II.6Документация и сопровождение разработки

Josiefied-Qwen3-4B-abliterated-v1 — диалоговая языковая модель, разработанная Gökdeniz Gülmez на основе Qwen3-4B. Модель дообучена с изменением отказного поведения, чтобы давать более открытые ответы, сохраняя следование инструкциям и интерфейс вызова инструментов. Она предназначена для генерации текста и диалогов, выполнения инструкций и сценариев, где нужна менее строгая фильтрация ответов. Архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров; нативное контекстное окно составляет 40 960 токенов. В репозитории указаны веса safetensors, а также варианты GGUF и MLX. Модель может генерировать чувствительные или спорные ответы из-за ослабленных защитных ограничений. Лицензия в предоставленных данных не указана.

JOSIExMistral-7B-v0.32 — текстовая авторегрессионная модель семейства Mistral, опубликованная Goekdeniz Guelmez и основанная на Mistral-7B-Instruct-v0.2. Автор добавил пользовательские специальные токены и описывает модель как основу для дальнейшего обучения на собственном наборе данных. В метаданных указана связь дообучения с mistralai/Mistral-7B-Instruct-v0.3; сведения о базовой версии в README и метаданных расходятся. Модель имеет около 7,1 млрд параметров, архитектуру MistralForCausalLM и принимает текст для генерации текста, в том числе диалоговых ответов. Контекст — до 32 768 токенов; заявленная библиотека — Transformers, формат файлов — Safetensors. README не сообщает, на каких языках обучалась или проверялась модель. Лицензия в предоставленных сведениях не указана. Карточка описывает изменённые BOS/EOS-токены, но не приводит их значения в доступном тексте и не содержит оценки качества или подробностей обучения; совместимость с шаблонами токенизации и инструкций базовой модели может отличаться.

K2-Horizon-7B-Uno MLX 4-bit — 8-миллиардная плотная авторегрессионная языковая модель для генерации текста и диалогов, опубликованная hermitdave. Она основана на IFM/K2-Horizon-7B-Uno, модели Institute of Foundation Models, и описана как языковая модель с дополнением на основе диффузии. В этой версии адаптер LoRA объединён с базовыми весами, после чего модель равномерно квантована до 4 бит и преобразована в формат MLX для запуска на Apple Silicon. Модель предназначена для генерации ответов и пошаговых рассуждений в диалоговом режиме. Заявленная длина контекста — 524 288 токенов. Для работы с MLX используется библиотека mlx-lm; README также указывает, что для K2-Horizon в oMLX требуется версия 0.6.4 или новее с соответствующим патчем. Модель распространяется по лицензии Apache 2.0. Квантование до 4 бит может влиять на точность по сравнению с исходными весами; независимые оценки качества в предоставленных материалах отсутствуют.

KangalKhan-RawRuby-7B — разговорная текстовая модель, созданная Yuma42 путём слияния моделей KangalKhan-Ruby-7B-Fixed и KangalKhan-RawEmerald-7B с помощью LazyMergekit. Она предназначена для генерации текста в формате диалога и ответов на вопросы; в README приведён пример шаблона ChatML и результаты оценок на Open LLM Leaderboard. Модель основана на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса SafeTensors; README также упоминает варианты GGUF. Лицензия — Apache-2.0. Автор сообщает, что некоторые варианты GGUF могут изредка выдавать опечатки, и рекомендует в таком случае использовать вариант Q4_K_S. Оценки из таблиц README не гарантируют качество на конкретных пользовательских запросах.

trinhkhng/karcher_Merged_gpt2-large_0.1 — языковая модель авторегрессионной архитектуры GPT-2, созданная объединением предварительно обученных моделей с помощью метода среднего Кarcher в инструменте mergekit. В слиянии участвовали GPT-2 Large и debias_gpt2-large; токенизатор взят из GPT-2 Large. Репозиторий содержит веса в формате safetensors и предназначен для генерации текста через Transformers. Модель подходит для продолжения заданного текста и других сценариев генерации на основе текстового запроса. Указанное контекстное окно — 1024 токена. README не описывает отдельные языковые или прикладные специализации и не приводит результаты оценки качества. Лицензия в предоставленных данных не указана.

Karma Electric v9 (KE-v9) — диалоговая языковая модель на базе Apertus-8B-Instruct-2509, дообученная разработчиком репозитория методом QLoRA. Она предназначена для генерации ответов с акцентом на оценку последствий, безопасность и уважительное взаимодействие, а также поддерживает общие диалоговые и программные задачи. Обучение включало этапы Model Spec Midtraining и Alignment Fine-Tuning с примерами рассуждений о последствиях, программирования, работы с инструментами и многоязычных диалогов. Модель использует плотную архитектуру ApertusForCausalLM, содержит 10,3 млрд параметров и имеет нативный контекст 65 536 токенов по метаданным; в README для базовой модели указано 256K. В репозитории доступны веса safetensors и GGUF в вариантах F16 и Q8_0. В README приведены результаты StrongReject и DystopiaBench, указывающие на повышенную устойчивость к некоторым попыткам обойти защиту по сравнению с базовой моделью; это результаты конкретных тестов, а не гарантия безопасности. Карточка указывает поддержку английского, чешского, немецкого и французского языков. README отмечает ограниченные возможности модели размера 8B в сложных рассуждениях и многоязычных задачах, низкое качество тибетского и избыточные отказы на части запросов с угрожающими ключевыми словами. Модель не проверена для производственного развертывания. Лицензия — Apache-2.0.

PathFinderKR/KHU-Llama-3.2-1B-Instruct-SFT — компактная плотная языковая модель семейства Llama 3.2, разработанная PathFinderKR путём дообучения unsloth/Llama-3.2-1B-Instruct. Для обучения использовались Unsloth и библиотека TRL; модель содержит 1,2 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Метаданные указывают контекстное окно до 131 072 токенов и английский язык. Модель подходит для диалогов, ответов на вопросы и других сценариев генерации текста; также в метаданных отмечен интерфейс вызова инструментов. Опубликована в формате safetensors под лицензией Apache-2.0. README не сообщает подробностей о данных дообучения и результатах оценки качества.

Kimi K2.75 Code — экспериментальный объединённый чекпойнт, созданный автором репозитория на основе moonshotai/Kimi-K2.7-Code и moonshotai/Kimi-K2.6. Веса объединены методом SLERP с разными коэффициентами для attention, MLP и прочих тензоров, затем чекпойнт был прорежен и упакован в safetensors. Модель предназначена для генерации текста в сценариях, связанных с программированием. Её архитектура обозначена как Kimi K2.5, класс — KimiK25ForConditionalGeneration; в метаданных указан формат safetensors и библиотека Transformers. Репозиторий помечен лицензией other, поэтому перед использованием следует проверить условия лицензии. Качество модели ещё не оценено полностью. Автор рекомендует проверять результаты перед практическим применением; конвертация в GGUF, квантизация и smoke-тестирование на момент публикации могли продолжаться.

ChaoticNeutrals/KukulStanta-7B — слитая причинная языковая модель семейства Mistral с 7,1 млрд параметров, опубликованная в формате safetensors. Карточка указывает на возможность мультимодального использования с изображениями через отдельный файл mmproj и актуальную версию Koboldcpp; подробности о поддерживаемых сценариях работы с изображениями не приведены. Модель предназначена для генерации текста и, судя по результатам Open LLM Leaderboard, оценивалась на задачах рассуждения и понимания текста. Контекстное окно составляет 32 768 токенов. В карточке нет сведений о поддерживаемых языках и лицензии, поэтому условия использования определить нельзя.

Kuro-Lotus-10.7B — языковая модель для генерации текста, созданная слиянием SLERP двух предварительно обученных моделей с помощью mergekit: BlueNipples/SnowLotus-v2-10.7B и Himitsui/KuroMitsu-11B. Модель основана на архитектуре Llama и содержит 10,6 млрд параметров; указанный размер контекста — 8192 токена. Модель предназначена для генерации связного текста и диалоговых сценариев. В карточке приведены результаты Open LLM Leaderboard по нескольким бенчмаркам, включая AI2 Reasoning Challenge и HellaSwag. Для работы с моделью нужны текстовые входные данные; она генерирует текст. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Результаты бенчмарков не гарантируют качество во всех задачах; конкретные поддерживаемые языки и дополнительные ограничения в карточке не описаны.

L2-7b-Synthia-WVG-Test — языковая модель семейства Llama от LTC-AI-Labs с архитектурой LlamaForCausalLM и 6,6 млрд параметров. Она предназначена для генерации текста; в карточке приведены результаты оценки на Open LLM Leaderboard, включая ARC и HellaSwag. Модель принимает текст и выдаёт текст. Указанный контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch. Метаданные и README не описывают языковую специализацию, лицензию или более конкретные сценарии применения.

SvalTek/L3-ColdBrew-ReflectRedux — текстовая модель генерации на архитектуре Llama, созданная SvalTek слиянием нескольких предварительно обученных моделей методом DARE TIES с помощью mergekit. В качестве базовой использована SvalTek/L3-ColdBrew-SpicyReflect; также в слияние вошли Reflection-Llama-3.1-8B, L3-TheSpice-8b-v0.8.3 и Hathor_Tahsin-L3-8B-v0.85. Модель предназначена для генерации текста и диалоговых сценариев. Она содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Сведения о лицензии в доступных данных отсутствуют.

Laguna-S-2.1-GGUF — это квантизированная версия языковой модели Laguna-S-2.1, разработанной poolside и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и запуска локально или в совместимых инструментах, включая llama.cpp, LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. В репозитории представлены варианты с точностью от BF16 до Q2_K, включая рекомендуемые конфигурации Q4_K_M, Q5_K_M, Q6_K и другие. Размер файлов варьируется примерно от 41,79 до 235,20 ГБ; многие варианты разделены на несколько частей. Квантизация выполнена с использованием imatrix и llama.cpp. Формат поддерживает запуск на CPU и GPU в зависимости от используемого программного обеспечения и аппаратной конфигурации. Ключевые архитектурные характеристики исходной модели, число параметров, поддерживаемые языки, длина контекста и мультимодальные возможности в предоставленных данных не указаны. Более низкие уровни квантизации экономят память, но могут снижать качество генерации; варианты BF16 и высокоточные кванты требуют значительных ресурсов. Лицензия указана как OpenMDW-1.1.

QuantFactory/Lama-DPOlphin-8B-GGUF — это квантизированная версия модели CultriX/Lama-DPOlphin-8B, созданная QuantFactory с использованием llama.cpp. В основе лежит cognitivecomputations/dolphin-2.9.4-llama3.1-8b — авторегрессионная языковая модель семейства Llama с примерно 8 млрд параметров, предназначенная для генерации текста и диалоговых сценариев. Модель дообучалась методом Direct Preference Optimization (DPO) на наборе mlabonne/orpo-dpo-mix-40k-flat с использованием QLoRA и шаблона чата ChatML. В конфигурации обучения указана длина последовательности 2048 токенов. Заявленный язык — английский. Формат GGUF и квантизация делают модель более подходящей для локального запуска с ограниченными ресурсами, однако конкретный уровень квантизации в карточке не указан, поэтому нельзя точно оценить требования к памяти и возможную потерю качества. Модель ориентирована на текстовую генерацию, следование инструкциям и диалоговое использование. К ограничениям относятся отсутствие заявленной поддержки других языков, неопределённые характеристики производительности и качества на различных типах задач, а также отсутствие подробных данных о доступных вариантах квантизации. Лицензия — Apache 2.0.

LaMini-Cerebras-1.3B — языковая модель MBZUAI из серии LaMini-LM, дообученная на Cerebras-GPT-1.3B на 2,58 млн примеров набора LaMini-instruction. Она предназначена для генерации ответов на инструкции, сформулированные на естественном языке. Модель имеет архитектуру GPT-2 с 1,3 млрд параметров и контекст до 2048 токенов. Модель принимает текстовые инструкции и генерирует текст. В README рекомендовано использовать тот же текстовый шаблон, что применялся при дообучении, для получения лучших результатов. Указанный в метаданных язык — английский. Модель опубликована под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

Laser-Dolphin-Mixtral-2x7b-DPO — экспериментальная языковая модель macadeliccc, созданная на основе cognitivecomputations/dolphin-2.6-mistral-7b-dpo-laser с применением процесса laser и конфигурации слияния Mergekit. В метаданных указана архитектура Mixtral MoE на базе Transformers, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и решения широкого круга языковых задач, включая ответы на вопросы, рассуждения и математику. В README приведены результаты оценок на наборах AGIEval, GPT4All, TruthfulQA, Bigbench и GSM8K; автор сообщает об улучшении среднего результата примерно на один пункт относительно предыдущей версии. Упоминаются ChatML, запуск через Ollama и сторонние квантованные варианты, однако Function Calling указан как будущая цель. Автор характеризует процесс создания как экспериментальный, поэтому качество ответов может варьироваться. Модель распространяется по лицензии Apache-2.0.

DeepAutoAI/ldm_soup_Llama-3.1-8B-Inst — текстовая генеративная модель от deepAuto.ai, созданная на основе VAGOsolutions/Llama-3.1-SauerkrautLM-8B-Instruct. Разработчики обучили латентную диффузионную модель на весах базовой модели, чтобы исследовать пространство весов, затем усреднили несколько наборов параметров методом model soup и объединили их линейной интерполяцией. В метаданных базовой моделью указана meta-llama/Llama-3.1-8B-Instruct; архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для диалога и генерации текста. При подборе весов использовались наборы Winogrande и ARC-Challenge; в карточке также заявлено улучшение на ранее не виденных задачах лидербордов. Поддерживается контекст до 131 072 токенов, язык карточки — английский. Модель опубликована в формате safetensors и лицензирована по Apache 2.0. Работа над проектом, согласно карточке, продолжается; результаты представлены для оценки бенчмарков и не гарантируют качество на произвольных задачах. Подробности таблицы результатов в доступном тексте README приведены не полностью.

Карточка модели titanbot/LeoLM-hessianai-13b на Hugging Face совпадает с карточкой LeoLM/leo-hessianai-13b, поэтому описание составлено по ней. LeoLM/leo-hessianai-13b — языковая модель с открытыми весами, разработанная Björn Plüster и Christoph Schuhmann совместно с LAION и HessianAI. Это плотный авторегрессионный трансформер-декодер семейства Llama, полученный продолжением предобучения meta-llama/Llama-2-13b-hf на большом корпусе немецкоязычных, преимущественно локальных текстов. Модель содержит 12,9 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста на немецком и английском языках, а также для исследований и прикладных разработок с немецкоязычными LLM. Она доступна для использования через Transformers в формате PyTorch. Лицензия — Llama 2 Community License Agreement; перед использованием следует учитывать её условия, в том числе применимые ограничения на коммерческое использование.

LeoLM-Mistral — языковая модель, созданная Björn Plüster и Christoph Schuhmann в сотрудничестве с LAION и HessianAI. Она основана на Mistral-7B-v0.1 и продолжает предобучение на крупном корпусе немецкоязычных и преимущественно локальных текстов, чтобы расширить возможности модели в немецком языке. Это плотный авторегрессионный трансформер с 7,1 млрд параметров, предназначенный для генерации текста на немецком и английском языках. Метаданные указывают контекст до 32 768 токенов; README сообщает о 8 тысячах токенов для моделей этого выпуска. Модель подходит для генерации и продолжения текста, а также для исследовательских и коммерческих приложений на немецком языке. Репозиторий распространяется в формате PyTorch, библиотека — Transformers. Лицензия Apache 2.0. Качество и фактическая поддержка контекста могут зависеть от конфигурации и способа запуска; модель оптимизирована прежде всего для немецкого языка.

Creekside/lfm-1.2b-lambda-calculus-5ep — компактная языковая модель семейства LFM2, дообученная Creekside на базе unsloth/LFM2.5-1.2B-Instruct. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 1,5 млрд параметров, имеет контекстное окно 128 000 токенов и распространяется в формате safetensors. В README указано, что при обучении использовались Unsloth и библиотека TRL; карточка не описывает конкретные данные обучения или специальные навыки, связанные с lambda calculus. Лицензия — Apache-2.0. Поскольку README не приводит оценок качества и подробностей дообучения, пригодность для специализированных задач, включая lambda calculus, следует проверять отдельно.

LFM2-24B-A2B-MLX-5bit — языковая модель для генерации текста, созданная LiquidAI и представленная в сообществе моделей LM Studio. Данная версия подготовлена командой LM Studio на основе оригинальной модели LiquidAI/LFM2-24B-A2B с использованием mlx_lm. Модель представляет собой 5-битную MLX-квантизированную версию, оптимизированную для работы на устройствах с Apple Silicon. В карточке указаны языки английский, арабский, китайский, французский, немецкий, японский, корейский, испанский и португальский. Заявленный сценарий применения — текстовая генерация; другие модальности, размер контекста и подробности архитектуры в README не описаны. К сильным сторонам относятся сниженный объём представления благодаря 5-битной квантизации и оптимизация под экосистему Apple Silicon, что делает модель подходящей для локального запуска на совместимых устройствах. Ограничения включают зависимость от MLX и Apple Silicon, а также возможную потерю точности по сравнению с исходной версией из-за квантизации. Модель распространяется по лицензии lfm1.0; в метаданных она обозначена как лицензия other.

LFM2.5-1.2B-Instruct — компактная инструкционная языковая модель компании Liquid AI, представленная в формате LiteRT-LM для локального запуска на мобильных и периферийных устройствах. Репозиторий litert-community содержит конвертированные и квантизированные версии базовой модели LiquidAI/LFM2.5-1.2B-Instruct, предназначенные для работы с runtime Google LiteRT-LM. Модель использует гибридную архитектуру, объединяющую блоки gated short-convolution и grouped-query attention. Она рассчитана на генерацию текста, диалоговые сценарии и выполнение инструкций; в комплект входят токенизатор и ChatML-совместимый шаблон чата с поддержкой списка инструментов и канала <think>. Максимальный размер контекста с KV-кэшем составляет 4096 токенов. Доступны варианты int8 размером около 1,25 ГБ и int4 размером около 736 МБ; для int4 также предусмотрен вариант, адаптированный для GPU. По приведённому тесту GSM8K int8-версия показала 81% против 79% у эталонной PyTorch-модели, тогда как int4 достигла 72%, обеспечивая меньший размер загрузки. Модель ориентирована на on-device-инференс, однако производительность и доступность GPU зависят от устройства и версии LiteRT-LM; для запуска требуется LiteRT-LM не ниже 0.14, а GPU-вариант — не ниже 0.16.0. Языки, кроме поддерживаемого текстового интерфейса, явно не указаны. Модель распространяется по лицензии LFM Open License v1.0.

LFM2.5-1.2B-Instruct-MLX-4bit — это 4-битная квантованная версия языковой модели LFM2.5-1.2B-Instruct, разработанная LiquidAI и подготовленная командой LM Studio с использованием mlx_lm. Модель оптимизирована для запуска на устройствах Apple Silicon с поддержкой MLX. Модель предназначена для генерации текста и выполнения инструкций в локальных сценариях, где важны компактность и эффективное использование ресурсов, например в приложениях на устройствах Apple Silicon и через совместимые инструменты локального запуска. В README указана поддержка английского, арабского, китайского, французского, немецкого, японского, корейского и испанского языков. Архитектура и максимальная длина контекста не указаны; размер исходной модели составляет 1,2 млрд параметров. Ключевое преимущество модели — 4-битная квантование, снижающая требования к памяти и вычислительным ресурсам, а также оптимизация под Apple Silicon. К ограничениям относятся возможное снижение точности по сравнению с полной версией из-за квантования и отсутствие в предоставленных данных подробных сведений о качестве, производительности, модальностях и контекстном окне. Модель распространяется по лицензии lfm1.0; дополнительные условия следует уточнять в файле LICENSE.

LFM2.5-1.2B-Instruct-MLX-6bit — это 6-битная квантованная версия языковой модели LFM2.5-1.2B-Instruct, разработанной LiquidAI. Модель предназначена для генерации текста и выполнения инструкций, включая локальные сценарии использования на устройствах Apple Silicon. Квантование в формате MLX выполнено командой LM Studio с использованием инструментария mlx_lm. Модель содержит около 1,2 млрд параметров и поддерживает английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Ключевая особенность — оптимизация под Apple Silicon и сниженное потребление памяти благодаря 6-битному представлению, что делает её подходящей для запуска на периферийных устройствах и персональных компьютерах. Архитектура, размер контекста, мультимодальные возможности, результаты тестирования и конкретные ограничения качества в README не указаны; модель следует рассматривать как текстовую, без подтверждённой поддержки других модальностей. Лицензия обозначена как lfm1.0; применяются условия, указанные в файле LICENSE.

LFM2.5-1.2B-Thinking-ONNX — ONNX-экспорт модели LFM2.5-1.2B-Thinking, разработанной Liquid AI. Это текстовая генеративная модель для кроссплатформенного вывода, включая локальный запуск, браузерные приложения и устройства с поддержкой ONNX Runtime или WebGPU. Модель предназначена для задач, требующих рассуждений: математических вычислений, программирования, логического анализа и других сложных запросов. Она генерирует пошаговый процесс рассуждения в тегах <think>...</think>, после чего формирует итоговый ответ. Поддерживаются английский, японский, корейский, французский, испанский, немецкий, итальянский, португальский, арабский и китайский языки. Архитектура и максимальная длина контекста в README не указаны; размер модели составляет около 1,2 млрд параметров согласно идентификатору и описанию варианта. Доступны варианты FP32, FP16, Q8 и Q4. Квантизированный Q4-вариант занимает около 1,2 ГБ и рекомендован для большинства сценариев, FP16 — около 2,4 ГБ и ориентирован на более высокое качество, Q8 — около 1,7 ГБ как компромисс между качеством и размером. ONNX-формат облегчает переносимость, но для браузерного запуска требуется WebGPU. Ограничения включают небольшой размер по современным меркам, возможные ошибки в сложных задачах и необходимость самостоятельно обрабатывать разделение рассуждений и итогового ответа. Модель распространяется по лицензии lfm1.0; точные условия следует проверить в файле LICENSE репозитория.

LFM2.5-350M-MLX-4bit — компактная мультиязычная языковая модель, разработанная Liquid AI. Это экспорт модели LFM2.5-350M в формате MLX, предназначенный для эффективного запуска на устройствах с Apple Silicon. Модель относится к задачам генерации текста и может использоваться для локального вывода, ответов на текстовые запросы и других сценариев, где важны небольшой размер и низкие требования к памяти. Модель содержит 350 млн параметров, использует 4-битную точность с размером группы 64 и занимает около 212 МБ. Она построена на гибридной архитектуре Liquid AI, объединяющей свёрточные и attention-слои для эффективной обработки длинного контекста; заявленная длина контекста составляет 128K токенов. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. К сильным сторонам относятся компактность, экономичное использование памяти, поддержка нескольких языков и оптимизация для Apple Silicon через MLX. Ограничения связаны с небольшим размером модели и 4-битным квантованием: по качеству и универсальности она может уступать более крупным моделям, а её целевая среда запуска — устройства Apple Silicon. Модель распространяется по лицензии LFM 1.0.

LFM2.5-8B-A1B-Base — базовая текстовая модель Liquid AI, предназначенная для дальнейшей настройки и запуска на устройствах. Это гибридная MoE-архитектура LFM2 с 8,3 млрд параметров всего и примерно 1,5 млрд активных параметров; метаданные каталога указывают 1,6 млрд параметров. Модель содержит 24 слоя и поддерживает контекст до 128 000 токенов. Модель обучена на английском, арабском, китайском, французском, немецком, японском, корейском, португальском и испанском языках. Она предназначена для генерации текста и может служить основой для тонкой настройки помощников, следующих инструкциям, работающих с вызовами инструментов и структурированными ответами. В карточке семейства отмечена высокая скорость инференса на CPU и GPU и поддержка локального развёртывания. Это именно предварительно обученная базовая версия, поэтому для диалога и агентных сценариев может потребоваться дополнительная настройка. Разработчик не рекомендует её для сложного программирования и ответов на вопросы, требующих обширных знаний, без использования поиска или извлечения данных. Лицензия указана как other; конкретные условия следует проверять в документации Liquid AI.

LGAI-EXAONE_EXAONE-Deep-7.8B-GGUF — это квантизированная версия языковой модели EXAONE-Deep-7.8B, разработанной компанией LG AI. Модель предназначена для генерации текста и может использоваться локально через llama.cpp, LM Studio и другие совместимые приложения на базе llama.cpp. Заявлена поддержка английского и корейского языков. Модель содержит 7,8 млрд параметров и распространяется в формате GGUF с вариантами квантизации от Q2 до Q8, а также в формате BF16. Это позволяет выбирать между качеством вывода, размером файла и требованиями к оперативной памяти; наиболее сбалансированными автор рекомендует варианты Q4–Q6. К преимуществам относятся локальный запуск и широкий выбор уровней квантизации, однако README не содержит сведений о точной архитектуре, размере контекстного окна, мультимодальности и результатах бенчмарков. Модель создана на основе EXAONE-Deep-7.8B и квантизирована bartowski с использованием llama.cpp и imatrix. Лицензия обозначена как EXAONE; точные условия следует уточнять в прилагаемом файле LICENSE.

Limite 1B Base Soup — контрольная точка семейства языковых моделей Limite 1B, разработанная Paradigma Inc. Это post-soup checkpoint, предназначенный для генерации текста и диалогового использования. Модель содержит около 996,3 млн параметров, имеет плотную архитектуру LimiteForCausalLM и поддерживает контекст до 131 072 токенов. Модель запускается через Hugging Face Transformers. Поддерживаются SDPA с DynamicCache, смешанным global/sliding-window StaticCache, а также StaticCache вместе с torch.compile. Для загрузки требуется разрешить выполнение кода архитектуры из репозитория через trust_remote_code=True. README указывает на Limite 1B Violetto как на актуальную контрольную точку с полной карточкой модели. Лицензия — Apache-2.0. Данных о конкретных языках обучения и качестве в предоставленных источниках нет.

trinhkhng/linear_Merged_gpt2_0.1 — объединённая автором модель на базе GPT-2, созданная с помощью mergekit методом Linear. В неё вошли предобученная GPT-2 с весом 0,9 и модель gpt2_debias с весом 0,1; в качестве источника токенизатора использована GPT-2. Модель предназначена для генерации текста и работает как причинная языковая модель GPT2LMHeadModel; длина контекста составляет 1024 токена. Модель подходит для продолжения текста и генерации текстовых ответов. В карточке указаны формат safetensors и библиотека Transformers. Лицензия и конкретные языки применения в предоставленных данных не указаны.