II.6Документация и сопровождение разработки

Ornith-1.5-9B-GGUF — это набор квантованных форматов GGUF для модели Ornith-1.5-9B, подготовленный пользователем NANI-Nithin на основе базовой модели ornith-ai. Модель относится к семейству Qwen3.5 и предназначена для запуска локального текстового вывода в llama.cpp, LM Studio, Ollama с импортом GGUF, KoboldCpp и других совместимых средах. Базовая модель содержит 9 миллиардов параметров и использует плотную архитектуру без маршрутизируемых экспертов: 32 трансформерных слоя, гибридное внимание с линейным механизмом Gated DeltaNet и полноформатным вниманием, а также позиционное кодирование MRoPE. Представленные файлы предназначены только для работы с текстом. В метаданных указан английский язык; размер контекста в README не указан. Доступны стандартные и IQ-квантизации от 2- до 8-битного уровня. Q2_K и IQ2_M экономят максимум памяти, Q4_K_M предлагают компромисс между качеством и размером, а Q8_0 обеспечивают наивысшее качество среди вариантов репозитория. Квантизация уменьшает требования к памяти, но может снижать точность по сравнению с исходными весами. README также сообщает, что заявленный в исходной конфигурации слой MTP для предсказания следующего токена отсутствует в опубликованных весах, поэтому метаданные GGUF были исправлены в соответствии с фактической структурой модели. Лицензия — Apache-2.0.

Карточка модели anonymous-bird-72/Ouro-1.4B на Hugging Face совпадает с карточкой ByteDance/Ouro-1.4B, поэтому описание составлено по ней. Ouro-1.4B — языковая модель ByteDance с архитектурой LoopLM: decoder-only Transformer, который повторно использует общие веса при рекуррентных вычислениях. Модель содержит 1,3 млрд параметров по метаданным Hugging Face; в README указано 1,4 млрд, 24 слоя и 4 рекуррентных шага. Максимальная длина контекста — 65 536 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая рассуждения с вычислениями в латентном пространстве. Поддерживает адаптивный ранний выход, позволяющий менять расход вычислений; заявленная сильная сторона — эффективность по числу параметров. README сообщает о сопоставимости с обычными трансформерами на 3–4 млрд параметров, но не приводит здесь подробностей оценки. Для запуска рекомендуется Transformers 4.56.0; vLLM не поддерживает адаптивный выход, поэтому при его использовании выполняются все рекуррентные шаги. Модель предоставлена «как есть», без гарантий для производственного применения. Лицензия — Apache-2.0.

Ramikan-BR/P3-mini-v6 — дообученная разговорная языковая модель на 3,7 млрд параметров для генерации текста и ответов на инструкции. В карточке приведён пример создания игры «Змейка» на Python с библиотекой Pygame; модель предназначена для подобных запросов на написание кода и других диалоговых задач. Модель основана на unsloth/Phi-3-mini-4k-instruct-bnb-4bit. В метаданных указана архитектура MistralForCausalLM, контекст до 4096 токенов и поддержка английского языка. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не содержит оценок качества или подробных результатов тестирования.

amd/PARD-Llama-4-1B — компактная авторегрессионная языковая модель семейства Llama, опубликованная AMD в рамках проекта PARD. В карточке указаны 1,4 млрд параметров, контекст до 131 072 токенов, архитектура LlamaForCausalLM и формат safetensors. Модель предназначена для генерации текста и диалогов; заявлена поддержка интерфейса вызова инструментов. README описывает PARD как метод спекулятивного декодирования, который адаптирует черновые авторегрессионные модели для параллельного предсказания токенов и ускорения инференса. В нём заявлены ускорения по сравнению с обычной генерацией и возможность применять одну черновую модель с семейством целевых моделей. Однако в таблице весов README перечислены варианты PARD для Llama 3.2, Qwen и DeepSeek-R1-Distill-Qwen, но не указана модель Llama 4; поэтому связь именно этого репозитория с описанной адаптацией PARD из карточки подтвердить нельзя. Модель принимает и генерирует текст. Метаданные указывают лицензию MIT. README отсылает за инструкциями по использованию к репозиторию PARD; сравнительные показатели ускорения относятся к описанному методу и интеграциям, а не подтверждены отдельно для этих весов.

Это GGUF-сборка дообученной модели Phi-2, подготовленная afrideva на основе anilbhatt1/phi2-oasst-guanaco-bf16-custom. Базовую microsoft-phi2 дообучили методом QLoRA на датасете timdettmers/openassistant-guanaco; эта публикация содержит файлы в форматах FP16 и GGUF с вариантами квантования от Q2_K до Q8_0. Модель предназначена для генерации текста в диалоговом стиле и ответов на запросы, в том числе для локального запуска; в README указана возможность запуска на GPU T4 в Colab. Лицензия репозитория — MIT. В карточке не приведены сведения о поддерживаемых языках и длине контекста.

Это GGUF-квантизированная версия языковой модели Phi-3.5-mini-3.8B-ArliAI-RPMax-v1.1, опубликованная и квантизированная пользователем bartowski на основе модели ArliAI. Модель предназначена для генерации текста и может запускаться локально через llama.cpp и LM Studio. В README также указан формат промптов с ролями system, user и assistant. Модель содержит около 3,8 млрд параметров и относится к текстовым моделям; сведения о поддерживаемых языках, максимальной длине контекста и точной архитектуре в README не приведены. Доступны варианты от F16 до различных уровней квантования GGUF, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ3/IQ4. Варианты с более низким размером требуют меньше оперативной памяти, но могут уступать по качеству; Q6_K_L, Q6_K, Q5_K и Q4_K представлены как рекомендуемые, а отдельные варианты оптимизированы для ARM-процессоров. К сильным сторонам относятся широкий выбор квантованных файлов, возможность локального запуска и компромисс между качеством и требованиями к памяти. Ограничения включают отсутствие в предоставленных данных результатов оценки, подробностей обучения, перечня языков, контекстного окна и характеристик мультимодальности. Лицензия модели указана как MIT.

MaziyarPanahi/Phi-3-Context-Obedient-RAG-GGUF — это квантизированная версия языковой модели TroyDoesAI/Phi-3-Context-Obedient-RAG, подготовленная MaziyarPanahi в формате GGUF. Модель предназначена для генерации текста и диалоговых сценариев, в том числе задач retrieval-augmented generation (RAG), где требуется работать с предоставленным контекстом и следовать ему. Модель относится к семейству Phi-3; README не указывает точный размер, архитектурные параметры, длину контекста, поддерживаемые языки или мультимодальные возможности. Доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством. Формат GGUF поддерживается llama.cpp и совместимыми инструментами, включая llama-cpp-python, LM Studio и text-generation-webui, поэтому модель подходит для локального запуска и интеграции в приложения. Сильными сторонами являются локальное использование, широкий выбор уровней квантизации и специализация исходной модели на контекстно-ориентированной генерации для RAG. Ограничения включают отсутствие в README подробных результатов оценки, характеристик производительности и гарантии качества для конкретных языков или прикладных сценариев. Для модели указана лицензия CC BY-SA 4.0.

Модель Syed-Hasan-8503/Phi-3-mini-4K-instruct-cpo-simpo — диалоговая языковая модель семейства Phi-3, созданная на основе Phi-3-mini-128K-instruct с оптимизацией предпочтений CPO-SimPO. Она предназначена для выполнения инструкций и генерации ответов в чате; автор README сообщает об улучшениях на GSM8K и TruthfulQA, но подробные результаты оценки не приведены. Модель содержит 3,7 млрд параметров, использует архитектуру Phi3ForCausalLM и принимает текст с контекстом до 4096 токенов. Весовые файлы представлены в формате safetensors. Лицензия — Apache-2.0. README описывает сочетание поведенческого клонирования, нормализации длины и целевых порогов награды, однако не приводит данных об обучающих наборах или подробных ограничениях модели.

Quazim0t0/Phi4.Turn.R1Distill_v1.5.1-Tensors — языковая модель для генерации текста и диалогов, созданная как дообучение unsloth/phi-4-unsloth-bnb-4bit. Модель содержит 14,1 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 16 384 токенов. Модель предназначена для генерации ответов и рассуждений в текстовом формате. В метаданных указаны англоязычные данные для обучения, включая наборы Bespoke-Stratos, Sky-T1, BenfordsLawReasoningJSON и OpenThoughts. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Карточка отмечает, что проект создан в начале 2025 года и его результаты оценки устарели относительно более новых моделей. Поэтому качество следует проверять на актуальных задачах перед применением.

teknium/Phi-Hermes-1.3B — языковая модель для генерации текста, созданная дообучением Phi-1.5 на наборе OpenHermes. В карточке указано, что OpenHermes содержит более 240 тысяч преимущественно синтетических примеров, созданных GPT-4. Архитектура — MixFormer Sequential, модель плотная; формат весов — PyTorch safetensors. Контекстное окно составляет 2048 токенов. Модель предназначена для генерации ответов и выполнения инструкций в текстовом формате. В README приведён фрагмент шаблона запроса с секцией Instruction, но конкретные сценарии применения не описаны. В карточке указано, что при инференсе не следует использовать device_map="auto"; также автор сообщает о проблемах с fp16 и рекомендует bf16. Лицензия обозначена как other, поэтому условия использования следует уточнить в репозитории.

phixtral-4x2_8 — языковая модель на архитектуре Mixture of Experts, созданная Mlabonne путём объединения четырёх моделей Microsoft Phi-2 по мотивам Mixtral-8x7B. В конфигурацию вошли cognitivecomputations/dolphin-2_6-phi-2, lxuechen/phi-2-dpo, Yhyu13/phi-2-sft-dpo-gpt4_en-ep1 и mrm8488/phi-2-coder; маршрутизация экспертов использует режим cheap_embed. Модель предназначена для генерации текста, диалогов и кода на английском языке. В README приведено сравнение с отдельными моделями Phi-2 на наборе Nous suite: средний результат phixtral-4x2_8 составил 47,7; условия тестирования описаны кратко, поэтому эти цифры не гарантируют аналогичное качество в других задачах. Контекст — 2048 токенов. Репозиторий содержит веса Safetensors, а лицензия — MIT. В README также упомянута возможность запуска в 4-битной точности на GPU T4.

EnlistedGhost/Pixtral-12B-Ollama-GGUF — это мультимодальная модель Pixtral-12B в формате GGUF, адаптированная автором EnlistedGhost для нативной работы с Ollama. Модель основана на mistral-community/pixtral-12b, который, в свою очередь, относится к семейству Pixtral от Mistral. Релиз включает рабочие файлы vision projector (mmproj), поэтому поддерживает обработку текста и изображений. Модель предназначена для диалогового взаимодействия, генерации текста и задач image-text-to-text, включая анализ изображений по текстовым запросам. Заявлена поддержка английского и русского языков. Доступны варианты с разными уровнями квантования GGUF — от наиболее компактных IQ2 и Q2 до Q8_0 и F16, что позволяет выбирать между требованиями к памяти и качеством вывода. Указанный размер модели — 12B параметров; максимальный размер контекста в карточке не приведён. К сильным сторонам относятся готовность к использованию в Ollama без дополнительной настройки и наличие мультимодальной поддержки. Ограничения связаны с использованием квантованных вариантов: качество и требования к ресурсам зависят от выбранного типа квантования. Сведения о точных результатах оценки, аппаратных требованиях и ограничениях применения отсутствуют. Модель распространяется по лицензии Apache-2.0.

Pluto-Genesis-0.6B — компактная языковая модель для следования инструкциям, разработанная в рамках исследовательского проекта Pluto AI Сиддхартом Н. Р. и дообученная на базе Qwen3-0.6B методом QLoRA. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 507,9 млн параметров; метаданные указывают контекст до 40 960 токенов и формат safetensors. Модель предназначена для диалогов и генерации ответов на инструкции, включая рассуждения, решение математических задач и генерацию или отладку кода. При обучении использовано 80 тысяч примеров из OpenHermes-2.5, Orca-Math-200K и CodeFeedback-Filtered. Карточка описывает проект как исследование эффективного дообучения небольших моделей; результаты бенчмарков на момент её публикации ещё оценивались. Модель распространяется по лицензии Apache-2.0. Указанная в карточке рекомендация загружать 4-битные веса относится к настройке инференса, а не к основному формату репозитория. Размер модели ограничивает её возможности в сложных задачах; опубликованных результатов бенчмарков в карточке пока нет.

ChaoticNeutrals/Poppy_Porpoise-v0.4-L3-8B — объединённая разговорная модель семейства Llama, распространяемая в формате Safetensors. По метаданным, в её основе объединение cognitivecomputations/dolphin-2.9-llama3-8b и Nitral-AI/Poppy_Porpoise-v0.3-L3-8B; размер составляет 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для диалоговой генерации текста. README сообщает о восстановленных возможностях обработки изображений: для работы с ними требуется загрузить файл mmproj из репозитория и использовать актуальную версию Koboldcpp. Метаданные при этом указывают text-generation и возможность чата, поэтому поддержку изображений следует считать заявленной в README, но не отражённой в pipeline-теге. Лицензия указана как other, без конкретизации условий в предоставленных данных.

Poro-34B-chat — это чат-модель LumiOpen, созданная в сотрудничестве SiloGen (Silo AI), группы TurkuNLP Университета Турку и проекта High Performance Language Technologies. Она получена дообучением с учителем базовой Poro-34B на наборах инструкций на финском и английском языках; около 40% примеров англоязычные, 40% финноязычные и 20% межъязыковые. Модель основана на плотной архитектуре BLOOM, содержит 45,3 млрд параметров и использует библиотеку Transformers и формат safetensors. Модель предназначена для диалогов и выполнения инструкций на финском и английском. Она также способна писать код и выполнять базовый перевод между этими языками. Для диалога используется шаблон ChatML. В карточке приведены оценки MTBench на английском и финском языках; они показывают неодинаковое качество по категориям, в частности более низкие результаты в математике и программировании. Модель выпущена под лицензией Apache-2.0. Среди ограничений — ограниченный объём финноязычных данных для настройки инструкций; часть финских обучающих примеров получена машинным переводом англоязычных наборов. Количественные результаты бенчмарков не гарантируют качество в конкретных прикладных задачах.

Tarek07/Progenitor-V3.3-LLaMa-70B — экспериментальная объединённая языковая модель на архитектуре Llama 3.3, созданная автором репозитория с помощью mergekit. В качестве основы использована meta-llama/Llama-3.3-70B-Instruct; в объединение также вошли EVA-LLaMA-3.33-70B-v0.1, модели Sao10K, Negative_LLAMA_70B и Anubis-70B-v1. Метод слияния — Linear DELLA. Модель содержит 69,5 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый режим и имеет контекстное окно до 131 072 токенов. Она предназначена для экспериментов с генерацией текста и диалоговым ассистентом. Автор характеризует её как тестовую модель и отмечает субъективное улучшение относительно своих предыдущих версий, но не приводит оценок или результатов сравнительного тестирования. Указана лицензия llama3.3. Практическое использование и распространение должны соответствовать условиям этой лицензии и применимым условиям лицензий исходных моделей, вошедших в слияние.

Quasar-10B — языковая модель SILX AI для генерации текста и работы с длинным контекстом. Она основана на Qwen3.5-9B-Base, но её архитектура переработана: часть механизмов внимания заменена на Gated Linear Attention (GLA), а позиционные эмбеддинги RoPE удалены. Модель имеет около 10 млрд параметров и нативное контекстное окно 2 097 152 токена. Модель предназначена прежде всего для генерации синтетических рассуждений и передачи знаний при подготовке Quasar 22B MoE. Заявленные направления применения включают задачи с длинным контекстом, математику, STEM и код; метаданные также отмечают чат-возможности и языки английский и арабский. GLA обеспечивает линейную сложность обработки последовательностей, однако заявленная возможность работы за пределами обучающего контекста не подтверждена отдельными данными об оценке качества. Для запуска указана библиотека Transformers, веса представлены в формате safetensors. Лицензия Apache-2.0.

KnutJaegersberg/Qwen-14B-Llamafied — преобразованная версия Qwen-14B, созданная для совместимости с программной экосистемой Llama. По карточке модели, автор применил скрипт преобразования и использовал исходный токенизатор CausalLM. Модель предназначена для генерации текста и запуска в инструментах, рассчитанных на архитектуру Llama. В метаданных указаны 13,4 млрд параметров, архитектура LlamaForCausalLM, формат PyTorch и контекст длиной до 8192 токенов. В README приведены результаты Open LLM Leaderboard: средний балл 63,09, включая 55,20 на AI2 Reasoning Challenge и 82,31 на HellaSwag. Лицензия обозначена как other; конкретные условия использования следует проверять у автора.

trl-lib/qwen1.5-1.8b-sft — дообученная командой trl-lib языковая модель семейства Qwen2 на базе Qwen/Qwen1.5-1.8B. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2ForCausalLM и распространяется в формате safetensors. Она предназначена для генерации текста и диалоговых сценариев; контекстное окно — до 32 768 токенов. При дообучении использован датасет HuggingFaceH4/deita-6k-v0-sft. В карточке приведено значение loss 1,0886 на наборе оценки, но подробности оценки и гарантии качества не описаны. Лицензия указана как other, поэтому конкретные условия использования следует проверить в репозитории модели и базовой модели.

duyntnet/Qwen1.5-7B-Chat-imatrix-GGUF — набор квантованных вариантов модели Qwen1.5-7B-Chat, разработанной командой Qwen. Модель предназначена для генерации текста и диалоговых сценариев, включая работу в формате чата и ответы на пользовательские запросы. Она распространяется в формате GGUF с использованием imatrix и рассчитана на запуск через совместимые клиенты и интерфейсы, такие как llama.cpp, JanAI, KoboldCPP, text-generation-webui, Ollama и GPT4All. Исходная модель относится к классу авторегрессионных текстовых языковых моделей с размером 7B параметров и поддерживает применение chat template для сообщений с ролями system и user. В README явно указан английский язык; сведения о других языках, длине контекста, точной архитектуре и характеристиках отдельных вариантов квантования не приведены. К преимуществам относятся возможность локального запуска и выбор различных квантованных конфигураций, однако квантование может снижать точность по сравнению с исходной моделью, а требования к ресурсам зависят от конкретного варианта. Лицензия указана как other, без дополнительных условий в представленном README. Модель предназначена для text generation; режим inference в карточке не заявлен как встроенный.

MaziyarPanahi/Qwen1.5-8x7b-v0.1 — языковая модель, дообученная MaziyarPanahi на наборе Crystalcareai/MoD-150k. По описанию, при создании объединили восемь дообученных вариантов Qwen1.5-7B в MoE-модель, а затем снова дообучили её на этом наборе. Архитектура указана в метаданных как MixtralForCausalLM с механизмом Mixture of Experts; формат весов — safetensors. В README приведено 38,0 млрд параметров, тогда как метаданные указывают 7,1 млрд, поэтому размер модели нельзя однозначно определить по предоставленным сведениям. Модель предназначена для генерации текста и диалогового использования через Transformers. Указанное в метаданных максимальное окно контекста — 32 768 токенов. В README приведён результат оценки Loss 0,7945, но нет описания протокола оценки или подробностей обучающих данных, кроме названия датасета. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять на странице модели и в лицензии базовой модели.

Qwen-1.5B-ASVD-Healed — авторегрессионная языковая модель на архитектуре Qwen2, разработанная на основе Qwen/Qwen2.5-1.5B. Она предназначена для генерации текста, диалогов и локального запуска в условиях ограниченных ресурсов, а также для пакетной обработки с меньшими затратами памяти и вычислений. Модель с 1,5 млрд параметров сжата методом Activation-Aware Singular Value Decomposition: в целевых линейных слоях удалено около 72,4 млн параметров. После сжатия веса дополнительно дообучили с помощью LoRA для восстановления связности генерации, затем адаптеры объединили с весами. Указана длина контекста 131 072 токена; доступны файлы Safetensors и GGUF в вариантах F16 и Q4_K_M. Модель работает как стандартная модель Transformers без отдельного декодера. Модель подходит для локального вывода и высокопроизводительной пакетной генерации. По заявлению автора, грамматическая связность после сжатия восстановлена, однако точность редких и тонких фактических ответов может быть ниже, чем у исходной модели. Лицензия — Apache-2.0.

Qwen-1.8B — 阿里云研发的通义千问系列 базовая предварительно обученная языковая модель на архитектуре Transformer с 2,3 млрд параметров. Модель обучена на корпусе объемом более 2,2 трлн токенов, включающем веб-тексты, книги, код, математику и материалы из разных областей. Это базовая модель для генерации продолжения текста; отдельная версия Qwen-1.8B-Chat обучена с выравниванием и предназначена для диалогового взаимодействия. Модель использует 24 слоя, 16 голов внимания, размерность скрытого представления 2048, позиционные кодировки RoPE, активацию SwiGLU и нормализацию RMSNorm. Контекст — до 8192 токенов. Токенизатор на основе tiktoken имеет словарь более 150 тысяч токенов; заявлена поддержка китайского, английского, кода и ряда других языков, включая русский. Модель подходит для генерации текста и продолжения подсказок, в том числе для задач на китайском и английском языках, а также для адаптации к отдельным предметным задачам. README сообщает о вариантах квантования int4 и int8 с меньшими требованиями к памяти, однако данный репозиторий содержит веса в формате safetensors. Для базовой модели не заявлено диалоговое выравнивание; ответы могут быть непоследовательными или фактически неверными, а качество для конкретных задач требует проверки. Условия лицензии в предоставленных данных не описаны.

Модель artificialguybr/QWEN-2-1.5B-Synthia-II-Redmond — дообученная версия Qwen2-1.5B, созданная автором artificialguybr при поддержке Redmond.ai. Это плотная причинная языковая модель на 1,5 млрд параметров, обученная следовать инструкциям на наборе Synthia v1.5-II из более чем 20,7 тыс. примеров. Она предназначена для генерации и продолжения текста, выполнения инструкций и диалоговых сценариев; использует библиотеку Transformers и формат PyTorch. Модель наследует от Qwen2 возможности понимания и генерации текста, обработки структурированных данных, работы с несколькими языками и длинным контекстом. В метаданных указан родной контекст до 131 072 токенов; карточка описывает многоязычные возможности базовой модели, но указывает английский как язык этой модели. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; как компактная модель, она может уступать более крупным моделям в сложных задачах.

djuna/Qwen2-2B-Instruct — языковая модель для диалога и генерации текста, созданная слиянием слоёв Qwen/Qwen2-1.5B-Instruct методом passthrough с помощью mergekit. Модель имеет плотную архитектуру Qwen2ForCausalLM и содержит 2,2 млрд параметров; для работы используется библиотека Transformers и формат safetensors. Контекст — до 32 768 токенов. Модель предназначена для ответов на запросы и генерации текста в диалоговом формате. Базовая Qwen2-1.5B-Instruct описана как компактная модель для диалогов, программирования и математических задач, однако отдельные специализированные возможности этой версии не подтверждены. В README указана лицензия? Нет сведений об условиях использования в предоставленных данных.

Fontella/Qwen2.5-0.5B-Instruct-Gensyn-Swarm-prowling_skittish_mink — дообученная диалоговая языковая модель на базе unsloth/Qwen2.5-0.5B-Instruct. Модель обучали с TRL; архитектура — плотная Qwen2ForCausalLM, размер — 494 млн параметров. Она предназначена для генерации текста в ответ на инструкции и вопросы, в том числе в формате диалога. Модель принимает текст и выдаёт текст. Контекст — до 32 768 токенов. В карточке не описаны специализированные области применения или отдельные языковые ограничения, поэтому её можно рассматривать как компактную модель общего назначения. Доступ к весам предоставлен в формате safetensors; лицензия в доступных данных не указана.

Qwen2.5-0.5B-Instruct-Gensyn-Swarm-sizable_pawing_alpaca — компактная плотная языковая модель для генерации текста и диалогов. Это дообученная с помощью TRL версия unsloth/Qwen2.5-0.5B-Instruct, опубликованная разработчиком devve69. Модель содержит 494 млн параметров, построена на архитектуре Qwen2 и имеет контекстное окно 32 768 токенов. Модель принимает текстовые запросы и может использоваться для диалога, выполнения инструкций и генерации ответов. В метаданных также отмечен интерфейс вызова инструментов. Она загружается через Transformers; в карточке приведён пример генерации ответа на вопрос. Карточка не описывает специальную предметную область или отдельные языки обучения. Условия лицензии в предоставленных данных не приведены.

Whalan/Qwen2.5-0.5B-Instruct-Gensyn-Swarm-tall_small_coral — дообученная компанией или автором Whalan диалоговая языковая модель на базе unsloth/Qwen2.5-0.5B-Instruct. Она предназначена для генерации текста и ответов на запросы в формате чата; карточка показывает пример ответа на открытый вопрос. Модель имеет плотную архитектуру Qwen2, содержит 494 млн параметров и поддерживает контекст до 32 768 токенов. Для работы используются Transformers и формат весов safetensors; модель обучалась с помощью TRL в рамках проекта Gensyn Swarm.

Mungert/Qwen2.5-0.5B-Instruct-GGUF — это компактная инструкционная языковая модель семейства Qwen2.5, разработанная командой Qwen при участии Alibaba Cloud. Модель предназначена для диалоговых сценариев, генерации текста, следования инструкциям, работы со структурированными данными и создания структурированных ответов, включая JSON. Она также ориентирована на задачи программирования и математики, однако из-за небольшого размера её возможности ограничены по сравнению с более крупными моделями. Модель представляет собой causal language model на архитектуре Transformer с RoPE, SwiGLU, RMSNorm, смещениями в QKV-матрицах внимания и связанными эмбеддингами слов. Она содержит около 0,49 млрд параметров, из которых 0,36 млрд не относятся к эмбеддингам, 24 слоя и Grouped Query Attention с 14 головами для Q и 2 для K/V. Полная длина контекста составляет 32 768 токенов, максимальная длина генерации — 8192 токена. Поддерживаются более 29 языков, включая английский, китайский, французский, испанский, немецкий, русский, японский, корейский, арабский и другие. Модель работает с текстом и не предназначена для мультимодальных задач. К сильным сторонам относятся малый размер, улучшенное следование инструкциям, генерация длинных текстов, устойчивость к различным системным промптам и поддержка структурированного вывода. Ограничениями являются компактная ёмкость модели и отсутствие заявленной поддержки изображений, аудио или других модальностей; подробные показатели производительности в README не приведены. Модель распространяется по лицензии Apache 2.0.

Модель anggapradana/qwen2-5-1-5b-grpo-id разработана anggapradana как дообученная версия anggapradana/qwen2-5-1-5b-alpaca-id на архитектуре Qwen2. Это плотная авторегрессионная языковая модель с 1,5 млрд параметров для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Контекст составляет до 32 768 токенов. Модель предназначена для текстовых запросов и генерации ответов в диалоговых сценариях. В карточке указано, что обучение проводилось с Unsloth и библиотекой TRL. Модель принимает и выдаёт текст; в метаданных отмечен английский язык, а идентификатор базовой модели содержит указание на индонезийскую Alpaca-версию, поэтому её пригодность для индонезийского языка вероятна, но отдельно не подтверждена. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или конкретных ограничений; параметры и длительность контекста сами по себе не гарантируют точность ответов или надёжность вызова инструментов.