исходные языковую модель, визуальный модуль и проектор; дополнительные механизмы памяти подключены к визуальному входу и нескольким языковым слоям. Модель предназначена для визуальных запросов и задач, где нужно сохранять информацию между фрагментами или сессиями; README также описывает обновление памяти по наблюдениям и загрузку сохранённых данных из архива. Версия PT включает объединённые LoRA-веса и 536 обновлений в рамках двухчасового обучения; автор сообщает о последующих SFT-весах, сохранённых отдельно. Исходная длина контекста оставлена без изменений, а межфрагментная память управляется вызывающей программой и сессией. README указывает на обучение на материалах на традиционном китайском, отдельных математических и визуальных данных; метаданные также отмечают английский язык. Лицензия обозначена как other, конкретные условия следует смотреть в документах репозитория. Точность извлечения новой информации требует проверки на целевых задачах.

LLM-QE-Contriever — дообученная модель на базе facebook/contriever, разработанная авторами исследования LLM-QE. Она предназначена для получения текстовых эмбеддингов, согласованных с предпочтениями ранжирования, и применения в расширении поисковых запросов и системах информационного поиска. Модель использует архитектуру BERT и обучалась с помощью supervised contrastive learning на расширениях запросов. В репозитории доступны веса safetensors; размер модели — 136,7 млн параметров, максимальный контекст — 512 токенов. Карточка описывает применение для поиска и расширения запросов, но не приводит подробностей о поддерживаемых языках сверх английского в метаданных. Лицензия — MIT.

Merge-Mistral-Prometheus-7B — объединённая модель Vicgalle на основе prometheus-eval/prometheus-7b-v2.0 и 4bit/Mistral-7B-Instruct-v0.1. Модель построена на плотной архитектуре Mistral, содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста; доступный контекст составляет до 32 768 токенов. Модель-судья Prometheus в составе объединения рассчитана на оценку ответов LLM по заданным критериям и попарное ранжирование. Лицензия — Apache 2.0. В README указан линейный метод слияния и формат bfloat16; в метаданных репозитория указаны файлы safetensors.

openbmb/MiniCPM-V-4.6-AWQ — это мультимодальная модель для понимания изображений и видео, разработанная командой OpenBMB. Репозиторий содержит AWQ-квантизованную версию W4A16 базовой модели MiniCPM-V 4.6 с использованием AutoAWQ; исходная модель построена на SigLIP2-400M и языковой модели Qwen3.5-0.8B. Модель предназначена для анализа одного и нескольких изображений, видео, визуального вопросно-ответного взаимодействия, распознавания текста и других задач vision-language. Она ориентирована на эффективное развертывание на периферийных устройствах, включая смартфоны и системы iOS, Android и HarmonyOS. Архитектура использует смешанное сжатие визуальных токенов 4x/16x, что позволяет выбирать баланс между скоростью и точностью. Заявлена поддержка интеграции с Transformers, vLLM, SGLang, llama.cpp и Ollama, а также дообучения через SWIFT и LLaMA-Factory. К сильным сторонам относятся компактность, сниженные вычислительные затраты визуального кодировщика, высокая эффективность инференса и мультимодальные возможности, сопоставимые с более крупными моделями на ряде тестов. Ограничения включают отсутствие в представленном README сведений о размере контекстного окна, поддерживаемых языках и подробных характеристиках качества; кроме того, AWQ-квантизация и формат W4A16 требуют совместимого программного и аппаратного окружения. Модель распространяется по лицензии Apache 2.0.

JJhooww/Mistral-7B-v0.2-Base_ptbr — базовая предобученная языковая модель семейства Mistral, созданная на основе официальных весов Mistral и дополнительно обученная примерно на 1 млрд токенов португальского языка. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста на португальском языке и может служить основой для дальнейшей тонкой настройки под диалоговые и другие прикладные задачи. В README приведены результаты на наборах ASSIN2 RTE, ASSIN2 STS и BlueX, где модель превосходит базовую версию Mistral по указанным метрикам. Это базовая модель, следующая инструкциям она не обучена, поэтому для инструкционного диалога требуется дообучение. Распространяется по лицензии Apache-2.0.