II.8Инженерия данных и аналитика

LSG-BART-base-4096 — модель семейства BART, разработанная авторами реализации LSG и адаптированная из BART-base для задач с последовательностями текста большой длины. Она использует архитектуру encoder-decoder с локальным, разреженным и глобальным вниманием (LSG), сохраняя число параметров, слои и токенизатор исходной модели. Размер модели — 95,2 млн параметров, контекст — до 4096 токенов; реализация работает на PyTorch и для загрузки через Transformers требует доверия к пользовательскому коду репозитория. Модель предназначена для задач преобразования текста, в том числе суммаризации и классификации, и может применяться в сценариях, где входной текст длиннее обычного контекста BART. README отмечает более эффективную обработку длинных последовательностей по сравнению с Longformer (LED) и BigBird (Pegasus) из Hub. Для работы с длинными входами применяются блоки внимания; параметры блоков и шаблон разреженного внимания настраиваются, а вход автоматически дополняется до нужной длины. В карточке приведена лицензия? Условия использования не обозначены в предоставленных данных.

Это квантованная версия MiMo-V2.6-Distill-Qwen-9B от Xiaomi MiMo, подготовленная FreedomAISVR в формате GGUF MXFP4 для запуска через llama.cpp. Исходная модель — дообученная методом SFT мультимодальная модель на 9 млрд параметров на основе Qwen3.5-9B; репозиторий распространяет её веса в более компактном формате. Модель сочетает слои Mamba-2 и полного внимания, включает визуальный энкодер и поддерживает контекст до 262 144 токенов. Для обработки изображений и видео требуется отдельный файл mmproj. Модель предназначена для агентного программирования и инженерии ПО, работы с инструментами и автоматизацией, анализа интерфейсов и изображений, связанных с кодом, а также задач кибербезопасности. README приводит результаты Xiaomi на кодовых бенчмарках, но они не были независимо проверены для этой сборки. Это исследовательская SFT-модель, представленная как отправная точка для дальнейшего обучения агентному поведению, а не как готовое производственное решение. Лицензия — MIT. К известным ограничениям относятся отсутствие весов MTP, включённый по умолчанию режим рассуждения и высокая потребность в памяти KV-кэша при длинном контексте. MXFP4 снижает точность представления весов; на GPU, отличных от NVIDIA Blackwell, производительность может быть ниже. Данных о поддерживаемых естественных языках в использованных источниках нет.

MiroThinker-v1.0-8B-GGUF — открытая исследовательская агентная модель от команды MiroMind AI, предназначенная для рассуждений с использованием инструментов и поиска информации. Это GGUF-версия модели MiroThinker v1.0, созданная на базе Qwen3-8B с помощью llama.cpp. Модель ориентирована на глубокий многошаговый анализ, задачи общего исследования и длительные сценарии взаимодействия с внешней средой. Она поддерживает контекстное окно до 256K токенов и до 600 вызовов инструментов на одну задачу, что позволяет строить длинные траектории поиска и рассуждений. В карточке указана поддержка английского языка; другие языки и модальности не заявлены. Сильными сторонами являются агентное поведение, получение внешней информации, корректировка ошибок на основе обратной связи среды и масштабирование за счёт более глубоких взаимодействий. Версия распространяется в формате GGUF и использует квантизацию с выборочным повышением точности отдельных слоёв, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файла. Для полноценной работы требуются совместимый runtime, например llama.cpp, и настроенные инструменты или окружение для взаимодействия. Модель распространяется по лицензии MIT.

Mocha-Dare-7b-ex — языковая модель, созданная объединением нескольких предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве основы использована Mistral-7B-v0.1; в объединение также вошли Open-Orca/Mistral-7B-OpenOrca, Mistral-7B-v0.1-Open-Platypus и WizardMath-7B-V1.1. Модель предназначена для генерации текста и может применяться в диалогах, ответах на вопросы, решении задач по математике и общих инструкциях. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Доступны веса в формате safetensors; библиотека из метаданных — Transformers. В карточке не описаны результаты оценки качества или отдельные гарантии для конкретных сценариев. Указана лицензия CC BY 4.0.

Negentropy-claude-opus-4.7-9B-GGUF — экспериментальная языковая модель для усиленного рассуждения, разработанная Jackrong совместно с Kyle Hessling. Она основана на Qwen/Qwen3.5-9B и дообучена с использованием Unsloth методом SFT. В проекте применяется подход Trace Inversion: модель Jackrong/Trace-Inverter-4B реконструирует более подробные цепочки рассуждений из сжатых сводок в стиле Claude-Opus, которые затем используются как обучающие данные. Модель предназначена для сложной логической дедукции, многошагового решения математических и программных задач, генерации качественных данных с цепочками рассуждений для более компактных моделей, а также локального запуска на рабочих станциях и исследовательских экспериментов по восстановлению рассуждений. Заявлены языки English, Chinese, Korean, Japanese и Russian. Размер модели — около 9 млрд параметров; базовая архитектура — Qwen3.5-9B. В карточке также указан pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и фактических мультимодальных возможностях не приведены. К сильным сторонам относятся больший по сравнению с 4B-версией объём параметров, ориентация на более устойчивое многошаговое рассуждение и возможность локального развёртывания. Ограничения связаны с экспериментальным характером проекта, отсутствием приведённых количественных оценок качества, неполными сведениями о контексте и фактической поддержке модальностей, а также с тем, что реконструированные цепочки рассуждений основаны на синтетических данных и могут наследовать их особенности. Лицензия модели — Apache-2.0.

Open-Instruct Self-Instruct 7B — языковая модель семейства LLaMA, дообученная командой Allen Institute for AI на наборе Self-Instruct. Она предназначена для генерации ответов на инструкции и текстовые запросы; карточка приводит результаты оценки на тестах общих знаний, математики, рассуждений, вопросов и ответов и генерации кода. Модель содержит около 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и принимает текст. Родной размер контекста — 2048 токенов. Для работы нужны исходные веса LLaMA в формате Hugging Face: опубликованная модель представляет собой diff, а не полный самостоятельный набор весов. Карточка сообщает о лицензии AI Model License вместе с исходной лицензией LLaMA. Результаты в приведённых тестах скромные, поэтому перед применением в конкретной задаче качество следует проверить отдельно.

pankajmathur/orca_mini_v3_13b — языковая модель Pankaj Mathur на архитектуре Llama 2 с 12,9 млрд параметров. Модель дообучена на наборах данных в стиле Orca и предназначена для генерации текста и выполнения инструкций в формате диалога с системным сообщением. Модель подходит для ответов на вопросы, объяснений и других текстовых задач общего назначения. В карточке приведены результаты оценки на нескольких наборах задач, включая ARC и HellaSwag; они служат ориентирами и не гарантируют точность в конкретном сценарии. Контекст составляет 4096 токенов, модель принимает и генерирует текст, в метаданных указан английский язык. Модель доступна в форматах PyTorch и Safetensors и использует библиотеку Transformers. Карточка указывает лицензию как «other», поэтому перед применением следует проверить условия лицензии репозитория. Модель может давать ошибочные или вводящие в заблуждение ответы, а также генерировать предвзятый или оскорбительный текст; важные сведения следует проверять.

Mihaiii/Pallas-0.4 — инструкционная дообученная языковая модель на архитектуре Llama, созданная на базе migtissera/Tess-34B-v1.4. Она содержит 33,9 млрд параметров и поддерживает контекст до 200 000 токенов. Модель предназначена для рассуждений и понимания текста, хорошо работает с длинными системными промптами. Её можно использовать для ответов на вопросы и анализа длинных текстовых материалов; для художественного повествования она не предназначена. Обучение выполнено на частном датасете. Лицензия указана как other.

beshkenadze опубликовал преобразованный вариант многоязычной модели распознавания речи Parakeet Ultra в формате MLX fp16 для использования с mlx-audio-swift. В основе лежит moondream/parakeet-ultra — постобученная Moondream модель nvidia/parakeet-tdt-0.6b-v3 с той же архитектурой и словарём; репозиторий содержит веса safetensors. При преобразовании тензоры переименованы и приведены к раскладке MLX, голова VAD удалена, а веса приведены к fp16. Модель предназначена для транскрибирования аудио, в том числе русской речи. В тестах README она показала меньший WER, чем Parakeet TDT v3 fp16 на FLEURS для 13 языков и на наборе русских записей, а также на пятиминутной записи совещания. Эти результаты относятся к описанным тестовым наборам и конвейеру Silero VAD с mlx-audio-swift. Лицензия репозитория — CC BY 4.0.

Qwen3.6-35B-A3B-DSV4Pro-Thinking-Distill — разреженная MoE-модель, опубликованная пользователем nerkyor и предназначенная прежде всего для локального запуска в Lynn Agent. Она выполняет роль оркестратора задач: разбивает сложные запросы на этапы, делегирует их инструментам или другим компонентам и проверяет результаты. Модель основана на Qwen3.6-35B-A3B и обучена с помощью LoRA на примерах рассуждений и агентного поведения, дистиллированных из DeepSeek-V4-Pro с включённым режимом thinking. Инструментальные результаты в обучающих траекториях были симулированными и замаскированы, поэтому модель обучалась способам рассуждения и вызова инструментов, а не запоминанию этих результатов. Архитектура MoE имеет 35B параметров с активацией примерно 3B параметров на токен; базовая версия обучалась в BF16. Указаны английский и китайский языки, назначение text-generation и поддержка агентных сценариев с ReAct-подобным чередованием рассуждений и действий. Модель оснащена встроенной MTP-главой для speculative decoding; поддержка заявлена для llama.cpp, vLLM и SGLang, однако большинство графических интерфейсов используют её без ускорения MTP. Для локального запуска рекомендуются системы с 32 ГБ или более VRAM либо unified memory, а для меньших объёмов памяти авторы предлагают другую модель. Сильными сторонами являются улучшение результата на GPQA-Diamond относительно исходной модели, более быстрая сходимость агентного цикла и снижение числа незавершающихся ответов. Ограничения включают небольшое снижение результата на MMLU, потерю одного успешного сценария из двадцати в указанной проверке оркестрации и ограниченную эффективность MTP по сравнению с плотными моделями. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic-MLX-4bit — неофициальная MLX-конверсия модели medismera/Qwen3.8-27B-OBLITERATED-Mythos-Class-Agentic, опубликованная uzzero для локального запуска на компьютерах Apple Silicon. Исходная модель основана на Qwen/Qwen3.8-27B, разработанной Qwen и Alibaba Cloud. Дополнительное обучение при конвертации не проводилось. Модель предназначена для диалоговых сценариев, работы с инструментами и агентских приложений, включая извлечение структурированных данных и обработку результатов вызова инструментов. Сохранена мультимодальная конфигурация qwen3_5 с поддержкой image-text-to-text, однако возможности работы с изображениями и видео в README не подтверждены тестированием. Языки и максимальная длина контекста не указаны; в LM Studio загрузка проверялась с контекстом 8192 токена. Используется 4-битное affine-квантизование MLX с размером группы 64. Весовая часть занимает примерно 16,05 ГБ и распределена по 16 файлам safetensors; отдельные мультимодальные модули сохранены в формате с плавающей точкой. Модель проверена на загрузку в oMLX и LM Studio, а также на синтетических задачах извлечения данных и вызова демонстрационного инструмента. Эти проверки не доказывают превосходство над базовой моделью, качество после квантизации или надежность в реальных агентских сценариях. Не оценивались длинный контекст, производительность, реальные почтовые процессы и общая надежность агентов; для автоматизации следует задавать явную JSON Schema и валидировать типы вывода. Распространяется по лицензии Apache License 2.0 с сохранением исходных уведомлений об авторских правах. Для работы с инструментами клиент должен самостоятельно передавать определения инструментов, выполнять выбранные вызовы и возвращать результаты; сама модель не подключается к внешним сервисам и не планирует задачи.

Qwenstein 2.5 32B Instruct — объединённая автором maldv языковая модель на архитектуре Qwen2 для диалогов и генерации текста. Она создана методом нормализованной интерполяции денойзированных преобразований Фурье и объединяет Qwentile2.5-32B-Instruct, Sky-T1-32B-Preview, 32B-Qwen2.5-Kunou-v1 и QwQ-32B-Preview-IdeaWhiz-v1 поверх Qwen2.5-32B. Модель содержит 32 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых ответов, решения задач рассуждения и работы с математической записью; в карточке отмечены хорошие возможности LaTeX. Автор приводит пример, где модель распознаёт правильность предложенного решения задачи о мерных вёдрах, но сама не находит его сразу, что показывает возможную нестабильность рассуждений. Доступны веса в формате safetensors; README также упоминает варианты GGUF, GGUF-imat и EXL2 4.2 bpw. Лицензия — Apache-2.0.

RAG-Instruct-Llama3-8B — текстовая языковая модель Freedom Intelligence, дообученная на наборе RAG-Instruct для улучшения ответов в сценариях генерации с дополнением извлечёнными документами (RAG). Она основана на плотной архитектуре Llama 3.1 с 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; интерфейс также поддерживает вызов инструментов. Контекст модели — до 131 072 токенов, основной язык карточки — английский. Модель предназначена для ответов на вопросы по найденным документам и других задач, где ответ нужно формировать с опорой на контекст. В README приведены улучшенные результаты относительно исходной Llama 3.1 8B на нескольких наборах оценки RAG, включая вопросы по Википедии, научным и медицинским материалам. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет ограничения по доменам, фактической точности или безопасности ответов.

yjoonjang/reviewsearch-dense — текстовая модель Sentence Transformer для поиска и сопоставления предложений и абзацев. Она преобразует текст в плотные векторы размерностью 768 и сравнивает их по косинусному сходству. Модель построена на архитектуре Gemma 3 Text и содержит 302,8 млн параметров; максимальная длина последовательности — 2048 токенов. Модель обучена на данных reviewsearch и предназначена для извлечения релевантных документов по запросу. В README приведена оценка поиска на reviewsearch с cosine_accuracy@1 0,3588 и cosine_accuracy@10 0,775. Доступны файлы в форматах Safetensors и ONNX, использовать модель можно через библиотеку Sentence Transformers. Язык данных в карточке не установлен, поэтому языковую специализацию определить нельзя. Условия лицензии в предоставленных данных не указаны.

SimplyAI-2B-Uncensored — диалоговая текстовая модель Miiyamoto255, созданная слиянием моделей на основе google/gemma-2-2b-it. Это плотная авторегрессионная архитектура Gemma 2 с 2,7 млрд параметров и контекстом 8192 токена; модель предназначена для генерации текста в диалоге, а автор отдельно отмечает задачи программирования и кибербезопасности. В карточке заявлена «разблокированная» версия, ориентированная на более свободные ответы. Модель принимает текст и генерирует текст. В метаданных указан английский язык; README не сообщает результатов независимых оценок качества. Для работы используется библиотека Transformers и формат safetensors. Лицензия указана как gemma; перед применением следует соблюдать её условия. Модель может выдавать небезопасные или неправомерные инструкции, поэтому ответы требуют соответствующей проверки.

waxal-whisper_small_multi_s42 — дообученная модель семейства Whisper, созданная на основе openai/whisper-small. Она предназначена для автоматического распознавания речи и выдаёт транскрипцию аудио в виде текста. Модель содержит 153,1 млн параметров и распространяется в формате Safetensors через библиотеку Transformers. В README приведены результаты оценки: WER 0,7159, CER 0,3848 и loss 0,4327. Датасет обучения обозначен как None, а подробности о языках, сценариях применения и условиях тестирования не приведены. Модель распространяется по лицензии Apache-2.0; качество распознавания следует проверять на данных целевого сценария.

mlx-community/whisper-large-v3-turbo-8bit — конверсия мультиязычной модели распознавания речи OpenAI Whisper Large V3 Turbo в формат MLX; преобразование выполнено с помощью mlx-audio-plus версии 0.1.4. Модель предназначена для преобразования аудиозаписей в текст и запуска на совместимых с MLX устройствах. Модель относится к семейству Whisper и использует плотную архитектуру. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. В метаданных указана задача автоматического распознавания речи; исходная модель также поддерживает перевод аудио в текст. Качество распознавания зависит от языка, записи и фонового шума.

XLM-V Base — многоязычная языковая модель с архитектурой XLM-RoBERTa и примерно 806 млн параметров, разработанная авторами исследования XLM-V. Она обучена на 2,5 ТБ данных Common Crawl и использует словарь размером один миллион токенов, чтобы улучшить покрытие языков и создавать более короткие, содержательные токенизации. Модель предназначена для заполнения пропусков в тексте и может служить основой для задач понимания языка, включая вывод по естественному языку, ответы на вопросы и распознавание именованных сущностей. В исследовании XLM-V превзошла XLM-R на протестированных задачах, включая несколько задач для языков с ограниченными ресурсами. Репозиторий содержит веса PyTorch; контекст — до 514 токенов. Модель охватывает множество языков, в том числе английский, арабский, хинди, японский, корейский, французский, немецкий и испанский. Лицензия — MIT. Для оценки рисков и ограничений README отсылает к карточке XLM-R; результаты исследования не гарантируют качество на любых языках и прикладных задачах.

Youtu-VL-4B-Instruct — компактная зрительно-языковая модель Tencent Youtu Lab с плотной архитектурой на 4,8 млрд параметров, построенная на Youtu-LLM. Модель принимает изображения и текст и формирует текстовые ответы; контекст составляет до 32 768 токенов. В основе обучения лежит подход Vision-Language Unified Autoregressive Supervision (VLUAS), который использует общий мультимодальный словарь и обучает модель предсказывать визуальные и текстовые токены. Модель предназначена для вопросов и рассуждений по изображениям, распознавания текста на изображениях, анализа нескольких изображений, а также задач компьютерного зрения: обнаружения и подсчёта объектов, визуальной привязки, сегментации, оценки глубины и распознавания поз. Она также заявлена для мультимодальной математики и задач с графическим интерфейсом. Карточка отмечает конкурентные результаты на тестах, но не приводит здесь численных оценок. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия указана как other; конкретные условия следует проверять в лицензии репозитория.

MaziyarPanahi/Calme-7B-Instruct-v0.1 — диалоговая языковая модель Maziyar Panahi, дообученная на базе Mistral-7B. Она предназначена для генерации связных ответов и ведения диалога; в карточке также показан пример объяснения Docker. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Заявленная длина контекста — 32 768 токенов; доступны веса PyTorch и Safetensors. Для модели указана лицензия Apache-2.0. README также упоминает отдельные квантизированные версии в формате GGUF, но это репозиторий исходной модели.

CalmeInex12-7B — автоматически объединённая Maxime Labonne модель семейства Mistral для генерации текста и диалогового использования. В конфигурации mergekit применён метод dare_ties к Calme-7B-Instruct-v0.1.1 и MSL7/INEX12-7b; в метаданных базовой моделью указан MSL7/INEX12-7b. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors, а длина контекста составляет до 32 768 токенов. Модель подходит для чат-ответов и генерации текста по запросам. Лицензия — Apache-2.0. Карточка не описывает языковую специализацию или результаты оценки качества.

ProCreations/grug-v1.1-qwen-3.8-27b-mtp — вариант диалоговой модели Grug v1.1 на базе Qwen3.8-27B с настроенной головой предсказания следующего токена. Разработчик дообучил только модуль MTP объёмом 425 млн параметров методом самодистилляции на собственных ответах Grug; основные веса заморожены и, согласно карточке, не меняют ответы модели. Голова предназначена для speculative decoding: она предлагает токены наперёд, которые основная модель проверяет, что может повысить скорость генерации в совместимом движке. В тесте на данных Grug совпадение предсказания второго следующего токена с проверяющей моделью составило 95,37%. Это показатель согласия, а не измеренный прирост скорости; фактическая производительность зависит от движка, размера пакета и длины чернового предсказания. Для использования головы README приводит vLLM и SGLang с поддержкой Qwen3.8 MTP; обычный Transformers может игнорировать MTP-модуль и запускать основную модель без ускорения. Базовая модель предназначена для диалогов, рассуждений, программирования и агентных сценариев с инструментами. Лицензия — Apache-2.0.

Это производный чекпойнт DeepSeek-V4-Flash-0731, подготовленный Keys (drowzeys) на основе официальной модели DeepSeek-AI. Модель предназначена для генерации текста и сохраняет архитектуру базового чекпойнта; README описывает изменение весов слоёв 10–35, нацеленное на снижение отказов. Слои 36–42 и тензоры MTP/draft оставлены как в оригинале, чтобы сохранить совместимость со спекулятивным декодированием DSpark. Указана поддержка контекста до 1 млн токенов и работа в production-конфигурации на двух DGX Spark с Anemll и vLLM. Чекпойнт рассчитан на генерацию текста, включая структурированные JSON-ответы, списки и эссе; автор приводит сравнительные тесты с официальной версией и сообщает об успешной проверке smoke-тестов. Данные метаданных указывают на FP8 safetensors и поддержку английского и китайского языков. Модель распространяется по лицензии «other» с ограниченным доступом; README отсылает к условиям доступа и ответственному использованию. Результаты бенчмарков относятся к указанной аппаратной и программной конфигурации и не гарантируют такую же производительность в других условиях.

Llama-3-8B-Instruct-Base-Slerp — объединённая модель от Arcee AI, созданная методом SLERP с помощью mergekit на основе meta-llama/Meta-Llama-3-8B-Instruct и meta-llama/Meta-Llama-3-8B. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; длина контекста составляет 8192 токена. Модель сочетает instruct-версию Llama 3 с предварительно обученной базовой версией, поэтому подходит для генерации ответов и продолжения текста в чат-сценариях. Метаданные указывают английский язык и код, однако README не описывает отдельные прикладные специализации. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Это экспериментальная версия MiniMax M3 от Spark Arena: веса модели представлены в формате NVFP4 с калибровкой, которая пока дорабатывается, а REAP сокращает модель на 25%, чтобы разместить её на двух узлах DGX Spark вместо четырёх. Базовая MiniMax M3 — мультимодальная модель примерно с 428 млрд параметров, из которых активируется около 23 млрд; она использует разреженное внимание MiniMax Sparse Attention и заявленный контекст до 1 млн токенов. Модель предназначена для диалогов с изображениями и видео, программирования и агентных сценариев с вызовом инструментов. В README отмечены возможности анализа длинного контекста и ускорения обработки, однако качество этой экспериментальной сборки и влияние REAP на него проверены не полностью. Для правильного применения калибровки NVFP4 требуется совместимая поддержка в среде запуска. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

multi-QA_v1-mpnet-asymmetric-Q — модель для создания векторных представлений вопросов, разработанная flax-sentence-embeddings в рамках проекта Hugging Face Community Week «Train the Best Sentence Embedding Model Ever with 1B Training Pairs». Это MPNet с 136,7 млн параметров, дообученный контрастивным методом на парах вопросов и ответов из Stack Exchange, MSMARCO, NQ и других наборов данных. Модель принимает текст и выдаёт вектор размерности смысла предложения; длина контекста — до 514 токенов по метаданным. Модель предназначена для кодирования вопросов в системе семантического поиска и сопоставления с векторами ответов, полученными парной моделью multi-QA_v1-mpnet-asymmetric-A. Векторы также подходят для поиска по смыслу, кластеризации и оценки сходства предложений. Для поиска вопросов и ответов рекомендуется использовать пару Q/A-моделей. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

OLMo-2-1124-13B-SFT-Preview — англоязычная чат-модель Allen Institute for AI (Ai2), созданная на основе OLMo 2 13B версии ноября 2024 года. Это плотная авторегрессионная модель с 13,2 млрд параметров, предназначенная для генерации текста и диалогов. Она дообучена методом supervised fine-tuning на варианте набора Tülu 3, включающем публичные, синтетические и созданные людьми данные. Модель рассчитана на разнообразные задачи общения и следования инструкциям, включая математические задачи из MATH и GSM8K и оценивание соблюдения инструкций IFEval. Контекст составляет 4096 токенов; модель принимает текст и генерирует текст. Основной язык — английский. Для загрузки используется Transformers; веса представлены в формате PyTorch. Модель выпущена под лицензией Apache 2.0. В README отмечено, что у OLMo 2 ограничено обучение безопасности, поэтому модель может выдавать проблемные ответы, особенно по соответствующему запросу; автоматической фильтрации ответов нет.

Ornith 1.0 35B AEON Ultimate Uncensored GGUF — это набор квантованных GGUF-версий языковой модели AEON-7/Ornith-1.0-35B-AEON-Ultimate-Uncensored-BF16. Квантизация выполнена пользователем vcruz305 из исходных весов BF16 с применением калибровки importance matrix. Модель предназначена для генерации текста, рассуждений и программирования и запускается преимущественно через llama.cpp. Модель имеет архитектуру Qwen3 MoE (mixture of experts) и заявленный размер 35B параметров. Доступны варианты с разными уровнями квантования — от Q8_0 до IQ1_M — с размером файлов примерно от 8,2 до 35 ГБ. Предлагаются стандартные версии для обычной авторегрессионной генерации и MTP-grafted версии со встроенным блоком Multi-Token Prediction для speculative decoding. В MTP-варианты добавлены 785 тензоров из Qwen/Qwen3.5-35B-A3B; заявленное ускорение генерации в отдельных тестах достигает 1,8 раза. В README приведены конфигурации с контекстом до 32768 токенов, однако поддерживаемые языки и точный общий объём параметров не уточнены. Сильные стороны модели — широкий выбор квантований для GPU с 8–48 ГБ памяти, поддержка MoE и возможность ускоренной генерации через встроенный MTP-блок. Ограничения включают зависимость от совместимой версии llama.cpp для MTP-режима, компромиссы качества при низких уровнях квантования и отсутствие подробных данных о языковом покрытии, качестве на бенчмарках и безопасности uncensored-настройки. Указана нестандартная лицензия aeon-ultimate; подробные условия следует уточнять по ссылке на лицензию или базовую модель.

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.

Экспериментальная чат-модель tavtav на архитектуре Llama, созданная дообучением базовой Llama-3-8B. Модель содержит 7,5 млрд параметров и принимает диалоги в формате ChatML; заявленная длина контекста расширена до 1 048 576 токенов с помощью метода PoSE. Модель предназначена для генерации текста и ведения диалогов с длинным контекстом. Обучение завершено лишь наполовину первого из двух запланированных эпох, поэтому качество и устойчивость ответов могут быть ограничены. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.