II.6Документация и сопровождение разработки

Qwen3.8-4B-Empero-AI-FullStack-i1-GGUF — квантизированная GGUF-версия модели iBotIA/Qwen3.8-4B-Empero-AI-FullStack, подготовленная mradermacher. Модель относится к семейству Qwen3.5 и ориентирована на генерацию текста, рассуждения и задачи разработки программного обеспечения, включая TypeScript, React Router v8, NestJS и Flutter. В метаданных также указана поддержка английского языка и наличие vision-возможностей, однако подробности о реализованных визуальных сценариях не приведены. Модель имеет заявленный размер 4B параметров и поставляется в нескольких вариантах квантизации i1, включая Q2_K, Q3_K, IQ3, IQ4, Q4, Q5 и Q6. Размер файлов составляет примерно от 2,1 до 3,7 ГБ, что делает модель пригодной для локального запуска на системах с ограниченными ресурсами. В README отмечены компромиссы между скоростью, качеством и размером: Q4_K_S описан как сбалансированный вариант, Q4_K_M — как быстрый и рекомендуемый, а некоторые IQ-квантизации могут превосходить сопоставимые по размеру варианты. К ограничениям относятся неизбежная потеря качества при низкой точности квантизации, отсутствие приведённых результатов тестирования и неизвестные параметры контекстного окна, архитектуры и точный набор поддерживаемых языков. Для vision-сценариев могут потребоваться дополнительные mmproj-файлы из статического репозитория. В метаданных указана лицензия Apache-2.0; перед использованием следует учитывать условия лицензии исходной модели.

aquaduck/Qwen3.8-Flash-Next-GGUF — это квантизированная версия каузальной языковой модели Qwen3.8-Flash-Next, разработанной командой Qwen и Alibaba Cloud. Репозиторий поддерживается Aquaduck и содержит GGUF-представление UD-Q3_K_XL, а также пакеты слоёв для поэтапной или многонодовой загрузки. Это не дообученная модель и не новый запуск обучения, а упаковка и квантизация исходных весов. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через совместимые инструменты, в частности llama.cpp, а также staged loading через экосистему Aquaduck Arc. Заявлены мультиязычная поддержка, контекст до 262 144 токенов и около 180 млрд параметров. Архитектура включает 48 слоёв, GQA с 24 Q- и 2 KV-головами и скрытое измерение 2560. К преимуществам относятся большой контекст, мультиязычность, возможность локального запуска в формате GGUF и поддержка поэтапной загрузки для распределённых конфигураций. Ограничения связаны с крупным размером модели и снижением качества по сравнению с более точными версиями из-за квантизации UD-Q3_K_XL. Отдельные shard-файлы не являются полноценной моделью и не предназначены для прямого запуска в стандартном llama.cpp. Лицензия указана как other и наследуется от базовой модели; необходимо соблюдать условия лицензии и рекомендации исходной карточки модели.

YTan2000 выпустил GGUF-сборку Qwen3.8 Flash Next с квантизацией TurboQuant TQ3_4S примерно до 4 бит на вес. В основе — MoE-модель с общим набором экспертов, 48 слоями и 176,9 млрд параметров; заявленный исходный контекст составляет 262 144 токена. Эта сборка предназначена для текстового диалога и генерации, включая задачи программирования. В отличие от исходной модели, в ней нет компонентов для обработки изображений и черновых слоёв MTP. Пять файловых частей занимают около 110 GiB. В README приведена проверенная конфигурация запуска на машине с NVIDIA GB10 и 128 ГБ объединённой памяти; для работы требуется специальная версия TurboQuant runtime. Указанные результаты бенчмарков относятся к этой сборке при контексте 32K и заданных настройках рассуждения. Лицензия указана как other, поэтому условия использования следует сверить с карточкой и лицензией исходной модели.

Qwen3-Coder-23B-A3B-KREAP-MLX — это созданная RAS-LAB сжатая версия инструктивной модели Qwen3-Coder-30B-A3B-Instruct для генерации текста и кода, диалогов и работы с инструментами. Модель использует архитектуру MoE и доступна в формате safetensors для MLX и Transformers; в README указаны около 23 млрд параметров и 3,3 млрд активных, тогда как метаданные каталога указывают 2,6 млрд параметров. Контекст — до 262 144 токенов. Модель получена однопроходным удалением экспертов K-REAP без дообучения: число маршрутизируемых экспертов на слой сокращено со 128 до 96, при этом сохранены top-8 и корейские пути экспертов. По приведённым в карточке тестам, это помогает сохранить качество на корейском языке при небольшом снижении результатов по ряду корейских, английских и программных бенчмарков. Предназначена для программирования, рассуждений, математических задач и корейско-английских диалогов. Лицензия — Apache-2.0.

NexVeridian/Qwen3-Coder-Next-8bit — это конвертированная в формат MLX 8-битная версия модели Qwen/Qwen3-Coder-Next. Конвертацию выполнил пользователь или организация NexVeridian с использованием библиотеки mlx-lm версии 0.31.3; исходная модель разработана командой Qwen. Модель предназначена для генерации текста, включая сценарии работы с кодом, и может использоваться в приложениях на базе MLX через библиотеку mlx-lm. Модель поддерживает текстовую генерацию и применение chat template, если он доступен в токенизаторе. В README не указаны точные архитектура, количество параметров, размер контекста, поддерживаемые языки и дополнительные модальности. 8-битное представление ориентировано на более эффективное использование памяти и вычислений в совместимой среде MLX, однако конкретные характеристики качества и производительности не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3-8B-cpt — дообученная модель семейства Qwen3, созданная на основе Qwen/Qwen3-8B-Base и набора данных cpt_data. Модель разработана автором репозитория formalmathatepfl; архитектура — плотная авторегрессионная Qwen3ForCausalLM с 7,6 млрд параметров, рассчитанная на генерацию текста. Указана оценка Loss 0,7642 на наборе для оценки. Модель подходит для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Карточка не раскрывает состав обучающих данных, языки, конкретные специализации или ограничения качества. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и сведениями в репозитории.

minjaechoi/qwen3next-80b-a3b-2p25bit-r24 — исследовательский вариант Qwen3-Next-80B-A3B-Thinking с разреженной MoE-архитектурой. Веса маршрутизируемых экспертов усечены до среднего уровня 2,25 бита, остальные веса хранятся в BF16; тензоры весов сохранены в BF16 после деквантизации. Модель предназначена для генерации текста и диалоговых сценариев, включая сложные рассуждения и работу с длинным контекстом; метаданные указывают контекст длиной до 262 144 токенов и интерфейс вызова инструментов. Размер в метаданных указан как 2,3 млрд параметров. Репозиторий использует библиотеку Transformers и формат safetensors. README сообщает, что загрузка возможна через стандартные Transformers и vLLM. Модель основана на Qwen/Qwen3-Next-80B-A3B-Thinking; лицензия наследуется от базовой модели, поэтому её условия следует проверять в карточке базы. README обозначает её как внутренний исследовательский чекпойнт.

mlx-community/Qwen3-Next-80B-A3B-Instruct-4bit — это 4-битно квантизированная версия инструкционной языковой модели Qwen3-Next-80B-A3B-Instruct, разработанной командой Qwen и преобразованной сообществом mlx-community в формат MLX с использованием mlx-lm 0.27.1. Модель предназначена для генерации текста и выполнения задач по инструкциям в приложениях, использующих экосистему MLX, включая локальный запуск через библиотеку mlx-lm. Из README известно, что модель является текстовой и относится к pipeline text-generation. В её названии указаны размер 80B и конфигурация A3B, однако подробности архитектуры, поддерживаемые языки, длина контекста и набор модальностей не приведены. Ключевое преимущество версии — 4-битное представление, потенциально уменьшающее требования к памяти при локальном использовании, но README не содержит данных о качестве, производительности или ограничениях квантизации. Модель распространяется по лицензии Apache-2.0.

Qwen3-Next-80B-A3B-Instruct-8bit — языковая модель для генерации текста и диалогового взаимодействия, разработанная сообществом mlx-community на основе Qwen/Qwen3-Next-80B-A3B-Instruct от Qwen. Модель преобразована в формат MLX с использованием mlx-lm версии 0.27.1 и предназначена для запуска через библиотеку mlx-lm. Из README известно, что это 8-битная версия модели с архитектурой и характеристиками базовой модели Qwen3-Next-80B-A3B-Instruct, однако подробности об архитектуре, фактическом числе активных параметров, поддерживаемых языках, модальностях и размере контекста не указаны. Модель ориентирована на текстовую генерацию и может использоваться в чат-сценариях через встроенный chat template. Для работы требуется библиотека mlx-lm; пример запуска предполагает загрузку модели и токенизатора средствами Python. Ключевое преимущество модели — адаптация в MLX-формат и 8-битное представление, что делает её подходящей для экосистемы MLX и потенциально снижает требования к памяти по сравнению с полноточной версией. Ограничения, результаты оценивания и особенности качества в README не описаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-Next-80B-A3B-Instruct-MLX-8bit — это 8-битная квантованная версия языковой модели Qwen3-Next-80B-A3B-Instruct, адаптированная для запуска на устройствах Apple Silicon. Исходную модель разработала команда Qwen, а MLX-квантизацию предоставила команда LM Studio с использованием mlx_lm. Модель предназначена для генерации текста и работы с широким спектром задач, поддерживаемых инструкционной языковой моделью, включая диалоговые сценарии и локальное использование через совместимую программную среду. Модель содержит 80B параметров, при этом заявлена конфигурация A3B; точная архитектура, поддерживаемые языки и размер контекстного окна в README не указаны. Формат MLX и 8-битная квантизация оптимизированы для Apple Silicon, что делает модель более подходящей для локального запуска на таких устройствах по сравнению с полноразмерной версией. Ограничениями являются зависимость от совместимого окружения MLX и оборудования Apple Silicon, а также возможные типичные для генеративных моделей ошибки, неточности и нежелательный контент. Модель распространяется по лицензии Apache-2.0. LM Studio не является разработчиком или владельцем модели и не гарантирует её точность, безопасность, доступность или соответствие конкретным требованиям.

Это квантованная в формате MXFP4 версия модели Qwen3-Next-80B-A3B-Thinking, подготовленная noctrex и опубликованная в формате GGUF. Она предназначена для генерации текста и диалогового использования; базовая модель — причинная MoE-модель Qwen для сложных рассуждений и работы с длинным текстовым контекстом. В названии базовой модели указано 80B параметров, из которых 3B активны; точную длину контекста доступные данные не сообщают. Для запуска требуется совместимая версия llama.cpp; автор рекомендует использовать актуальную версию. GGUF и MXFP4 позволяют запускать квантованную модель в совместимой среде, однако квантование может влиять на точность по сравнению с исходными весами. Лицензия в предоставленных данных не указана.

Qwen3-step32k-1e5 — диалоговая модель генерации текста на базе Qwen3 с 7,6 млрд параметров, дообученная Etienne Bamas на датасете SFT от formalmathatepfl/qwen3-cpt. Она предназначена для текстовых запросов и диалоговых сценариев; использует плотную архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. Карточка не описывает конкретные специализации, результаты оценки или известные ограничения качества. Лицензия указана как other, поэтому условия использования следует сверять с лицензией в репозитории модели и базовой модели.

RedHatAI/Qwen3-VL-235B-A22B-Instruct-FP8-dynamic — мультимодальная instruction-tuned модель, разработанная Red Hat на базе Qwen/Qwen3-VL-235B-A22B-Instruct. Она принимает текст, изображения и видео, а генерирует текст, поэтому предназначена для диалоговых сценариев, анализа визуального содержимого, ответов на вопросы по изображениям и видео, а также решения текстовых, математических, рассуждательных и визуальных задач. Модель использует архитектуру Qwen3VLMoeForConditionalGeneration и имеет 235 млрд параметров, из которых 22 млрд активируются для отдельного токена, согласно идентификатору базовой модели. Вариант FP8-dynamic применяет FP8-квантизацию весов и активаций линейных слоёв трансформерных блоков с динамической квантизацией токенов для активаций и поканальной квантизацией весов. Это примерно вдвое уменьшает объём хранения и требования к GPU-памяти по сравнению с представлением FP16. В README не указаны поддерживаемые языки и максимальная длина контекста. Для развёртывания приведён vLLM с tensor parallelism на четырёх GPU. К сильным сторонам относятся мультимодальность, снижение требований к памяти и близкое к исходной модели качество на приведённых тестах: например, восстановление показателей составляет 99,2–100,5% на задачах OpenLLM V1, включая ARC-Challenge, GSM8K, HellaSwag, MMLU и TruthfulQA. Ограничения включают необходимость производительной GPU-инфраструктуры и совместимого ПО для FP8 и формата compressed-tensors; численные результаты приведены только для ограниченного набора тестов, а влияние квантизации на другие сценарии не раскрыто. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-7B — дообученная авторегрессионная языковая модель, опубликованная c1241fes на основе unsloth/qwen2.5-7b-unsloth-bnb-4bit. Модель предназначена для генерации текста и диалогового общения; в метаданных также заявлен интерфейс вызова инструментов. При обучении использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. В карточке указан английский язык. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. README не уточняет предметную специализацию или оценку качества дообучения.

Qwen-Qwen2.5-1.5B-llamafied — версия модели Qwen2.5-1.5B, созданная llamafy и преобразованная в формат Llama для совместимости с программами, поддерживающими этот формат. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров для генерации текста и диалогов; она работает через библиотеку Transformers и принимает текст, выдавая текст. Модель рассчитана на контекст до 4096 токенов и поддерживает английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Модель подходит для чат-ботов и генерации текста, а интерфейс также отмечен как поддерживающий вызов инструментов. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не указана.

Это GGUF-квантизованная версия Qwen3-Next-80B-A3B-Instruct — инструкционной текстовой модели, разработанной Qwen. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и работы в диалоговых и прикладных сценариях, где требуется запуск через совместимые локальные инструменты, включая llama.cpp, LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Доступны варианты квантизации от Q8_0 до Q3_K и IQ3/IQ4, с размером файлов примерно от 36,6 до 84,8 ГБ. Старшие варианты обеспечивают более высокое качество, а младшие позволяют снизить требования к оперативной памяти за счёт большей потери качества. Для работы необходимо использовать указанный шаблон промпта с ролями system, user и assistant. Архитектура, максимальный контекст, поддерживаемые языки и дополнительные модальности в README не указаны. К сильным сторонам относятся широкий выбор уровней квантизации, поддержка распространённого формата GGUF и возможность локального запуска в нескольких приложениях. Ограничениями являются значительный объём файлов и неизбежный компромисс между качеством и экономией памяти при выборе низкобитных вариантов; совместимость с отдельными инструментами может зависеть от их обновления. Модель распространяется по лицензии Apache 2.0.

Qwerus-7B — языковая модель на 7,1 млрд параметров, созданная mlabonne слиянием моделей PRIME-RL/Eurus-2-7B-PRIME и Qwen/Qwen2.5-7B-Instruct методом DARE-TIES. Она предназначена для диалогов и генерации текста, в том числе для задач рассуждения и решения математических задач. Модель основана на архитектуре Qwen2, принимает текст и выдаёт текст; заявленный контекст составляет 131 072 токена. В метаданных также указана возможность работы через интерфейс вызова инструментов. Карточка приводит результаты оценки на AIME 2024 и MATH-500; в этих тестах Qwerus-7B показала более низкие значения, чем Qwen2.5-7B-Instruct. Поддерживаются китайский, английский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Модель распространяется под лицензией MIT.

Qwevolution-V0-27B — опубликованная groxaxo объединённая версия мультимодальной модели Qwen3.5-27B-Writer-V2. К весам базовой модели ConicCat/Qwen3.5-27B-Writer-V2 применён обученный адаптер LoRA для задач программирования, первоначально обученный на другой модели той же линейки. Слияние выполнено в формате bfloat16; результат опубликован в safetensors и предназначен для Transformers. Модель принимает текст и изображения и выдаёт текст; заявленная задача в Hugging Face — image-text-to-text. Адаптер затрагивал языковую часть, а его веса для 111 модулей визуальной части были нулевыми, поэтому визуальная часть осталась такой же, как у базовой модели. Карточка описывает выпуск как предназначенный для оценки, экспериментов и совместимого локального или облачного инференса. Лицензия — Apache-2.0. Ответы модели могут быть неточными; поведение и качество следует проверять для конкретного сценария. Для запуска нужна среда, совместимая с архитектурой, форматом и мультимодальностью модели; требования к оборудованию зависят от параметров запуска и доступной памяти.

Qwythos-9B-Claude-Mythos-5-1M-GGUF — это GGUF-квантизации модели Qwythos-9B-Claude-Mythos-5-1M, разработанной Empero. Модель предназначена для запуска в llama.cpp, Ollama, LM Studio, jan, KoboldCpp и других совместимых средах. Она создана на основе Qwen3.5-9B и дообучена более чем на 500 миллионах токенов трасс Claude Mythos и Claude Fable с использованием внутреннего инструмента Empero AI rethink. Модель ориентирована на рассуждения, агентские сценарии, вызов функций, анализ кибербезопасности и биомедицинских задач. Она поддерживает нативный function calling по спецификации Qwen3.5, английский язык и контекст до 1 048 576 токенов благодаря масштабированию RoPE YaRN. Это мультимодальная модель с поддержкой изображений: для обработки изображений требуется отдельный файл vision projector mmproj, унаследованный от Qwen3.5-9B. Заявлены возможности описания изображений, OCR, чтения графиков и таблиц, понимания интерфейсов и документов, а также базового пространственного анализа. Доступны варианты квантизации от Q4_K_M до Q8_0 и BF16, включая версии с MTP для спекулятивного декодирования. Q4_K_M указан как рекомендуемый компромисс между размером и качеством. Сильными сторонами являются большой контекст, рассуждения, поддержка инструментов и локального мультимодального запуска. Ограничения включают зависимость производительности и качества от выбранной квантизации, поддержки MTP конкретным рантаймом и наличия отдельного vision projector для изображений; подробные результаты оценки и полное описание возможностей находятся в карточке базовой модели. Модель распространяется по лицензии Apache-2.0.

R1-Qwen2.5-32B-Instruct-5k — дообученная pe-nlp модель на базе Qwen/Qwen2.5-32B-Instruct, обученная на наборе данных Sky-T1. Это плотная авторегрессионная языковая модель семейства Qwen2 с 32 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Контекстное окно составляет 32 768 токенов. Карточка не раскрывает конкретные сценарии обучения или результаты оценки, поэтому специализированные преимущества модели подтвердить нельзя. Лицензия указана как «other», без уточнения условий в доступных данных.

r3b-1.2 — языковая модель семейства Llama, разработанная xgmab123 и дообученная на основе xgmab123/r3b-1.1. Она предназначена для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 3,2 млрд параметров, имеет контекст до 131 072 токенов и распространяется в формате PyTorch. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Карточка указывает английский язык. Лицензия — Apache-2.0.

Radix UI Qwen 7B Fused Sep 04 2026 — языковая модель для генерации текста, опубликованная в репозитории alluriaiprojects/radix-ui-qwen-7b-fused-sep-04-2026. Модель предназначена для продолжения текста, диалоговых ответов и других сценариев text generation на английском языке. Модель содержит около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она распространяется в формате, совместимом с библиотекой MLX, и использует safetensors; в метаданных также указана принадлежность к семейству Qwen2. Теги модели включают conversational и text-generation. README не содержит сведений о лицензии, данных обучения, результатах оценки или специальных предметных областях, поэтому применимость модели для критически важных и узкоспециализированных задач требует отдельной проверки.

Модель abhinav-2k23/RAG-llama-3.1-instruct-SLERP-MERGED — объединение языковых моделей, созданное автором репозитория с помощью mergekit и метода SLERP. В объединение вошли abhinav-2k23/RAG_llama_3_1 и Meta Llama 3.1 8B Instruct; конфигурация использует диапазоны слоёв 0–32 и точность bfloat16. Модель предназначена для генерации текста в диалоговом формате. Её можно применять для ответов на вопросы и работы в сценариях RAG, однако карточка не приводит отдельной оценки этих возможностей. Архитектура — плотная LlamaForCausalLM; размер составляет 7,5 млрд параметров, контекст — до 131 072 токенов. Доступны веса в формате safetensors, библиотека Transformers и интерфейс для вызова инструментов. Карточка не указывает поддерживаемые естественные языки и конкретные ограничения качества. Для использования действуют лицензии базовых моделей; сведения о лицензии объединённого репозитория в предоставленных данных отсутствуют.

ReWiz-Nemo-12B-Instruct — языковая модель theprint, дообученная на базе unsloth/Mistral-Nemo-Instruct-2407-bnb-4bit. Это плотная Mistral-модель с 12,1 млрд параметров для диалоговой генерации текста. При обучении часть данных была ориентирована на улучшение рассуждений, а другая — на снижение ограничений на ответы; использовались EvolKit-20k, reasoning-base-20k и данные WizardLM. Модель обучалась с Unsloth и библиотекой TRL. Модель подходит для диалогов и генерации ответов на запросы на английском языке. Метаданные указывают контекст до 1 024 000 токенов и интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0; для GGUF автор указывает отдельную публикацию. В README приведены результаты оценивания на Open LLM Leaderboard, включая IFEval и BBH, но они сами по себе не гарантируют качество в конкретных сценариях.

RI-Instruct-v0.2-Merged — дообученная языковая модель RishiSpace на базе unsloth/qwen3-8b-unsloth-bnb-4bit. Это плотная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров, предназначенная для генерации текста в диалоговом формате; в метаданных также заявлен интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и генерирует текст. Указанный в метаданных размер контекста — 40 960 токенов; карточка помечает английский язык. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0. README не описывает специализированную область применения или результаты оценки качества.

ruGPT-3.5 13B — русскоязычная языковая модель авторства AI-Forever на архитектуре GPT-2 с 13 млрд параметров. Она обучена генерировать продолжение текста и предназначена для создания текстов на русском языке. Модель предварительно обучена на корпусе из разных областей объёмом около 300 ГБ, а затем дообучена на дополнительных 100 ГБ кода и юридических документов. В README указано обучение примерно на 300 млрд токенов и контекст длиной 2048 токенов. Авторы сообщают, что модель использовалась при обучении GigaChat. Модель может применяться для генерации текстов, кода и юридических документов на русском языке. Карточка предлагает экспериментировать со стратегиями генерации; в ней не приведены оценки качества по отдельным задачам. Лицензия — MIT.

RWKV-4 — языковая модель Bo Peng, обученная на наборе данных The Pile. Это плотная авторегрессионная модель архитектуры RWKV с 14,9 млрд параметров, опубликованная в формате PyTorch для библиотеки Transformers. Она предназначена для генерации продолжения текста и может применяться для создания черновиков, ответов и другого текстового содержимого по заданному контексту. Архитектура сочетает рекуррентный подход с возможностью параллельного обучения, характерной для трансформеров. В карточке заявлены быстрая генерация и экономное использование видеопамяти, однако конкретные оценки качества и длина контекста не приведены. Модель обучена на Pile; поддерживаемые языки отдельно не перечислены. Лицензия в предоставленных данных не указана.

rwkv7-7.2B-g0 — мультиязычная языковая модель семейства RWKV-7, разработанная Бо Пэном, Ю Чжаном, Сонглином Яном, Жуйчуном Чжаном и Чжиюанем Ли при поддержке RWKV Project в рамках LF AI & Data Foundation. Это плотная авторегрессионная модель на 7,8 млрд параметров в формате flash-linear attention; в README указаны 7,2 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия, использует токенизатор RWKV World с размером словаря 65 536 и имеет контекст 2 048 токенов. В метаданных среди языков указаны английский, китайский, японский, корейский, французский, арабский, испанский и португальский. Модель основана на BlinkDL/rwkv7-g1 и распространяется в формате safetensors. Для запуска README рекомендует установить flash-linear-attention и Transformers версии 4.48.0 или новее. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества и подробных ограничений применения.

SamChat — текстовая генеративная модель на архитектуре Mistral, созданная слиянием моделей Intel/neural-chat-7b-v3-3 и cognitivecomputations/samantha-mistral-7b. В README также указан macadeliccc/WestLake-7B-v2-laser-truthy-dpo как базовая модель конфигурации слияния. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. SamChat предназначена для генерации текста и диалогового взаимодействия. Карточка приводит результаты оценок на бенчмарках рассуждений и здравого смысла, включая AI2 Reasoning Challenge и HellaSwag, но не описывает отдельную специализацию. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

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