II.8Инженерия данных и аналитика

DevQuasar-R1-Uncensored-Llama-8B — объединённая авторами DevQuasar языковая модель для генерации текста и диалогов. Она создана методом линейного слияния трёх моделей: DeepSeek-R1-Distill-Llama-8B, LLama-3.1-8B-HyperNova-abliteration и Llama-3.1-8B-Lexi-Uncensored-V2. Архитектура — плотная LlamaForCausalLM; размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для диалоговых ответов, рассуждений и задач общего характера. В README приведены результаты оценивания, включая HellaSwag, и заявлено улучшение по большинству тестов относительно DeepSeek-R1-Distill-Llama-8B, однако подробности таблицы в карточке представлены не полностью. Модель распространяется по лицензии MIT.

Distil-Large-v3.5 — англоязычная модель распознавания речи из семейства Distil-Whisper, созданная в совместной работе Бофэном Хуаном, Эсташем Ле Бианом, Стивеном Чжэном и Вайбхавом Шриваставом. Это дистиллированная версия OpenAI Whisper-Large-v3 с архитектурой Whisper encoder-decoder; в метаданных указано 905,2 млн параметров. Модель предназначена для преобразования речи в текст, включая короткие аудиозаписи и длинные записи с последовательной или разбитой на фрагменты обработкой. Авторы сообщают об обучении на 98 тысячах часов разнообразных публичных данных, использовании teacher-модели с расширенным графиком обучения и аугментации SpecAugment. По оценкам авторов, модель примерно в 1,5 раза быстрее Whisper-Large-v3-Turbo и показывает хорошие результаты на коротких записях; также её можно использовать как черновую модель для speculative decoding с Whisper-Large-v3. Модель рассчитана на английскую речь. Она поддерживается библиотекой Transformers версии 4.39 и новее, веса опубликованы в формате safetensors. Лицензия — MIT. Результаты зависят от типа аудио: на приведённой авторами оценке ошибка распознавания длинных записей выше, чем коротких; заявленные метрики основаны на нормализованном тексте и конкретных тестовых наборах.

Zynerji/Ektome-Qwen3.8-27B-PristinelyUncensored-GPTQ-MTP — это 4-битная GPTQ-модель для генерации текста, созданная Ektomē на базе Qwen/Qwen3.8-27B. По заявлению автора, модель подверглась «weight surgery»: из языкового декодера удалено направление, связанное с отказами, без дополнительного обучения или fine-tuning. Веса упакованы в формат GPTQ с оптимизациями Marlin; 407 из 503 декодерных Linear-слоёв квантизованы, а исключённые модули оставлены в bfloat16. MTP-голова и vision tower сохранены, однако MTP-голова не квантизована и отключена по умолчанию. Модель предназначена для локального inference и сценариев генерации текста, включая программирование и другие задачи, где полезно speculative decoding с multi-token prediction. Автор сообщает о приросте скорости при включении MTP до 35% на коротких запросах, 30% при batch 8 и 63% на глубоком кодировании, но результаты получены на RTX PRO 6000 Blackwell и не гарантируют аналогичную производительность на другом оборудовании. Размер весов составляет около 17,7 GiB, поэтому модель рассчитана на видеокарты с 24 ГБ памяти с доступным пространством для KV-cache. Для загрузки требуется vLLM или SGLang; стандартный transformers эту конфигурацию не поддерживает. На Python 3.11 может потребоваться удалить flashinfer-python либо использовать Python 3.12. Максимальный контекст именно этой сборки в README не указан. Измерения на тестах автора показывают сохранение базовых возможностей после редактирования, но не подтверждают улучшение качества; speculative decoding также дал не полностью идентичные результаты в одном из тестов. Лицензия — Apache-2.0.

Endy-Qwen3.6-CyberSec-35B-A3B-GGUF — локальная GGUF-модель, созданная на основе huihui-ai/Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated. Это QLoRA-файнтюн, специализированный на программировании, задачах IT и кибербезопасности, включая анализ уязвимостей, пентестинг и безопасную разработку. Модель позиционируется как uncensored и предназначена для авторизованных исследований безопасности, обучения и локального запуска. Архитектура qwen3_5_moe сочетает MoE примерно с 35 млрд общих параметров и около 3 млрд активных, линейное внимание DeltaNet, native MTP и поддержку vision. Для работы с изображениями требуется парный файл mmproj; заявлена поддержка английского языка. Доступны квантизации от Q8_0 до Q2_K объёмом примерно от 37,8 до 13,2 ГБ; для GPU с 32 ГБ рекомендуется Q5_K_M. Указан контекст до 262 144 токенов и скорость около 57 токенов в секунду на Tesla V100. Сильными сторонами являются специализация на коде и кибербезопасности, поддержка текстовых и визуальных входов, экономичное MoE-вычисление и возможность локального инференса. Ограничения включают снижение качества на низких уровнях квантизации, склонность к повторениям в длительных агентных задачах и отсутствие поддержки speculative decoding и prefix-KV reuse. Модель распространяется по лицензии AGPL-3.0; использование должно соответствовать законодательству и ограничениям, связанным с происхождением части обучающих данных.

ERNIE-4.5-37B-A3B-Thinking-Brainstorm20x — текстовая MoE-модель для генерации и диалога, созданная DavidAU на основе ERNIE-4.5-21B-A3B-Thinking от Baidu с применением Brainstorm 20x. Модель предназначена для творческого письма, мозгового штурма, диалогов, программирования и рассуждений. По карточке, расширение Brainstorm направлено на более подробную и связную прозу, выразительные описания и нестандартные ассоциации; заявлены улучшения на некоторых тестах связности и повествовательного завершения, при небольшом снижении результата BoolQ. Архитектура — ERNIE 4.5 MoE с классом Ernie4_5_MoeForCausalLM; в метаданных указано 5,4 млрд параметров, а карточка описывает расширение исходной модели с 21 до 37 млрд параметров. Контекст составляет 131 072 токена. Модель принимает текст и генерирует текст; карточка указывает английский язык. Доступны веса safetensors и библиотека Transformers, а также возможность использовать исходные веса для конвертации в другие форматы. Лицензия — Apache-2.0. Для квантованных вариантов автор рекомендует не опускаться ниже IQ3 с imatrix или q4_K_S.

EpistemeAI/Fireball-Mistral-Nemo-Base-2407-sft-v2.2a — дообученная языковая модель EpistemeAI на архитектуре Mistral с плотной архитектурой и 12,1 млрд параметров. Она предназначена для генерации текста; модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель основана на EpistemeAI/Fireball-Mistral-Nemo-Base-2407-sft-v2.1 и распространяется в формате Safetensors. Заявленное максимальное окно контекста — 1 024 000 токенов. В метаданных указан английский язык. Лицензия — Apache-2.0.

Dzluck публикует Gemma 4 E2B JANG4M CRACK — изменённую версию Google Gemma 4 E2B Instruct с удалёнными отказами. Модель предназначена для диалогов, рассуждений, ответов на вопросы и генерации кода; принимает текст и изображения, а автор также заявляет о сохранении аудиовхода. Каталог Hugging Face относит её к мультимодальной задаче image-text-to-text и указывает архитектуру Gemma4ForConditionalGeneration с плотной архитектурой. Модель использует смешанную квантизацию JANG_4M: 8-битные веса внимания и 4-битные веса MLP, в среднем около 4,3 бита. По данным автора, MMLU снизился на 1,7 процентного пункта относительно исходной модели; в тестах HarmBench автор сообщает о полном выполнении запросов вредных категорий. Для запуска нужны Mac на Apple Silicon и vMLX с поддержкой Gemma 4; стандартные mlx_lm и mlx_vlm поддерживаются не полностью. Лицензия — Gemma; карточка также обозначает модель как предназначенную для исследований.

Gemopus-4-26B-A4B-it-GGUF — мультимодальная instruction-tuned модель, разработанная Jackrong на основе Google Gemma 4 26B Instruction. Это версия с supervised fine-tuning, ориентированная на сохранение исходного стиля рассуждений Gemma 4 и улучшение качества, структуры, ясности и согласованности ответов. Модель распространяется в формате GGUF и предназначена для использования с llama.cpp и совместимыми инструментами. Модель поддерживает сценарии генерации текста и работы с изображениями, включая диалоговые, технические и научно-популярные задачи. В README заявлена поддержка английского, китайского, корейского и японского языков. Среди сильных сторон отмечаются более естественный стиль общения, улучшенная организация длинных ответов, точность профессиональной терминологии и способность объяснять сложные темы понятным языком. Рекомендуемые параметры генерации: temperature=1.0, top_p=0.95 и top_k=64. Размер контекстного окна и точные сведения об архитектуре, включая значение обозначения A4B, в предоставленных данных не указаны. Публичные результаты benchmark также отсутствуют, поэтому фактические преимущества модели над базовой Gemma 4 или другими моделями не подтверждены количественно. README подчёркивает консервативный подход к дообучению без агрессивной дистилляции цепочек рассуждений; модель может иметь ограничения, связанные с отсутствием последующего reinforcement learning и process supervision. Лицензия — Apache License 2.0.

GPT-6 Luna Pro — вариант GPT-6 Luna от OpenAI, работающий с параметром reasoning.mode, установленным в pro. Он предназначен для получения более качественных ответов на сложные задачи. README описывает его как ту же базовую модель GPT-6 Luna с режимом рассуждения pro. Доступные данные не содержат сведений об архитектуре, размере, контексте, языках или лицензии, поэтому эти характеристики нельзя уточнить. Метаданные каталога относят модель к задаче image-text-to-text, однако README не описывает работу с изображениями.

Richard Young выпустил эту модифицированную версию IBM Granite 4.2 3B, созданную с помощью Heretic и методом abliteration без переобучения. Это плотный декодерный трансформер GraniteForCausalLM на 3,4 млрд параметров с контекстом 131 072 токена; модель предназначена для генерации текста и диалогов, рассуждений, написания кода и вызова инструментов. В карточке заявлены режимы рассуждения и поддержка 12 языков: английского, немецкого, испанского, французского, японского, португальского, арабского, чешского, итальянского, корейского, нидерландского и китайского. Модификация уменьшает частоту отказов отвечать на запросы: в приведённом автором тесте отказов было 27 из 100 против 98 из 100 у исходной модели. Это не гарантирует полного отсутствия отказов, а изменение может приводить к небезопасным или неточным ответам. Модель распространяется под лицензией Apache 2.0; автор указывает сценарии исследования, творческого письма, обучения методам выравнивания и локального запуска.

Arx12/Maple-Preview-Exact-GGUF — это сторонний набор GGUF-репаков модели Maple-Preview, разработанной DeepGrove. Репаки подготовлены и проверены Arx12 на основе официальных файлов DeepGrove; данный репозиторий не является официальным релизом DeepGrove. Модель предназначена для генерации текста и задач, требующих рассуждений, с акцентом на соотношение качества, скорости и потребления памяти. Агентные сценарии и широкое постобучение пока ограничены по сравнению с планируемой полной версией Maple. Maple-Preview представляет собой reasoning-модель с архитектурой Mixture-of-Experts: 20 млрд общих параметров, около 1 млрд активных параметров на токен, 24 трансформерных слоя, 256 экспертов и 8 активных экспертов на токен. Используется ternary-weight дизайн и конфигурация внимания 3:1 SWA-512:GA, объединяющая скользящее и глобальное внимание. Контекст — до 131 072 токенов, заявленный язык — английский. Доступны варианты с точным репаком матриц TQ2_0 в Q4_0 или Q8_0, а также F16-представление; для некоторых вариантов LM head квантуется отдельно, поэтому полная побитовая идентичность вывода между форматами не гарантируется. Сильной стороной является сохранение представленных значений исходных матриц при репаках Q4_0 и Q8_0, подтверждённое проверкой всех 168 исходных TQ2_0 матриц, а также возможность работы с очень длинным контекстом и сравнительно небольшим числом активных параметров. Ограничения включают preview-статус, возможное отставание в агентных задачах и то, что exact-репак не восстанавливает точность, утраченную до исходного квантования; различия в вычислительных ядрах могут менять логиты и текст. Модель и производные репаки распространяются по лицензии MIT.

Marin 8B Base — базовая языковая модель для генерации текста, разработанная сообществом marin-community. Данный репозиторий содержит её квантованные версии в формате GGUF, подготовленные mradermacher с использованием imatrix-квантования. Модель ориентирована на работу с англоязычным текстом и предназначена для локального запуска в совместимых инструментах и библиотеках. Модель обучалась на смеси наборов данных, включающей Dolmino и OLMo Mix, StarCoderData, Proof-Pile-2, MegaWika, DCLM, FineMath, материалы ar5iv, научные вопросы, Stack Exchange и Wikipedia. Это делает её пригодной для общих задач генерации и продолжения текста, работы с техническими и научными материалами, программным кодом и структурированным контентом. Из доступных данных известно, что это модель примерно на 8 миллиардов параметров; сведения об архитектуре, размере контекста и поддержке дополнительных модальностей не указаны. Репозиторий предлагает широкий диапазон квантований с размером файлов примерно от 2,1 до 6,7 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать по качеству; в README в качестве сбалансированных вариантов отмечены i1-Q4_K_S и i1-Q4_K_M, а i1-Q6_K описан как близкий к статическому Q6_K по качеству. Модель является базовой, поэтому её возможности диалогового взаимодействия и следования инструкциям отдельно не заявлены. Распространение выполняется по лицензии Apache 2.0.

MeliodasPercival_01_Strangemerges_32Inex12 — объединённая текстовая модель на архитектуре Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Strangemerges_32Inex12-7B. Она предназначена для генерации текста и диалогов, включая сценарии с длинным контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors. Модель принимает текст и выдаёт текст. В доступных сведениях не названы целевые языки и специализированные предметные области. Лицензия — Apache-2.0.

Это квантованная сборка NVFP4 модели MiMo-V2.6-Distill-Qwen-9B, разработанной Xiaomi MiMo и подготовленной для llama.cpp в формате GGUF. Исходная модель — мультимодальная модель на 9 млрд параметров, дообученная методом SFT на базе Qwen3.5-9B на данных, созданных более крупной моделью MiMo-V2.6. В репозитории также есть отдельный файл mmproj с визуальным энкодером для обработки изображений и видео. Модель предназначена для агентного программирования, работы с инструментами и терминалом, автоматизации, анализа интерфейсов и экранов, а также задач кибербезопасности. Гибридная архитектура сочетает 24 слоя линейного внимания Mamba-2 и 8 слоёв полного внимания; контекстное окно составляет 262 144 токена. Шаблон чата по умолчанию включает режим рассуждений. NVFP4-сборка занимает около 5,18 ГиБ, а ускорение NVFP4 требует видеокарты NVIDIA Blackwell; на более старых GPU используются более медленные пути. Это исследовательская отправная точка для экспериментов с агентным обучением с подкреплением, а не отполированный продукт. Разработчик приводит результаты бенчмарков, но они не были независимо воспроизведены для этой сборки. У модели нет доступной головы multi-token prediction, а KV-кэш при контексте 256K требует значительной памяти. Лицензия — MIT.

Severian разработал Nexus-IKM-Mistral-Instruct-v0.2-7B — разговорную языковую модель на архитектуре Mistral с 7,1 млрд параметров. Модель дообучена на экспериментальном наборе Internal Knowledge Map в течение трёх эпох; для обучения использовалась фазовая методика, последовательно акцентирующая системный контекст и инструкции. Модель предназначена для генерации ответов, рассуждений и синтеза информации из разных областей знаний. Её можно применять для многошагового решения задач, поиска связей между дисциплинами и подготовки междисциплинарных идей; заявленные в карточке способности не подтверждены количественными оценками. Контекст составляет до 32 768 токенов. Указана лицензия MIT.

OLMo-2-1124-7B-Instruct — открытая инструктивная языковая модель Allen Institute for AI (AI2) из семейства OLMo 2. Это плотная авторегрессионная модель класса Olmo2ForCausalLM примерно с 6,9 млрд параметров, предназначенная для диалогов и выполнения текстовых инструкций. Она принимает текст и генерирует текст; основной язык — английский, а родной контекст составляет 4096 токенов. Модель дообучена на основе allenai/OLMo-2-1124-7B-DPO: после supervised fine-tuning и DPO на варианте набора Tülu 3 она прошла обучение RLVR. Карточка указывает на ориентацию Tülu 3 на разнообразные задачи, включая математику, GSM8K и следование инструкциям. Модель распространяется в формате safetensors через Transformers под лицензией Apache 2.0. В карточке отмечено, что у OLMo 2 ограниченное обучение безопасности; без дополнительной фильтрации модель может выдавать проблемный контент, особенно при соответствующих запросах. Она не обучалась под конкретный системный промпт.

Open-Instruct Baize 13B — языковая модель на архитектуре LLaMA, дообученная исследователями Allen Institute for AI на датасете Baize для следования инструкциям и генерации текста. Это diff-модель: для её использования нужны исходные веса совместимой LLaMA-модели в формате Hugging Face и применение разницы весов согласно инструкциям карточки. Модель содержит 12,9 млрд параметров, работает с текстом и имеет контекстное окно 2048 токенов. Она предназначена для ответов на вопросы и выполнения инструкций; в карточке также приведены результаты оценок по тестам на знания, рассуждение, вопросы и генерацию кода. Модель обучена следовать заданному формату запросов, поэтому его соблюдение влияет на качество генерации. Модель создана в рамках исследования настройки инструкций на открытых ресурсах. Она распространяется по лицензии AI model license вместе с исходной лицензией LLaMA; перед использованием следует учитывать условия обеих лицензий. README не приводит сведений о конкретных ограничениях качества за пределами опубликованных результатов тестирования.

facebook/opt-iml-1.3b — языковая модель семейства OPT, разработанная Meta AI и дообученная следованию инструкциям методом Instruction Meta-Learning. Модель с плотной архитектурой и примерно 1,7 млрд параметров предназначена для генерации текста по запросу; её можно использовать через библиотеку Transformers. Контекст модели составляет 2048 токенов. Обучение проводилось на OPT-IML Bench — наборе примерно из 2000 задач обработки естественного языка, собранных из восьми бенчмарков, включая Super-NaturalInstructions, FLAN и PromptSource. Семейство включает варианты, обученные на 1500 задачах с отложенными задачами для оценки, и OPT-IML-Max, обученный на всех примерно 2000 задачах. В карточке для этой модели не уточнено, какой из вариантов имеется в виду. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. Модель подходит для ответов на инструкции, генерации и преобразования текста в широком круге NLP-задач. Как и другие крупные языковые модели, она может выдавать фактически неверные ответы, токсичный текст и воспроизводить стереотипы; результаты требуют проверки.

Orion-14B-Chat-RAG — мультиязычная чат-модель компании OrionStarAI, дообученная на специальном наборе данных для генерации с использованием поиска по источникам (RAG). Модель построена на плотной архитектуре OrionForCausalLM и содержит 14,1 млрд параметров; веса опубликованы в формате safetensors. Контекст модели составляет 4096 токенов. Модель предназначена для диалоговых систем, которые используют найденные документы или фрагменты знаний для подготовки ответов, а также для генерации текста и кода. Семейство Orion-14B обучалось на многоязычном корпусе и поддерживает китайский, английский, японский и корейский языки; версия Chat-RAG ориентирована на ответы с опорой на извлечённую информацию. Модель разработала OrionStarAI. Лицензия в предоставленных источниках не указана. Как и другие языковые модели, она может выдавать ошибки или неподтверждённые ответы; длина контекста ограничивает объём документов, который можно передать за один запрос.

Parakeet RNNT 1.1B — модель автоматического распознавания речи, совместно разработанная командами NVIDIA NeMo и Suno.ai. Это крупная версия FastConformer Transducer с примерно 1,1 млрд параметров и декодером RNNT; она принимает монофоническое аудио WAV с частотой 16 кГц и возвращает текстовую расшифровку строчными буквами английского алфавита. Модель предназначена для транскрибирования английской речи в аудиозаписях, в том числе разговоров, совещаний, лекций и подкастов. Она обучена на 64 тысячах часов английской речи из частных и открытых наборов данных; в README приведены результаты оценки WER для нескольких речевых корпусов. Модель доступна через NeMo и Transformers, а также может использоваться как исходный чекпойнт для дообучения. Лицензия — CC-BY-4.0. Модель специализируется на английском языке и формате входа 16 кГц, моно; показатели качества зависят от акцента, условий записи и предметной области.

TheBloke/phi-2-GGUF — это набор квантованных файлов модели Phi-2, разработанной Microsoft и преобразованной TheBloke в формат GGUF для локального запуска. Модель предназначена для генерации текста и кода, а также для задач, поддерживаемых исходной Phi-2, с использованием совместимых локальных приложений и библиотек. Phi-2 — языковая модель типа phi-msft, работающая с текстом и ориентированная на английский язык. В README не указаны размер модели, архитектурные детали и максимальная длина контекста. Доступны варианты квантования от 2 до 8 бит, включая методы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать между меньшим потреблением памяти и качеством вывода. Модель использует шаблон запроса «Instruct: {prompt} Output:». Главное преимущество версии GGUF — возможность запуска на CPU и совместимом GPU через llama.cpp и ряд сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Ограничения качества и применимости связаны с квантованием, англоязычной специализацией и возможностями исходной Phi-2; мультимодальность не заявлена. Лицензия указана как microsoft-research-license, применимая к исходной модели Microsoft.

Карточка модели Silin1590/Qwen-0d5B-Int-AbstraL-v2 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.

Карточка модели cold368733/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.

unsloth/Qwen2.5-0.5B-Instruct-unsloth-bnb-4bit — компактная 4-битная версия модели Qwen2.5-0.5B-Instruct, подготовленная Unsloth на базе семейства Qwen, разработанного командой Qwen. Модель предназначена для задач генерации и обработки текста, включая диалоговые приложения, следование инструкциям, работу со структурированными данными, генерацию JSON, базовое программирование и математические запросы. Модель относится к классу авторегрессионных языковых моделей и содержит около 0,49 млрд параметров, из которых около 0,36 млрд не являются параметрами эмбеддингов. Архитектура использует RoPE, SwiGLU, RMSNorm, смещения в QKV внимания, связанные эмбеддинги слов и Grouped Query Attention с 14 головами для Q и 2 для KV. Заявлена поддержка контекста до 32 768 токенов. Семейство Qwen2.5 поддерживает более 29 языков, включая английский, китайский, русский и другие, однако для данной конкретной версии в метаданных явно указан английский язык. Ключевое преимущество версии — сниженные требования к памяти благодаря 4-битному квантованию Unsloth, при этом заявлено выборочное квантование Dynamic 4-bit для лучшего сохранения точности по сравнению со стандартными 4-битными форматами. Ограничениями являются небольшой размер модели и, как следствие, более ограниченные возможности по сравнению с крупными моделями; README также не содержит подробных результатов бенчмарков именно для этой версии. Лицензия — Apache-2.0.

Карточка модели tayaee/Qwen2.5-1.5B-Korean-SFT-smoke на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-1.5B-Instruct — инструктивно дообученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста по инструкциям, включая ответы на вопросы, создание длинных текстов и выдачу структурированных результатов, например JSON. Модель имеет плотную архитектуру причинного трансформера Qwen2 с RoPE, SwiGLU и RMSNorm и содержит 1,5 млрд параметров. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. Карточка описывает поддержку более 29 языков, включая русский и английский; метаданные указывают английский как язык карточки. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Среди сильных сторон — следование инструкциям, работа с длинными текстами и структурированными данными, а также интерфейс для вызова инструментов. Это компактная модель, поэтому её возможности ограничены по сравнению с более крупными языковыми моделями; оценочные результаты для этой конкретной версии в карточке не приведены.

Qwen3.5-35B-A3B RAMP v2 — GGUF-квантизация модели Qwen/Qwen3.5-35B-A3B, подготовленная независимым ML-исследователем Кевином Ремондером. Это генеративная MoE-модель для диалогов; сборка оптимизирована для запуска на видеокарте RTX 5060 Ti с 16 ГБ памяти и занимает около 15,2 ГБ. В README описана схема RAMP: точность квантизации выбирается отдельно для тензоров с учётом их чувствительности, а калибровочная imatrix создавалась на англо- и франкоязычных текстах, коде и клинических данных. Модель предназначена для локального текстового диалога и генерации, в том числе на английском, французском и китайском языках. В качестве основы использована Qwen3.5-35B-A3B; метаданные каталога указывают поддержку чата. Для запуска автор приводит инструкции с llama.cpp и рекомендует ik_llama.cpp для видеокарт sm_120. README сообщает о функциональной проверке 30 из 30 тестов, но не приводит подробных результатов бенчмарков. Репозиторий распространяется по лицензии Apache-2.0.

KridgeDookie выпустил PHILADELPHIA CLASS — дообученную мультимодальную модель на 27,36 млрд параметров на базе Qwen/Qwen3.6-27B. Она сохраняет гибридную архитектуру обработки текста и изображений и предназначена для общения, программирования, творческих задач и экспериментов с мультимодальными сценариями. Версия Safetensors включает обработку изображений; вариант GGUF в BF16 предназначен только для генерации текста. Разработчик сообщает о снижении склонности к отказам: модель не отказала ни на одном из 842 внутренних проверочных запросов и на отдельной выборке из 126 запросов; 23 из 24 проверок связности пройдены. Это внутренние автоматизированные оценки, а не независимые или стандартизированные тесты, и они не подтверждают фактическую точность или безопасность модели. Контекст настроен на 262 144 токена, но доступность полного окна зависит от оборудования. Сниженная склонность к отказам может приводить к вредным, вводящим в заблуждение, предвзятым или незаконным ответам. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Axon-MLQT — квантованная версия Qwen3.8-27B в формате GGUF, подготовленная Jaesoo Park из AXON Sovereign Intelligence Lab. Модель предназначена для диалоговой генерации текста и запуска локально через llama.cpp, Ollama или llama-cpp-python; в карточке также заявлены сценарии рассуждения и программирования. Весовая матрица упакована в тритовые значения {-1, 0, +1}; итоговый файл занимает 6,43 ГБ. README сообщает о тестировании на потребительской видеокарте, но приведённые показатели производительности и сохранения качества являются заявлениями автора. Модель основана на Qwen/Qwen3.8-27B; лицензия — Apache-2.0. Метаданные указывают на диалоговые возможности и задачу генерации текста.

BSC-LT/salamandra7b_rag_prompt_ca-en-es — разговорная языковая модель семейства Llama, представленная в формате Transformers с весами safetensors. Она содержит 6,7 млрд параметров и рассчитана на контекст до 8192 токенов. Карточка сообщает, что для диалогового использования следует применять встроенный шаблон чата токенизатора. Модель подходит для генерации текста в диалоге и задач с кодом. В названии указаны каталонский, английский и испанский языки; метаданные также отмечают многоязычную поддержку, включая русский. README не описывает специальную методику RAG или сравнительные результаты качества. Условия лицензии в доступных данных не приведены.

linhphanff/semantic-base-vi — модель на архитектуре RoBERTa с 162,4 млн параметров, опубликованная пользователем linhphanff. Она предназначена для оценки сходства предложений и может применяться для поиска семантически близких фраз и сравнения текстовых запросов. Метаданные указывают поддержку вьетнамского и английского языков, библиотеку Transformers и контекст до 258 токенов. Карточка содержит лишь краткую инструкцию по установке Transformers, поэтому подробности обучения и использования не описаны. Лицензия указана как other, без уточнения условий.