II.8Инженерия данных и аналитика

Карточка модели unsloth/NVIDIA-Nemotron-3-Nano-4B-FP8 на Hugging Face совпадает с карточкой unsloth/NVIDIA-Nemotron-3-Nano-4B, поэтому описание составлено по ней. NVIDIA-Nemotron-3-Nano-4B — компактная языковая модель NVIDIA для диалога, рассуждений и агентных сценариев. Репозиторий unsloth содержит дообученную версию базовой модели nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. В карточке указаны 6,4 млрд параметров и гибридная архитектура Nemotron-H с Mamba-2, MLP и четырьмя слоями Attention; модель принимает и генерирует текст, поддерживает контекст до 262 144 токенов и имеет интерфейс для вызова инструментов. Модель предназначена для локальных голосовых помощников, игровых NPC-компаньонов и автоматизации IoT, а также для задач программирования и работы агента на устройствах с ускорением NVIDIA. Карточка заявляет английский как поддерживаемый язык; в описании обучения также перечислены многоязычные данные, в том числе русский, но это не гарантирует одинаковое качество на всех языках. Модель может формировать рассуждения перед ответом; отключение этого режима может снизить точность на сложных запросах. Для запуска описана поддержка Transformers, vLLM и TensorRT-LLM, а также других движков инференса. README называет модель пригодной для коммерческого использования, однако метаданные указывают лицензию «other», поэтому перед внедрением следует проверить условия лицензии репозитория.

google/pix2struct-ocrvqa-large — крупная модель семейства Pix2Struct от Google для ответов на вопросы по изображениям. Это архитектура «визуальный энкодер — текстовый декодер», обученная на парах изображение–текст и настроенная для задачи visual question answering. Модель принимает изображение и вопрос на естественном языке и генерирует текстовый ответ. Предварительное обучение Pix2Struct использует восстановление упрощённого HTML по скриншотам веб-страниц с замаскированными фрагментами. Такой подход охватывает визуальное понимание текста и элементов страниц и подходит для вопросов о содержимом изображений, включая документы, иллюстрации, интерфейсы и фотографии. В карточке модели указаны английский, французский, румынский и немецкий языки; README описывает семейство шире, но не уточняет языковую поддержку именно этого чекпойнта. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Для запуска нужны изображение и вопрос; конкретные требования к памяти и качество на отдельных языках или типах изображений в карточке не описаны.

Pleias-3b-Preview — базовая языковая модель на 3,2 млрд параметров, разработанная Pleias и обученная с нуля на Common Corpus. Это плотный трансформер с архитектурой, близкой к Llama и GPT-NeoX, предназначенный для генерации продолжения текста. Модель обучена на открытых данных из общественного достояния или под разрешительными лицензиями; для обучения использовались Nanotron и вычислительные ресурсы Jean Zay при поддержке Etalab. Модель подходит для генерации и творческого письма на основных европейских языках, а также как основа для дообучения на задачах работы с документами, включая RAG, перевод и исправление ошибок OCR. В README заявлена поддержка английского, французского, испанского, немецкого, итальянского, нидерландского, польского, латинского и португальского; контекст составляет 4096 токенов. Новый токенизатор рассчитан на улучшенную обработку документов и многоязычие. Это ранний предварительный релиз базовой модели, которая умеет продолжать текстовые промпты и не прошла дополнительное выравнивание безопасности. Несмотря на заявленную низкую токсичность, возможны предвзятые, вредоносные или недостоверные ответы, в том числе из-за исторических текстов в данных. Лицензия — Apache-2.0; авторы заявляют, что модель не предназначена для воспроизведения защищённого авторским правом контента.

Prox 7B SFT — языковая модель OpenVoid AI, дообученная на данных о программировании, взломе и кибербезопасности. В основе лежит Mistral-7B-v0.2; модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для генерации и объяснения кода, создания документации, ответов на вопросы о методах взлома и кибербезопасности, а также помощи в программных проектах. Карточка указывает английский язык. Обучающий набор OpenVoid AI описан как собственный набор материалов по программированию и взлому. Модель распространяется по лицензии Apache-2.0. Ответы модели могут быть ошибочными и требуют проверки специалистом; авторы не рекомендуют полагаться на неё в критически важных задачах безопасности и использовать для незаконной деятельности.

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.

Карточка модели JMullings/Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled — текстовая генеративная модель, разработанная Jackrong на базе плотной архитектуры Qwen3.5-4B. Модель дообучена методом supervised fine-tuning с применением LoRA и библиотеки Unsloth; в качестве обучающих материалов использовались дистиллированные данные рассуждений, главным образом на основе взаимодействий с Claude-4.6 Opus, а также наборы nohurry/Opus-4.6-Reasoning-3000x-filtered и Jackrong/Qwen3.5-reasoning-700x. Модель предназначена для генерации ответов с последовательным структурированным рассуждением, решения сложных задач, планирования, следования инструкциям, а также задач в областях науки и математики. Обучение ориентировано на формат с рассуждением внутри тегов <think> и последующим итоговым ответом; заявленная цель — повысить структурированность и сократить избыточные повторения при сохранении аналитичности. Поддерживаются текстовые запросы; в карточке указаны языки English, Chinese и Korean. Размер модели составляет около 4 миллиардов параметров. Размер контекстного окна и точные показатели качества не указаны. Сильными сторонами заявлены компактный размер, структурированное пошаговое рассуждение и возможность локального запуска и воспроизведения процесса дообучения. Ограничения включают отсутствие в карточке независимых бенчмарков, подробных характеристик производительности и информации о контекстном окне; заявленные преимущества не следует считать подтверждёнными сравнительным тестированием. Модель распространяется по лицензии Apache-2.0.

Manojb/Qwen-7B-toolcalling-ReSearch-gguf-Q8_0 — локальная языковая модель в формате GGUF, разработанная на базе agentrl/ReSearch-Qwen-7B и упакованная с квантизацией Q8_0 авторами Manojb и mradermacher. Модель основана на Qwen-7B и обучалась с использованием датасета RUC-NLPIR/FlashRAG_datasets. ReSearch — подход, в котором поиск интегрирован в цепочку рассуждений и выбор момента и способа поиска формируется с помощью текстового рассуждения, а результаты поиска влияют на дальнейшие выводы. Модель предназначена для генерации текста, ассистирования в программировании, локального использования и сценариев function calling и tool calling, включая взаимодействие с API-инструментами. Она ориентирована на английский язык и может запускаться через Ollama или другие совместимые средства работы с GGUF. Версия Q8_0 занимает около 8,2 ГБ и рассчитана примерно на 9–12 ГБ VRAM; заявлено отсутствие заметных потерь качества относительно исходной модели. Для этой базовой модели README рекомендует не применять chat completion. К сильным сторонам относятся высокая точность квантизации Q8_0, поддержка локального запуска и специализированная ориентация на вызов инструментов и поиск. Ограничения включают размер модели около 7B параметров, англоязычную заявленную специализацию, необходимость корректного режима работы без chat completion и потребность примерно в 9–12 ГБ VRAM. Модель распространяется по лицензии MIT.

Skywork-13B-Base — базовая авторегрессионная языковая модель семейства Skywork, разработанная командой Skywork. Она предварительно обучена на 3,2 трлн токенов очищенных многоязычных текстов и кода; в обучающем наборе преобладают английский и китайский языки. Модель содержит 13,6 млрд параметров, использует плотную архитектуру SkyworkForCausalLM с 52 слоями и токенизатор BPE с размером словаря 65 536. Длина контекста — 4096 токенов. Модель предназначена для генерации и продолжения текста, а также для дообучения под прикладные сценарии. Карточка приводит результаты сравнительных оценок и бенчмарков, включая C-Eval, MMLU, CMMLU и GSM8K. Она ориентирована прежде всего на китайский и английский текст и также обучалась на коде. В репозитории указаны веса PyTorch и лицензия «other»; конкретные условия следует сверять с лицензионными файлами модели. Модель базовая, а не диалоговая инструкционная версия, поэтому для ассистентского общения может потребоваться дополнительное дообучение. Заявленные в карточке преимущества основаны на оценках разработчиков и не гарантируют качество на любых пользовательских данных.

Модель MohammadGholizadeh/whisper-large-v3-persian-common-voice-17 — дообученная версия Whisper Large v3 от OpenAI для распознавания персидской (фарси) речи и преобразования аудио в текст. Она обучена на более чем 250 тысячах аудиозаписей Common Voice 17 и предназначена для транскрибации персидской речи, в том числе с обработкой аудио фрагментами до 30 секунд через Transformers pipeline. По данным карточки, увеличение обучающей выборки по сравнению с Common Voice 11 улучшило Word Error Rate и устойчивость распознавания. Модель не возвращает временные метки: попытка запросить их может вызвать ошибку. Для длинных записей в примере предлагается разбивать аудио на фрагменты. Лицензия — Apache-2.0.

mlx-community/whisper-large-v3-turbo-fp16 — преобразованная в формат MLX модель распознавания речи на основе openai/whisper-large-v3-turbo. Разработчик репозитория mlx-community; преобразование выполнено с помощью mlx-audio-plus версии 0.1.4. Модель предназначена для преобразования аудиозаписей в текст. Она использует архитектуру Whisper и поддерживает мультиязычное распознавание речи. Репозиторий содержит веса в формате safetensors и предназначен для работы с библиотекой mlx-audio-plus. Лицензия — Apache-2.0. Производительность и качество зависят от языка, условий записи и используемого оборудования; README не приводит отдельных оценок для этой сборки.

OpenVINO/whisper-small.en-int8-ov — англоязычная модель автоматического распознавания речи на базе Whisper small, разработанного OpenAI. Модель преобразована в формат OpenVINO IR, а её веса сжаты до INT8 с помощью NNCF; объём модели составляет около 153,1 млн параметров. Модель предназначена для преобразования английской речи в текст: расшифровки аудиозаписей, голосовых заметок, интервью и других источников аудио. Она поддерживает запуск через OpenVINO и Optimum Intel, включая инференс на CPU, и совместима с OpenVINO версии 2025.2.0 и выше и Optimum Intel версии 1.23.0 и выше. INT8-квантизация уменьшает размер весов и может сделать инференс более эффективным на совместимом оборудовании, однако модель рассчитана именно на английский язык. Использование распространяется по лицензии Apache-2.0.

Whisper-Tiny-MLA — компактная модель распознавания речи, разработанная Burak Aydin на базе OpenAI Whisper-Tiny. Декодерная self-attention преобразована из MHA в MLA, а модель дообучена для восстановления качества на 11 языках корпуса Whispered. Веса содержат 29,4 млн параметров и распространяются в формате safetensors; лицензия — Apache-2.0. Модель предназначена для транскрибации речи в текст, особенно в сценариях с ограниченной памятью и параллельной обработкой записей: сжатие KV-кэша декодера составляет 62,5%. Поддерживаются английский, немецкий, испанский, французский, русский, турецкий, арабский, валлийский, грузинский, тайский и китайский языки. Для загрузки требуются transformers 4.46.x и trust_remote_code=True. Компромисс за сокращение кэша — ухудшение качества распознавания: автор сообщает о медианном росте WER примерно на 1,9 пункта относительно аналогично обученной модели без преобразования. Экономия относится к KV-кэшу self-attention декодера; память энкодера и cross-attention не сжимается, поэтому выигрыш для одиночной короткой записи может быть небольшим. Модель проверялась на read-speech; качество на телефонной речи, дальней дистанции и перекрывающейся речи не оценено. Грузинский обозначен как нижний предел качества этого класса модели, а незнакомые письменности распознаются хуже.

HELLOMRKINOBI/all-mpnet-base-v2 — версия модели all-mpnet-base-v2 с весами ONNX, подготовленная для работы с Transformers.js. Модель на архитектуре MPNet содержит около 136,7 млн параметров и принимает последовательности длиной до 514 токенов. Её основное назначение — вычисление сходства между предложениями, например для поиска похожих фраз или сопоставления запросов с текстами. Метаданные также указывают поддержку задачи заполнения масок. Модель работает с текстом и выдаёт оценки сходства либо предсказания замаскированных токенов. Карточка не приводит отдельные сведения о языковой специализации или лицензии, поэтому их нельзя уточнить по имеющимся данным. Формат ONNX и библиотека Transformers.js позволяют использовать модель в JavaScript-средах.

RinKana/bge-small-en-v1.5-afterimage-v.0.1 — дообученная модель Sentence Transformers на базе BAAI/bge-small-en-v1.5, разработчик — RinKana. Она кодирует предложения и абзацы на английском языке в плотные векторы размерности 384 для поиска релевантных текстов и сравнения семантической близости по косинусному сходству. Архитектура состоит из BERT, пулинга по CLS-токену и нормализации; модель принимает текст, имеет 512 токенов максимальной длины последовательности и содержит около 40 млн параметров. В README приведена оценка на задаче поиска подходящего ответа в диалоге и указано обучение на 4 744 примерах с положительными и отрицательными парами. Модель подходит для семантического поиска и извлечения кандидатов, например, для поиска ответа, подходящего к контексту разговора. Метаданные указывают лицензию? В предоставленных данных лицензия не приведена, поэтому условия использования по лицензии определить нельзя.

CrowQwen3.5 4B Agent Heretic GGUF — компактная локальная агентная сборка от dawncr0w на базе Qwen/Qwen3.5-4B. Модель предназначена для текстовой генерации в llama.cpp-совместимых средах и ориентирована на заметки по программированию, планы рефакторинга, разбор ошибок, рабочие процессы с shell-командами и двуязычные технические запросы на корейском и английском языках. Модель содержит около 4 млрд параметров и распространяется в формате GGUF с 31 вариантом квантования — от Q1_0 до F16. В шаблоне чата заявлена поддержка форматирования вызовов инструментов, что делает сборку подходящей для локальных агентных сценариев. Рекомендуемый сбалансированный вариант — Q4_K_M; более высокие уровни квантования сохраняют больше точности, а низкие требуют меньше памяти. Размеры файлов варьируются примерно от 0,97 до 7,85 GiB. Сильными сторонами являются компактность, возможность локального запуска, ориентация на задачи разработки и поддержка корейских, английских и программных запросов. Ограничения включают отсутствие заявленных benchmark-результатов: приведённые smoke-проверки подтверждают только локальную загрузку и короткую генерацию. Качество и требования к памяти зависят от выбранного варианта квантования. Модель распространяется по лицензии Apache 2.0.

DatacampLlama-3.1-8B-GGUF — набор GGUF-квантизированных версий модели DatacampLlama-3.1-8B, опубликованной mlabonne. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через llama.cpp и LM Studio; в README заявлена поддержка английского языка и формат чата с ролями system, user и assistant. Модель относится к семейству Llama 3.1 и имеет размер 8B параметров. Доступны варианты от исходных весов F16 размером около 16,07 ГБ до компактных форматов Q2 и IQ3 размером примерно 3,66–4,78 ГБ, а также более качественные варианты Q4–Q8. Высокие уровни квантизации обеспечивают лучшее сохранение качества, тогда как компактные версии требуют меньше оперативной памяти, но могут заметнее уступать в качестве генерации. Отдельные варианты оптимизированы для CPU и ARM-инференса. README не указывает размер контекста, мультимодальные возможности, результаты бенчмарков или подробности обучения, поэтому модель следует рассматривать как текстовую, без подтвержденной поддержки изображений и других модальностей. Лицензия — Apache 2.0.

sleepyeldrazi/DeepSeek-v4-Flash-REAP-K180-NVFP4 — это производная текстовая модель на основе DeepSeek V4 Flash, подготовленная sleepyeldrazi. Она использует структурное удаление экспертов методом REAP: в слоях MoE оставлено 180 из 256 маршрутизируемых экспертов, а слои 0–2 сохранены без такого сокращения. По README, дообучения не было: это подмножество исходных весов, упакованное в GGUF с гибридной точностью NVFP4, Q2_K и Q8_0; NVFP4-конверсия экспертных весов описана как преобразование формата масштабов без потери точности относительно исходного MXFP4. Модель предназначена для генерации текста и диалогового использования, включая программирование, агентные сценарии с вызовом инструментов, исследования и ответы на длинном контексте. README заявляет поддержку контекста до 1 млн токенов на NVIDIA DGX Spark с GB10 при использовании FP8 KV-кэша и специального движка ds4-nvfp4-spark с управляемой памятью. Обычные GGUF-движки, включая стандартный llama.cpp, модель не загружают. Лицензия — MIT. Запуск зависит от специализированного оборудования и программного обеспечения; для конфигурации K180 в README указана необходимость режима управляемой памяти, а сама карточка помечена как экспериментальная. В заявленных характеристиках есть оптимизации под DGX Spark, поэтому переносимость и производительность на других системах не подтверждены предоставленными данными.

Aspik101 разработал польскую версию Distil-Whisper large-v3 — сжатую дистиллированную модель распознавания речи на основе Whisper large-v3. Она принимает аудио и преобразует речь в текст на польском языке; предназначена для транскрибации коротких записей и длинных аудиофайлов с обработкой по чанкам. Модель содержит около 905,2 млн параметров и распространяется в формате PyTorch; для работы поддерживается библиотекой Transformers версии 4.35 и новее. По данным карточки, Distil-Whisper в три раза быстрее и на 49% меньше исходной модели. Для обработки длинных записей README рекомендует чанки по 15 секунд; указанный в карточке прирост скорости для чанковой обработки — до девяти раз относительно последовательного алгоритма из статьи Whisper. Модель выпущена под лицензией MIT.

Plasmoxy/embeddinggemma-300m-DiscordSum-RC-PD58 — англоязычная модель Sentence Transformers, дообученная автором Plasmoxy на датасете DiscordSum от google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768 для поиска и сравнения текстов; сходство оценивается косинусной мерой. Модель построена на текстовой архитектуре Gemma 3, содержит 302,8 млн параметров и принимает последовательности длиной до 2048 токенов. Модель предназначена для семантического поиска по сообщениям и обсуждениям Discord, ранжирования подходящих документов, поиска перефразирований, кластеризации и классификации текстов. Обучающие примеры представлены парами запрос–документ из DiscordSum. Для инференса подходит библиотека Sentence Transformers; веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

Gemma2-9b-it-train3 — плотная авторегрессионная языковая модель семейства Gemma 2, опубликованная ehristoforu. Это дообученная версия ehristoforu/Gemma2-9b-it-train2, обученная с использованием Unsloth и библиотеки TRL; в карточке также указан датасет HuggingFaceH4/CodeAlpaca_20K. Модель содержит 9 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; связь с CodeAlpaca указывает на примеры задач по генерации кода, но карточка не приводит отдельной оценки качества. Опубликована в формате PyTorch под лицензией Apache-2.0.

Gravity 30B-A5B RL — дообученная Trillion Labs модель семейства DeepSeek V3, настроенная для многошагового использования инструментов в диалогах. Это MoE-модель с 30 млрд параметров и примерно 5 млрд активных параметров; README указывает 64 эксперта с выбором top-8 и MLA-внимание. Модель принимает текст и генерирует текст, включая ответы в чате и вызовы инструментов через соответствующий интерфейс. Заявленное контекстное окно — 131 072 токена. В тесте BFCL v3 модель получила в среднем 73,11% точности на живых задачах и 30,25% на многошаговой части; результаты LAB-Bench не показывают измеримого изменения относительно базовой модели. Для корректного обслуживания автор рекомендует использовать полный контекст и специальные парсеры вызовов инструментов и рассуждений. Модель распространяется по лицензии Apache-2.0.

MuXodious/LFM2.5-VL-3B-absolute-heresy — мультимодальная дообученная версия LFM2.5-VL-3B, созданная с помощью инструмента Heretic и метода abliteration для уменьшения отказов модели. Она принимает текст и изображения и предназначена для визуального диалога, распознавания текста на изображениях, анализа страниц с разметкой макета и обнаружения объектов по текстовому запросу. Модель использует языковую основу LFM2.5-2.6B и визуальный энкодер SigLIP2 NaFlex; контекст составляет 32 768 токенов. Поддерживает 17 языков, включая русский, английский, китайский, арабский, хинди и европейские языки. Базовая модель рассчитана на локальное и периферийное развертывание, а карточка этой версии приводит показатели снижения отказов и низкого KL-расхождения. Подходит для коротких запросов по изображениям, распознавания и структурирования сканированных документов, а также визуального поиска объектов. Разработчик базовой модели рекомендует сценарии с высокой пропускной способностью и малой задержкой; модель не рекомендуется для задач с длинным контекстом и интенсивными рассуждениями. В метаданных указана лицензия other; конкретные условия лицензии следует проверить в репозитории.

Llama 3.1 Swallow 8B v0.2 — языковая модель команды Swallow из лабораторий Okazaki и YOKOTA Токийского технологического института. Это плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров, дообученная продолжением предварительного обучения на примерно 200 млрд токенов, включая японский веб-корпус, японскую и английскую Википедии, математические тексты и код. Репозиторий содержит веса safetensors; для работы модель рассчитана на библиотеку Transformers. Модель предназначена для генерации текста на японском и английском языках, включая ответы на вопросы, понимание и пересказ текста, перевод, математические рассуждения и генерацию кода. Контекстное окно составляет 8192 токена. Разработчики сообщают об усилении возможностей японского языка при сохранении возможностей английской версии Llama 3.1 и приводят оценки на японских и англоязычных тестах. Это базовая версия, а не вариант Instruct; авторы предупреждают, что модель не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Лицензия — Llama 3.1 License (llama3.1), её условия применяются при использовании модели.

Marcoroni-7b-DPO-Merge — языковая модель на 7,1 млрд параметров, опубликованная nfaheem. Это плотная авторегрессионная модель семейства Mistral, объединённая методом TIES с помощью mergekit на основе madatnlp/marcoroni-7b-v3-safetensor, fblgit/UNA-TheBeagle-7b-v1 и udkai/Turdus; веса сохранены в формате safetensors с точностью float16. Модель предназначена для генерации текста и общих языковых задач, включая ответы на вопросы, рассуждения и решение задач. В README приведены результаты на ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K, а также заявлено первое место в рейтинге Hugging Face среди моделей около 13 млрд параметров по состоянию на 15 января 2024 года. Нативное контекстное окно составляет 32 768 токенов. README и метаданные не указывают поддерживаемые естественные языки. Модель распространяется по лицензии Apache-2.0; рейтинги из README относятся к указанным оценкам и не гарантируют качество на любых пользовательских задачах.

Это набор файлов модели Qwen3-8B-bf16 в формате GGUF, подготовленный сообществом mlx-community при поддержке TensorBlock. Репозиторий содержит варианты с разными уровнями квантования и совместим с llama.cpp начиная с коммита b5753; метаданные также указывают библиотеку MLX. Для диалога используется шаблон с сообщениями system, user и assistant. Модель предназначена для генерации текста и диалогов. Её можно применять для ответов на вопросы, написания черновиков и помощи с кодом. Варианты квантования отличаются размером и качеством: README предупреждает о значительной потере качества у самых компактных вариантов Q2_K и Q3_K. Указана лицензия Apache-2.0.

MotherEarth-Hermes-8B — объединённая диалоговая языковая модель, созданная с помощью mergekit методом SLERP на основе MotherEarth/MotherEarth-1.0-8B и mlabonne/Hermes-3-Llama-3.1-8B-lorablated. Она построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и ведения диалогов. В конфигурации с V-образным распределением весов вклад Hermes усилен на входе и выходе, а средние слои ориентированы на WizardMath. Сведения о лицензии в предоставленных данных отсутствуют.

mayacinka/NeuralZephyr-Beagle-7B — языковая модель для генерации текста, созданная слиянием предварительно обученных моделей с помощью mergekit. В README указаны DARE TIES и модели mlabonne/NeuralBeagle14-7B и HuggingFaceH4/zephyr-7b-alpha; базой слияния служит CultriX/NeuralTrix-7B-dpo. Каталог связывает репозиторий с этой базовой моделью и отмечает её дообучение. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Она предназначена для генерации текста общего назначения; в README приведены результаты Open LLM Leaderboard по задачам рассуждения, понимания текста и математическим вопросам, но эти оценки сами по себе не гарантируют качество на прикладных данных. Репозиторий содержит веса safetensors и использует лицензию Apache-2.0.

Octen-Embedding-0.6B DirectML ONNX — конвертированное представление модели Octen/Octen-Embedding-0.6B, подготовленное для запуска через ONNX Runtime с DirectML на GPU в Windows. Граф ONNX исправлен для обработки форм тензоров внимания GQA с фиксированными размерами голов: 16 для Q и 8 для K и V. Репозиторий содержит веса FP16, токенизатор Qwen2 и конфигурацию с контекстом до 32 768 токенов. Модель предназначена для получения эмбеддингов и задач поиска по сходству предложений. В README приведены результаты на наборах esp32 и autosar; автор сообщает, что исправление графа сохраняет качество исходного CPU FP16 варианта. Распространяется по лицензии Apache-2.0.

OLMo 2 32B Instruct — англоязычная диалоговая языковая модель AllenAI, опубликованная в марте 2025 года. Репозиторий unsloth содержит версию, дообученную на базе allenai/OLMo-2-0325-32B-Instruct: исходная модель прошла supervised fine-tuning, обучение DPO и RLVR на варианте набора Tülu 3. Архитектура — плотная авторегрессионная OLMo 2 с 31,7 млрд параметров; контекст — 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, а также для решения математических задач и следования заданному формату. README упоминает оценки на MATH, GSM8K и IFEval. Она ориентирована прежде всего на английский язык. Модель распространяется по лицензии Apache 2.0. В README отмечено, что обучение безопасности ограничено: модель может выдавать проблематичные ответы, особенно в ответ на соответствующие запросы. Для практического использования могут потребоваться собственные фильтры вывода.