II.6Документация и сопровождение разработки

comet24082002/finetuned_bge_ver11 — дообученная модель на базе BAAI/bge-m3, опубликованная comet24082002. Это плотная модель архитектуры XLM-RoBERTa с 658,7 млн параметров, предназначенная для извлечения признаков из текста. Базовая BGE-M3 рассчитана на многоязычный семантический, лексический и гибридный поиск по текстам и документам; дообученная версия может применяться для получения текстовых представлений в поисковых системах и системах работы с документами. Модель принимает текст и выдаёт векторные признаки. Максимальная длина контекста — 8194 токена. Данные обучения и результаты оценки в карточке не описаны, поэтому качество на конкретных языках и задачах поиска не подтверждено. Лицензия — MIT.

Это пакет слоёв GGUF для GLM-4.7-Flash-REAP-23B-A3B в варианте UD-Q4_K_XL, подготовленный Mesh LLM на основе unsloth/GLM-4.7-Flash-REAP-23B-A3B-GGUF. Вместо единого файла веса модели распределены по артефактам слоёв для запуска через Mesh LLM. Пакет предназначен для локального диалогового вывода, в том числе на нескольких машинах, когда модель целиком не помещается на одном узле. Mesh LLM может предоставлять совместимый с OpenAI интерфейс чата и completions. Метаданные классифицируют модель как text-generation с возможностью chat; исходная карточка также указывает GGUF и распределённый формат поставки. Это производный пакет с квантизацией Q4_K_XL; лицензия, число параметров, поддерживаемые языки и длина контекста в предоставленных материалах не описаны. Для этих сведений и рекомендаций по шаблону чата README отсылает к карточке исходной модели.

Это пакет слоёв модели GLM-5.1-UD-Q3_K_S, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Он создан из meshllm/GLM-5.1-UD-Q3_K_S-GGUF и содержит GGUF-артефакты, разделённые по слоям для распределения между несколькими машинами. Пакет предназначен для локального и приватного инференса, когда модель нужно запускать на нескольких узлах из-за нехватки ресурсов одного компьютера, а также для обслуживания запросов к совместимому с OpenAI локальному API чата и генерации текста. Для работы требуется Mesh LLM. Репозиторий не описывает отдельно архитектуру, число параметров, контекст, языки или лицензию; за этими сведениями README отсылает к карточке исходной GGUF-модели.

Это пакет слоёв GGUF для модели GLM-5.3-Flash, подготовленный Mesh LLM из unsloth/GLM-5.3-Flash-GGUF. Вариант UD-Q4_K_XL разделяет исходное распределение модели на артефакты по слоям для распределённого инференса в локальном кластере Mesh LLM. Пакет предназначен для локального и приватного запуска чат-модели, распределения вычислений и памяти между несколькими машинами, а также для чат-запросов через локальный API, совместимый с OpenAI. Модель принимает текстовые запросы и выдаёт текстовые ответы; задача в каталоге — генерация текста. Репозиторий распространяется по лицензии MIT.

GoLLIE-7B — языковая модель для извлечения информации, разработанная исследователями HiTZ Basque Center for Language Technology при Университете Страны Басков. Модель дообучена на основе CODE-LLaMA2 и следует подробным инструкциям и правилам аннотирования, заданным для конкретной схемы. Она генерирует структурированные результаты извлечения по описанным пользователем классам и указаниям. Модель предназначена для распознавания именованных сущностей, извлечения событий и отношений, а также для zero-shot извлечения информации и задач с пользовательскими схемами аннотирования. Это плотная архитектура LLaMA с 6,6 млрд параметров и контекстом до 16 384 токенов; заявленный язык — английский. В карточке приведены средние F1 55,3 для zero-shot и 73,0 для supervised оценки. Для запуска нужны совместимые средства работы с моделями PyTorch и Transformers. Модель распространяется по лицензии LLaMA 2; ограничения лицензии следует учитывать при использовании.

Hemlock2-Coder-7B-GRPO — дообученная методом GRPO модель для генерации кода, разработанная на основе hemlang/Hemlock2-Coder-7B. Во время обучения ответы модели выполнялись в изолированной среде интерпретатора Hemlock и оценивались по совпадению стандартного вывода с проверенным эталоном. Используется архитектура Qwen2ForCausalLM с 7,1 млрд параметров; контекст — до 32 768 токенов. Доступны веса safetensors и квантованный вариант GGUF Q8_0. Модель предназначена для генерации и исправления кода, в том числе задач с проверкой результата выполнением. В описанном тесте Hembench она улучшила pass@1 с 28,9% до 36,8% относительно базовой модели; наибольший прирост отмечен для синтаксиса и системного кода с конкурентностью. Лицензия — Apache-2.0. README сообщает о тестировании на небольшом наборе примеров (n=5), поэтому приведённые показатели не гарантируют аналогичного качества на других задачах.

jina-clip-v1 — англоязычная мультимодальная модель эмбеддингов Jina AI на архитектуре CLIP. Она преобразует текст и изображения в векторы общего пространства, пригодные для поиска и сравнения по сходству. Модель рассчитана на текстовый поиск, поиск изображений по текстовому запросу, поиск текста по изображению и текстовый семантический поиск. Модель подходит для мультимодальных систем поиска и RAG, где нужно искать текст и изображения с помощью одной модели. В карточке приведены результаты сравнений на задачах Flickr и MSCOCO для поиска между изображениями и текстом, а также на текстовых наборах STS и BEIR. Для объединения текстовых и межмодальных оценок сходства авторы рекомендуют взвешенное усреднение либо нормализацию z-оценкой, поскольку значения текстового сходства обычно выше. Модель распространяется под лицензией Apache-2.0. В карточке не указаны число параметров и длина контекста; для использования описаны варианты через API Jina AI или библиотеки Transformers и Sentence Transformers.

jina-embeddings-v5-omni-nano-clustering — мультимодальная модель эмбеддингов от Jina AI, вариант семейства jina-embeddings-v5-omni-nano, настроенный для кластеризации. Она принимает текст, изображения, видео и аудио и преобразует их в векторы общего пространства, совместимого с текстовой моделью jinaai/jina-embeddings-v5-text-nano-clustering. Размер модели — около 0,95 млрд параметров, размерность эмбеддинга — 768. Для текстовых документов требуется префикс «Document: ». Видео представляется кадрами; звуковая дорожка видео автоматически не обрабатывается, её нужно передавать отдельно. Модель подходит для мультимодальной кластеризации и построения индексов, где документы на текстовом языке можно искать по запросам в виде изображений, видео или аудио без повторной индексации. Также эмбеддинги можно использовать для поиска и сопоставления мультимодальных данных. Модель доступна в формате safetensors и предназначена для запуска через Transformers, sentence-transformers или vLLM. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но не коммерческое применение.

jina-reranker-v1-tiny-en-GGUF — это квантизированная GGUF-версия модели jinaai/jina-reranker-v1-tiny-en, подготовленная пользователем mradermacher. Модель предназначена для переранжирования результатов поиска и оценки релевантности пар «запрос — документ» в системах семантического поиска, включая сценарии на базе Transformers, Sentence Transformers и Transformers.js. По назначению она относится к reranker-моделям и использует архитектуру cross-encoder. Модель ориентирована на английский язык. В репозитории представлены варианты квантования Q2_K, Q3_K, IQ4_XS, Q4_K_S, Q4_K_M, Q5_K_S, Q5_K_M, Q6_K, Q8_0 и f16; размер файлов составляет примерно 0,1–0,2 ГБ. Для вариантов Q4_K_S и Q4_K_M заявлена высокая скорость, Q6_K обозначен как вариант с очень хорошим качеством, а Q8_0 — как быстрый вариант с лучшим качеством. Количество параметров, максимальная длина контекста и дополнительные модальности в README не указаны. Основные преимущества — компактность, возможность локального запуска и выбор между несколькими уровнями квантования. Ограничения связаны с тем, что это англоязычный reranker, а снижение точности может зависеть от выбранного варианта квантования; характеристики качества в README количественно не приведены. Модель распространяется по лицензии Apache-2.0.

SCUT-DLVCLab/lilt-roberta-en-base — базовая модель LiLT, разработанная SCUT-DLVCLab и представленная в работе Wang и соавторов о языково-независимом трансформере для понимания структурированных документов. Она объединяет предварительно обученный англоязычный RoBERTa с трансформером LiLT, который обрабатывает структуру и расположение элементов документа. Модель содержит 151,8 млн параметров, принимает текст вместе с информацией о компоновке и имеет контекст до 514 токенов. Модель предназначена для дообучения под классификацию изображений документов, разбор документов и ответы на вопросы по документам. LiLT позволяет сочетать языковый энкодер RoBERTa с обработкой макета, однако этот вариант использует именно англоязычный RoBERTa; поддержка других языков зависит от выбранного языкового энкодера. В репозитории доступны веса PyTorch и Safetensors. Лицензия — MIT.

MemReranker-4B — модель-реранкер, разработанная IAAR-Shanghai и дообученная на базе Qwen3-Reranker-4B с помощью многоэтапной дистилляции знаний. Она принимает запрос и набор текстовых фрагментов и оценивает релевантность каждой пары «запрос — фрагмент», чтобы упорядочить результаты поиска. Модель предназначена прежде всего для извлечения долгосрочной памяти агентами, поиска по многоходовой истории диалога и второго этапа RAG-поиска. В обучении использованы данные для временных и причинных запросов и разрешения кореференции; README также указывает применение для веб-поиска и общего поиска по документам. Архитектура — плотная Qwen3 на 3,7 млрд параметров, контекст — до 40 960 токенов; заявлена поддержка английского и китайского языков. Реранкер возвращает оценку релевантности, а не готовый ответ пользователю. В README сообщается об улучшенной калибровке оценок и работе со сложными запросами памяти; приведены результаты на бенчмарке LOCOMO. Файлы опубликованы в формате safetensors, модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0. Качество в других языках и сценариях отдельно не подтверждено приведёнными сведениями.

Felldude/Ministral-3-8B-Uncensored-FP8 — мультимодальная модель на архитектуре Mistral 3, дообученная на задачах, связанных с изображениями и текстом. Она включает языковую часть на 8,4 млрд параметров и визуальный энкодер на 0,4 млрд параметров и предназначена для понимания изображений и генерации текстовых ответов. Модель поддерживает многоязычные сценарии, следование системным инструкциям, вызов функций и выдачу структурированного JSON; заявлено контекстное окно 256 тыс. токенов и оптимизация для запуска на периферийных устройствах. Основные сценарии — описание изображений, извлечение текста и данных с изображений, классификация текста и мультимодальные ассистенты. В README также заявлены перевод в реальном времени и применение для NSFW-контента, включая подписи к изображениям и генерацию историй и ответов. Для запуска приведён пример на Transformers с CUDA. Модель распространяется по лицензии Apache 2.0; качество заявленных возможностей независимо не подтверждено карточкой.

mn-xlm-roberta-base-named-entity — модель 2rtl3, дообученная на базе xlm-roberta-base для классификации токенов и распознавания именованных сущностей. Она присваивает метки отдельным фрагментам текста; размер модели — 305,2 млн параметров, максимальная длина контекста — 514 токенов. По оценке на тестовом наборе указаны precision 0,9275, recall 0,9364, F1 0,9319 и accuracy 0,9783. Модель предназначена для извлечения сущностей из текста. Карточка не уточняет набор меток, обучающие данные и поддерживаемые естественные языки, поэтому качество для конкретных типов сущностей и языков нужно оценивать отдельно. Модель распространяется под лицензией MIT.

ModernGBERT 1B — немецкоязычная модель-энкодер семейства ModernBERT, разработанная LSX-UniWue. Она содержит 1,1 млрд параметров, использует архитектуру BERT с маскированным языковым моделированием и обрабатывает последовательности длиной до 8 192 токенов. Модель предварительно обучена на немецкой части RedPajama V2 объёмом 1,27 трлн токенов; также в метаданных указан датасет LSX-UniWue/LLaMmlein-Dataset. Модель предназначена для извлечения признаков и эмбеддингов, а также задач понимания немецкого текста. Её можно применять для семантического поиска, оценки релевантности и дообучения под классификацию токенов; README показывает использование с Transformers и PEFT/LoRA. В бенчмарках авторов модель получила средние оценки 0,808 на SuperGLEBer и 0,551 на немецком MTEB после дополнительного unsupervised fine-tuning на немецкой части mMARCO. Модель распространяется в форматах PyTorch и Safetensors, лицензия обозначена как other. Она является энкодером с маскированным языковым моделированием, поэтому не предназначена для свободной авторегрессионной генерации текста. Указанные результаты MTEB получены после дополнительного дообучения, что следует учитывать при сравнении.

ms-marco-MiniLM-L-6-v2 GGUF — это конвертированная и квантизованная версия модели cross-encoder/ms-marco-MiniLM-L-6-v2, опубликованная пользователем cstr для запуска через лёгкий движок инференса CrispEmbed на базе ggml. Модель предназначена для ранжирования текстовых пар и повышения качества поиска, в частности для reranking в системах RAG и сценариях, требующих работы в реальном времени. Указан английский язык. Модель построена на архитектуре BERT, содержит около 22 млн параметров, 6 слоёв, размерность представления 384, использует CLS-pooling и токенизатор WordPiece. Доступны варианты GGUF с представлением Q4_K размером 18 МБ, Q8_0 размером 24 МБ и F32 размером 87 МБ. Конвертация не изменяла архитектуру, словарь или заявленные возможности исходной модели; для преобразованных файлов заявлена битовая эквивалентность с реализацией Hugging Face с cosine similarity не менее 0,999 на тестовых текстах. Сильные стороны модели — небольшой размер, высокая скорость и возможность инференса без Python и ONNX через CrispEmbed, включая серверный режим. Ограничения включают специализацию на английских текстах и назначение для reranking, а не для генерации текста. В README также указано, что следует предпочитать исправленные файлы с суффиксом -g7c, поскольку исходные файлы имели некорректно преобразованную scoring head и могли давать неправильно калиброванные оценки и изменять порядок результатов. Модель распространяется по лицензии Apache-2.0 на тех же условиях, что и исходная модель.

MyAwesomeModel — модель из репозитория eeeeerrrr4/MyAwesomeModel-TestRepo, опубликованная на Hugging Face и предназначенная для извлечения признаков из текста. В метаданных она классифицирована как feature-extraction; среди тегов указана совместимость с BERT, PyTorch и библиотекой Transformers. README также описывает улучшенные способности к рассуждению, математике, программированию, пониманию текста, диалогу, суммаризации и вызову функций, однако эти сценарии не подтверждены отдельным pipeline-тегом или подробными техническими характеристиками в предоставленных данных. В карточке приведены результаты внутренних бенчмарков и рекомендации по использованию чат-версии модели. Модель распространяется по лицензии MIT. Для практического применения следует учитывать, что точные сведения об архитектуре, размере, поддерживаемых языках и длине контекста в предоставленных данных отсутствуют, а заявленные результаты README требуют самостоятельной проверки.

MyAwesomeModel — модель из репозитория safaf45252/MyAwesomeModel-TestRepo, опубликованная для работы с библиотекой Transformers. В метаданных Hugging Face она классифицирована как feature-extraction и помечена тегами BERT, PyTorch и Transformers, поэтому её основное назначение — преобразование текста в информативные векторные представления для последующего анализа и машинного обучения. Такие представления можно использовать для семантического поиска, сравнения текстов, классификации, кластеризации и построения систем, работающих с текстовыми признаками. README также заявляет улучшения в рассуждениях, программировании, математике, диалогах и других генеративных сценариях, однако эти характеристики не согласуются с указанным pipeline_tag и не подтверждают совместимость модели с задачей text-generation. Модель распространяется по лицензии MIT. Размер, длина контекста, поддерживаемые естественные языки и точная архитектура в доступных данных не определены; тег BERT указывает на семейство или совместимость, но не позволяет установить конкретную конфигурацию.

MyAwesomeModel — модель для извлечения признаков из текста, опубликованная в репозитории toolathlon5/MyAwesomeModel-TestRepo. По метаданным она использует архитектурное семейство BERT, работает с библиотекой Transformers и предназначена для получения векторных представлений текста. Модель можно применять как компонент конвейеров машинного обучения для семантического поиска, кластеризации, классификации и других задач, где нужны эмбеддинги или скрытые представления текста. В README также заявлены возможности рассуждения, генерации кода, диалога и работы с функциями, однако эти сведения не подтверждаются основным pipeline-тегом feature-extraction и поэтому не рассматриваются как надёжно подтверждённые характеристики модели. Размер модели, поддерживаемые естественные языки и длина контекста в доступных данных не указаны. Модель распространяется по лицензии MIT.

NeuroBERT-NER — англоязычная модель для распознавания именованных сущностей, разработанная Boltuix на базе boltuix/NeuroBERT-Mini и дообученная для классификации токенов. Модель на архитектуре BERT содержит 9,9 млн параметров, принимает текст с контекстом до 512 токенов и присваивает токенам метки BIO для 18 категорий сущностей, включая людей, организации, места, даты и денежные суммы. Модель предназначена для извлечения сущностей из новостей, пользовательских текстов и исследовательских корпусов, а также для индексации поиска и построения графов знаний. В README приведены результаты на тестовой выборке указанного датасета: precision 0,85, recall 0,87 и F1 0,86; фактическое качество может отличаться на других типах текста и в специализированных областях. Поддерживается английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка отмечает, что датасетная ссылка является заглушкой; заявленные размеры выборок приведены приблизительно.

Это пакет слоёв GGUF для распределённого запуска NVIDIA-Nemotron-3.5-Lightning-30B-A3B в Mesh LLM. Он создан на основе unsloth/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-GGUF и разбивает исходную модель на артефакты по слоям, чтобы распределять вычисления между несколькими компьютерами. Указанный вариант весов — UD-Q4_K_XL; пакет предназначен для локального приватного инференса и чата через совместимый с OpenAI API Mesh LLM. Модель принимает текст и генерирует текстовые ответы в режиме чата. Репозиторий указывает формат GGUF и библиотеку mesh-llm, но не приводит сведения о числе параметров, контексте и поддерживаемых языках. Лицензия обозначена как other; README направляет за условиями лицензии к карточке исходной модели, поэтому конкретные условия для этого пакета не уточнены.

blackmlengineer/occucoder-en-demi-v0 — текстовая Sentence Transformer-модель на архитектуре BERT, разработанная автором репозитория и обученная на наборе данных train. Она преобразует предложения и абзацы в плотные векторы размерности 64; сходство между ними оценивается косинусной мерой. Модель предназначена для поиска и сопоставления текстов по смыслу. Модель принимает текст, использует среднее pooling-представление и поддерживает последовательности длиной до 32 токенов. В README приведены примеры коротких англоязычных названий профессий и описана обучающая выборка из 991 580 примеров с anchor, positive и negative. Метаданные указывают Sentence Transformers, BERT и 681 тыс. параметров. Подходит для семантического поиска и извлечения признаков из коротких текстов. Очень короткое контекстное окно ограничивает работу с длинными фразами и документами; сведения о лицензии в предоставленных источниках отсутствуют.

mlx-community/openai-privacy-filter-6bit — 6-битная версия модели OpenAI Privacy Filter, подготовленная сообществом mlx-community из openai/privacy-filter в формате MLX. Это двунаправленный разреженный MoE-классификатор токенов, который находит и размечает BIOES-фрагментами персональные данные восьми категорий: имена людей, адреса электронной почты, телефоны, URL, адреса, даты, номера счетов и секреты. Версия содержит 145,4 млн параметров по метаданным; базовая карточка описывает исходную модель как модель на 1,5 млрд параметров с 50 млн активных параметров. Модель предназначена для локальной фильтрации и маскирования чувствительных данных в тексте. Указанная лицензия — Apache-2.0. Модель принимает текст и выдаёт метки фрагментов, пригодные для последующей замены или удаления обнаруженных данных. Доступны веса safetensors для MLX; README указывает преобразование из openai/privacy-filter, тогда как метаданные отмечают связь с базовой моделью как finetune. Заявленная длина контекста — 131072 токена. Языки в предоставленных сведениях не перечислены.

mlx-community/openai-privacy-filter-mxfp8 — конвертированная в формат MLX версия классификатора токенов OpenAI Privacy Filter; конверсию выполнило сообщество mlx-community с помощью mlx-embeddings 0.1.1. Модель основана на openai/privacy-filter и предназначена для обнаружения и разметки фрагментов с персональными данными в тексте. Это двунаправленная разреженная MoE-модель с 1,5 млрд параметров и примерно 50 млн активных параметров. Она размечает фрагменты в формате BIOES по восьми категориям: имена людей, электронные адреса, телефоны, URL, адреса, даты, номера счетов и секреты. Метаданные указывают 145,4 млн параметров и контекст до 131 072 токенов; модель доступна в формате Safetensors и рассчитана на запуск через MLX. Модель подходит для локального поиска и маскирования чувствительных данных в текстах. Указанная лицензия — Apache-2.0. README не сообщает об оценках качества или известных ошибках разметки.

Карточка модели open-thoughts/OpenThinker-Agent-v1-SFT на Hugging Face совпадает с карточкой baerquants/OpenThinker-Agent-v1-SFT, поэтому описание составлено по ней. OpenThinker-Agent-v1-SFT — модель baerquants, созданная в рамках открытого проекта OpenThoughts-Agent для выполнения агентных задач. Это этап supervised fine-tuning модели Qwen/Qwen3-8B: обучение проводилось на трассах OpenThoughts-Agent-v1-SFT, а последующее RL-дообучение есть в отдельной версии OpenThinker-Agent-v1. Модель с плотной архитектурой Qwen3ForCausalLM содержит 7,6 млрд параметров, принимает текст и генерирует текст; максимальная длина контекста — 40 960 токенов. Модель ориентирована на агентные сценарии разработки и работы в терминале: формирование shell-команд, выполнение задач Terminal-Bench и исправление программных ошибок, включая задачи по C# и Java из набора InferredBugs. В карточке проекта сообщаются результаты бенчмарков для версии после SFT и RL, а не этой SFT-версии отдельно. Репозиторий использует формат Safetensors, библиотеку Transformers и лицензию Apache-2.0.

Phi-4-mini-reasoning-GGUF — GGUF-квантизированная версия модели Phi-4-mini-reasoning, разработанной Microsoft. Квантизацию выполнил bartowski на основе llama.cpp, релиз b5228. Модель предназначена для генерации текста и ориентирована на многошаговое, логически сложное решение математических задач, а также на сценарии, связанные с математикой, рассуждениями и кодом. Модель поддерживает контекст длиной до 128 тысяч токенов и работает с текстовыми входными данными; в карточке указан английский язык. Точные архитектурные параметры и размер модели в README не приведены. Большое контекстное окно и специализация на последовательных рассуждениях являются её ключевыми особенностями, однако результаты могут быть неточными, поэтому математические решения и сгенерированный код требуют проверки. Модель распространяется по лицензии MIT. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность или соответствие конкретным требованиям.

Карточка модели perplexity-ai/pplx-pii-masking-vllm на Hugging Face совпадает с карточкой perplexity-ai/pplx-pii-masking-vllm-tmp, поэтому описание составлено по ней. Это преобразованная для обслуживания через vLLM версия модели Perplexity AI pplx-pii-masking. Она использует плотную архитектуру Qwen3ForTokenClassification с 507,9 млн параметров и принимает текст, присваивая токенам BIOES-метки для обнаружения имён людей, адресов электронной почты и телефонов, адресов, URL, дат, номеров счетов, секретов и других персональных данных. Дополнительный выход оценивает чувствительность последовательности. Модель поддерживает английский и демонстрирует работу на немецком; контекст по метаданным — 32 768 токенов. Веса перенесены без переобучения и квантизации: изменены формат упаковки и структура голов для совместимости с vLLM. Проверки в карточке показывают совпадение меток с исходной моделью на приведённых примерах. Для декодирования меток и оценки чувствительности нужны сырые логиты без активации. Токенизатор обрезает входы длиннее 4096 токенов, поэтому длинный текст следует обрабатывать частями; границы найденных фрагментов могут не точно совпадать с границами символов, а оценку чувствительности рекомендуется калибровать перед использованием как порога. У репозитория указана лицензия other; карточка сообщает, что модель приватна и ожидает синхронизации с официальным выпуском.

ptt5-v2-large — модель семейства T5, разработанная Unicamp-DL для португальского языка. Это продолженное предобучение контрольной точки Google T5-Large на корпусах C4 и mC4; модель содержит 385,2 млн параметров и работает с контекстом до 512 токенов. Она предназначена для текстовых задач, формулируемых как преобразование текста в текст, и использовалась как основа для обучения португалоязычных MonoT5-реранкеров. Модель принимает текст и генерирует текст. Лицензия — Apache-2.0.

Это пакет распределённого вывода модели Qwen3-30B-A3B в формате GGUF Q4_K_M, подготовленный проектом Mesh LLM на основе unsloth/Qwen3-30B-A3B-GGUF. Веса разделены на артефакты по слоям, чтобы запускать модель на локальном кластере из нескольких машин, когда целый файл не помещается на одном узле. Пакет предназначен для локального и приватного чата и генерации текста через Mesh LLM. Сервис поддерживает совместимый с OpenAI интерфейс `/v1/chat/completions`; для работы требуется Mesh LLM и машины, объединённые в кластер. Модель относится к семейству Qwen3, а квантование Q4_K_M уменьшает требования к ресурсам по сравнению с полноточными весами. Карточка пакета отсылает к исходной модели за сведениями об архитектуре, шаблоне чата, рекомендациях по генерации и лицензии, поэтому эти условия следует сверять с карточкой источника. Сведения о размере модели, контекстном окне и поддерживаемых языках в предоставленных данных отсутствуют.

Это пакет слоёв GGUF-модели Qwen3-30B-A3B-Thinking-2507-UD-Q4_K_XL для распределённого запуска в Mesh LLM. Его подготовил Mesh LLM на основе unsloth/Qwen3-30B-A3B-Thinking-2507-GGUF; веса исходной модели разбиты на артефакты по слоям для распределённого инференса. Пакет предназначен для локального приватного общения с моделью, запуска на нескольких машинах, если целая модель не помещается на одном узле, и работы через локальный API Mesh LLM, совместимый с OpenAI Chat Completions. Это разговорная модель семейства Qwen3 в формате GGUF, вариант UD-Q4_K_XL. Репозиторий использует библиотеку mesh-llm и распространяется по лицензии Apache-2.0. Архитектурные детали, число параметров, контекстное окно и языки в доступных сведениях о пакете не приведены; за ними README отсылает к карточке исходной модели.

Это пакет GGUF с весами Qwen3.5-35B-A3B-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого инференса. Он создан на основе unsloth/Qwen3.5-35B-A3B-MTP-GGUF: исходный файл модели разделён на артефакты по слоям для запуска на нескольких узлах локального кластера Mesh LLM. Модель предназначена для генерации текста и диалогов, локального приватного запуска и обслуживания запросов через совместимый с OpenAI API интерфейс Mesh LLM. Вариант UD-Q4_K_XL использует формат GGUF; исходная модель относится к семейству Qwen3. README не приводит размер модели в параметрах, длину контекста или поддерживаемые языки. Для запуска требуется Mesh LLM и доступ к узлам, предоставляющим вычисления и память. Условия лицензии следует сверить с карточкой исходной модели.