II.8Инженерия данных и аналитика

Карточка модели hudsonai-app/whisper-large-v3-turbo-4bit на Hugging Face совпадает с карточкой mlx-community/whisper-large-v3-turbo-4bit, поэтому описание составлено по ней. mlx-community/whisper-large-v3-turbo-4bit — мультиязычная модель распознавания речи на базе OpenAI Whisper large-v3-turbo, преобразованная сообществом mlx-community в формат MLX с 4-битным представлением. Она предназначена для преобразования аудиозаписей в текст и запуска на устройствах Apple через библиотеку mlx-audio-plus. Модель принимает аудио и выдаёт текст; исходная модель также поддерживает перевод речи в текст. Репозиторий распространяется по лицензии Apache-2.0.

APUS-xDAN-4.0-MoE-v2 — авторская decoder-only трансформерная языковая модель с архитектурой Mixture of Experts, разработанная командой xDAN. В карточке указаны 136 млрд параметров и активация двух экспертов на токен; метаданные репозитория классифицируют веса как MixtralForCausalLM с 33,9 млрд параметров. Модель продолжает обучение на архитектуре LLaMA и опирается на возможности серии xDAN-L2; README сообщает об использовании обратной связи от людей для улучшения рассуждений, математических и логических задач. Модель предназначена для генерации текста и диалогового использования. Заявленная длина контекста — 32 768 токенов; метаданные указывают английский и китайский языки. README также описывает варианты квантования от 1,5 до 4 бит и совместимость открытой версии с потребительскими GPU. Репозиторий распространяется по лицензии CC BY 4.0.

Карточка модели Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7-lr4 на Hugging Face совпадает с карточкой Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7, поэтому описание составлено по ней. Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7 — дообученная Smilesjs модель семейства Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и рассчитана на текстовые диалоги; в метаданных указана поддержка английского языка. Модель можно применять для генерации ответов и кода в интерактивных сценариях. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальную химическую настройку, качество на задачах или результаты оценки, поэтому название репозитория само по себе не подтверждает пригодность для химических сценариев.

CyberNeurova-DeepSeek-V4-Flash-abliterated-GGUF — экспериментальная исследовательская версия DeepSeek-V4-Flash, разработанная CyberNeurova. Это permanently-abliterated модель, в которой изменения, снижающие склонность к отказам, встроены непосредственно в веса во время конвертации. Модель упакована в формат GGUF для запуска через специализированную экспериментальную ветку llama.cpp, поддерживающую DeepSeek-V4-Flash. Модель предназначена для генерации текста, программирования, рассуждений, поиска ошибок, кибербезопасностных исследований и сценариев с вызовом инструментов. По заявлению автора, версия v2 показывает 99,2% соответствия формату tool calling, 85,0% эффективности в поиске ошибок, 90,0% соответствия в задачах hacking и cyber-weapons compliance, а также низкий уровень отказов на указанных тестах. Архитектура основана на 284-миллиардной FP8 MoE-модели DeepSeek-V4-Flash; поддерживаемая модальность — текст, язык README указывает английский. Размер контекста в карточке не указан. Доступны варианты Q2_K размером около 98,8 ГБ и Q8_0 размером около 282 ГБ. Для Q2_K рекомендуется не менее 128 ГБ RAM, для Q8_0 — около 320 ГБ; GPU необязателен. Q2_K практичнее для рабочих станций, а Q8_0 ориентирован на максимальное качество и исследования. Ограничения включают экспериментальный статус, зависимость от специальной ветки llama.cpp, необходимость корректной stop-последовательности и высокие требования к памяти. Модель распространяется по лицензии MIT.

DeepSeek-V4-Flash-MXFP4-GGUF — конверсия официальных весов DeepSeek-V4-Flash в формат GGUF, подготовленная для локального запуска и тестирования. Модель построена на архитектуре Mixture-of-Experts и поддерживает диалоговую генерацию текста; файлы сохраняют маршрутизируемые экспертные веса в MXFP4, а плотные веса и тензоры — в исходных типах FP8, BF16 и F32 либо в варианте совместимости с F16 и Q8_0. Репозиторий содержит два файла размером около 156 и 158 ГБ. Для запуска требуются runtime с поддержкой архитектуры DeepSeek V4 и соответствующих типов тензоров; README указывает на V4-совместимую ветку llama.cpp. Вариант Q8Compat проверен короткими тестами на фактический ответ, JSON, структуру вызова инструмента и генерацию кода. Файлы конверсии помечены как находящиеся в разработке и проходят валидацию, поэтому совместимость и корректность ещё ограничены. Лицензия — MIT.

EvoEmbedding-4B — модель эмбеддингов семейства EvoEmbedding, разработанная MiG-NJU на архитектуре Qwen3-4B. Она предназначена для поиска по длинным последовательностям и диалогам: модель учитывает порядок сообщений и обновляет латентную память по мере поступления контекста, формируя контекстно-зависимые векторы для извлечения информации в RAG-системах и агентской памяти. Клиент из репозитория также поддерживает ранжирование списка кандидатов по релевантности. Модель содержит 4 млрд параметров и принимает последовательности текстовых сообщений, выдавая нормализованные эмбеддинги; доступна в формате safetensors. В карточке указаны английский и китайский языки. Лицензия — Apache-2.0. Для использования требуется клиентская реализация из GitHub-репозитория проекта; в README не приведены результаты сравнительных оценок качества.

Sahajtomar/German-semantic — модель семейства BERT на базе Sentence Transformers, предназначенная для сравнения смысловой близости предложений на немецком языке. README приводит результаты на немецком наборе STS: 87,9% на dev и 84,3% на test. Модель преобразует предложения в плотные векторные представления, которые подходят для вычисления семантического сходства и поиска похожих фраз. В метаданных указаны форматы PyTorch и поддержка задач sentence-similarity и feature-extraction. Лицензия в предоставленных данных не указана.

M7Yamshadowexperiment28_Strangemerges_32T3q — объединённая языковая модель, опубликованная MaziyarPanahi на Hugging Face. Она объединяет модели automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32T3q-7B и основана на плотной архитектуре Mistral с 7,1 млрд параметров. Модель предназначена для генерации текста и может использоваться для диалоговых ответов и математических запросов. Поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0.

MeliodasPercival_01_ShadowCalme — объединённая текстовая модель на архитектуре Mistral, созданная путём слияния automerger/MeliodasPercival_01-7B и automerger/ShadowCalme-7B. Она предназначена для генерации текста и диалогов в сценариях, где требуется обработка запросов с длинным контекстом. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Метаданные указывают задачу text-generation; сведения о поддерживаемых языках и специализированных предметных областях отсутствуют. Модель распространяется по лицензии Apache-2.0.

Jan-HQ Mistral-7B-Instruct-v0.2-SLERP — языковая модель Jan на базе Mistral-7B-Instruct-v0.2, созданная слиянием методом SLERP базовой модели с Marcoroni-7B-v3 и go-bruins-v2. Это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста по инструкциям. В карточке указаны шаблоны ChatML и Alpaca, а запуск предлагается через Jan Desktop на macOS, Windows и Linux. Метаданные указывают английский язык и возможность chat. README описывает проект как тест слияния моделей; результатов оценки в карточке нет. Доступна по лицензии Apache-2.0.

Mistral-ORPO-α — диалоговая языковая модель, разработанная KAIST AI и дообученная на базе mistralai/Mistral-7B-v0.1 методом оптимизации предпочтений ORPO. В отличие от подхода с предварительным этапом supervised fine-tuning, ORPO непосредственно обучает модель предпочитаемым ответам. Для обучения использован датасет HuggingFaceH4/ultrafeedback_binarized. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Карточка приводит результаты сравнительных оценок на AlpacaEval, MT-Bench и IFEval. Основной язык в метаданных — английский. Модель подходит для диалоговых ответов и выполнения текстовых инструкций. Доступна по лицензии MIT. Результаты бенчмарков не гарантируют качество на конкретных задачах.

Moondream 2 — компактная модель зрения и языка от разработчиков Moondream, предназначенная для эффективного запуска на широком спектре устройств. В репозитории размещён выпуск от 21 июня 2025 года; это предыдущее поколение после Moondream 3 Preview. Модель принимает изображение и текстовый запрос и отвечает текстом, поддерживая визуальные вопросы и ответы, описание изображений, распознавание текста и таблиц, подсчёт объектов, обнаружение объектов и элементов интерфейса, а также понимание диаграмм и документов. В выпуске заявлены пошаговое рассуждение с привязкой к пространственным позициям, улучшенное обнаружение объектов и понимание интерфейсов, а также ускоренная генерация. Поддерживаются веса SafeTensors и библиотека Transformers. Репозиторий часто обновляется, поэтому для производственного приложения README рекомендует фиксировать конкретную ревизию. Лицензия — Apache-2.0. Размер модели, длина контекста и перечень поддерживаемых языков в предоставленных данных не приведены.

zelk12/MT4-Gen5-IBMUMM-gemma-2-9B — объединённая модель на основе Gemma 2, созданная с помощью mergekit методом SLERP из zelk12/MT4-Gen5-IB-gemma-2-9B и zelk12/MT4-Gen5-MUMM-gemma-2-9B. Это плотная авторегрессионная языковая модель с 9 млрд параметров для генерации текста и диалогового взаимодействия; она принимает текст и выдаёт текст. Контекст составляет до 8192 токенов, файлы модели представлены в формате safetensors. Модель подходит для диалогов и генерации ответов или другого текста в пределах поддерживаемого контекста. README описывает способ слияния, но не приводит сравнительных оценок качества или подробностей специализации исходных моделей, поэтому конкретные преимущества слияния установить нельзя. В метаданных указана лицензия Gemma; используйте модель в соответствии с условиями лицензии базового семейства Gemma 2.

Prox-Phi-3-mini-128k — языковая модель OpenVoid, дообученная на базе архитектуры Microsoft Phi-3-mini-128k для генерации кода и задач кибербезопасности. Это плотная авторегрессионная модель класса Phi3ForCausalLM примерно с 3,7 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации, объяснения и документирования кода, ответов на вопросы о кибербезопасности и техниках взлома, а также анализа уязвимостей и учебных симуляций. Карточка приводит результаты HumanEval, EvalPlus и MBPP, но они не гарантируют качество на практических задачах. Модель может выдавать ошибочные или непоследовательные ответы, поэтому результаты следует проверять, особенно в критичных сценариях. Метаданные указывают английский язык и контекст 4096 токенов; название модели и README заявляют 128k, что расходится с указанной длиной контекста. Лицензия — Apache-2.0.

MingZwhy выпустил компактную причинно-языковую модель Qwen3-0.6B с 507,9 млн параметров. Это дообученная версия Qwen/Qwen3-0.6B: веса квантованы до эффективных 2,79 бита на параметр, после чего модель восстановлена с помощью quantization-aware distillation и on-policy distillation. Для весов используются смешанные INT1.58 и INT4 блоки, для эмбеддингов и выходной головы — INT4, для активаций — INT8. Модель загружается через Transformers и предназначена для генерации текста и диалогов; контекст составляет до 40 960 токенов. В опубликованных автором тестах модель показала результаты, близкие к исходной версии BF16 на GSM8K, MATH-500, AMC23, MBPP, HumanEval и QA9, но на части тестов уступила базовой модели. Низкая разрядность квантования сокращает требования к хранению весов, однако качество зависит от задачи и может снижаться относительно полной версии. Лицензия — Apache-2.0.

DavidAU/Qwen3.5-21B-GLM-4.7-Flash-Deckard-Heretic-Uncensored-Thinking — плотная мультимодальная модель на 21 млрд параметров семейства Qwen3.5, дообученная на базе DavidAU/Qwen3.5-27B-Deckard-PKD-Heretic-Uncensored-Thinking. По README, модель сначала получила набор Deckard/PDK для характера и глубины ответов, затем была уменьшена с 27B до 21B и дополнительно обучена на данных рассуждений GLM-4.7-Flash. Использует архитектуру Qwen3_5ForConditionalGeneration и библиотеку Transformers; заявленное окно контекста — 256 тыс. токенов. Модель предназначена для диалогов, творческого письма, ролевых сценариев, генерации кода и рассуждений. Поддерживает переменную длину рассуждений и обработку изображений; автор также заявляет более высокую скорость по сравнению с исходной версией на 27B. В карточке указаны английский и китайский языки. Модель описана как uncensored и может выдавать откровенный, грубый или графичный контент. Распространяется под лицензией Apache-2.0 в формате safetensors. README предупреждает о возможных зацикливаниях при низких квантизациях или недостаточно содержательных запросах; результаты могут зависеть от квантизации и параметров генерации. HF pipeline tag классифицирует её как image-text-to-text.

amd/Qwen3-VL-8B-Instruct-w8a8-llmcompressor — квантизированная версия мультимодальной модели Qwen3-VL-8B-Instruct, созданная AMD с использованием LLM Compressor и формата compressed-tensors. Модель предназначена для задач преобразования текста и изображений в текст, включая визуальные вопросы и анализ диаграмм. Архитектура — Qwen3VLForConditionalGeneration; поддерживаются входные данные в виде текста и изображений и текстовый вывод. В README указан английский язык, однако полный набор языков базовой модели не раскрыт. Модель рассчитана на CPU-инференс на AMD EPYC под Linux с использованием vLLM, ZenDNN и ZenTorch. Применяется схема W8A8: веса языковой части представлены в INT8 с симметричной поканальной квантизацией, активации — в INT8 с симметричной динамической потокенной квантизацией. Vision tower, проектор и lm_head сохранены в BF16. Размер модели на диске уменьшен с 16,3 до 9,9 ГиБ, примерно на 40%. Для работы указаны vLLM 0.26.0, PyTorch 2.11.0, ZenDNN 6.1.0, ZenTorch 2.11.0.3 и LLM Compressor 0.12.0. По результатам оценки относительно BF16-версии модель показала 0,5740 на ChartQA против 0,5544 у базовой модели и 0,3857 на MMMU для технических и инженерных задач против 0,3952. Это указывает на близкое к исходному качество при меньшем объёме хранения и ориентации на оптимизированный CPU-инференс, однако качество может зависеть от аппаратного и программного стека. Указано ограничение совместимости с ZenDNN v6. Модель распространяется по лицензии Apache-2.0.

Карточка модели Lazarus-Ai/ReAligned-Qwen3.5-35B-A3B на Hugging Face совпадает с карточкой Lazarus-Ai/ReAligned-Qwen3.5-27B, поэтому описание составлено по ней. ReAligned-Qwen3.5-27B — диалоговая модель семейства Qwen3.5, созданная Эриком Хартфордом из LazarusAI на базе Qwen/Qwen3.5-27B. Модель дообучена в два этапа: supervised fine-tuning и GRPO с оценкой ReAligned-Classifier; обучение использует LoRA. Цель — уменьшить отказы и государственно-ориентированную подачу ответов на политические и исторические темы, связанные с Китаем, сохранив общие возможности базовой модели. Модель предназначена для чата, суммаризации, программирования, рассуждений, многоязычного использования, а также исследования идеологической предвзятости, отказов и рамки повествования. Архитектура — плотная Qwen3.5 с классом Qwen3_5ForConditionalGeneration; метаданные указывают мультимодальную основу с поддержкой текста и изображений. Карточка не сообщает размер параметров и длину контекста именно этого чекпойнта. Лицензия — Apache-2.0. Снижение цензурных отказов не гарантирует точность фактов; возможны чрезмерная коррекция в сторону западной институциональной рамки, пробелы в знаниях и различия поведения между языками и формулировками. Авторы рекомендуют независимую оценку и собственные меры модерации при развёртывании.

franzclarin/ReverseDictionary — дообученная модель Sentence Transformers на базе sentence-transformers/all-MiniLM-L6-v2, созданная для поиска по смыслу. Она кодирует предложения и абзацы в нормализованные плотные векторы размерностью 384; сходство между текстами можно оценивать косинусной близостью. Архитектура включает энкодер BERT, усредняющий pooling и нормализацию. По метаданным, модель содержит 25,9 млн параметров и поддерживает контекст до 512 токенов; README указывает максимум в 256 токенов. Модель обучалась на примерах с тремя связанными текстовыми полями и подходит для поиска по описанию, сопоставления формулировок и извлечения близких по смыслу предложений. Прикладная модальность — текст; основной язык базовой модели — английский. Доступны веса Safetensors и формат ONNX. Лицензия в предоставленных данных не указана.

THU-KEG/SIRI-7B-high — языковая модель на 7,1 млрд параметров, разработанная в рамках проекта SIRI (Scaling Iterative Reinforcement Learning with Interleaved Compression). Это дообученная с помощью обучения с подкреплением версия DeepSeek-R1-Distill-Qwen-7B на архитектуре Qwen2; модель предназначена для генерации текста и диалогов с рассуждениями. Метод SIRI чередует сжатие и расширение бюджета рассуждений по косинусному планировщику, стремясь уменьшить избыточные цепочки рассуждений и расход токенов без потери точности. Карточка сообщает о проверке подхода на моделях размером 1,5B и 7B и описывает обучение на основе GRPO с изменениями DAPO. Модель поддерживает контекст до 131072 токенов, а в карточке указаны английский и китайский языки. Распространяется в формате Safetensors по лицензии Apache-2.0.

Trinity-2-Codestral-22B-GGUF — это набор GGUF-квантизаций базовой текстогенеративной модели Trinity-2-Codestral-22B, разработанной migtissera и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и, судя по названию Codestral, ориентирована прежде всего на задачи, связанные с программным кодом, однако подробные сведения о специализации, обучении и результатах тестирования в README отсутствуют. Доступны варианты от полного F32 размером 88,99 ГБ до низкобитных IQ2_M размером 7,62 ГБ. Наиболее качественными и рекомендуемыми названы варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q5_K_S и Q4_K; некоторые версии используют Q8_0 для embedding- и output-весов. Модель работает в формате GGUF через llama.cpp и может запускаться, в частности, в LM Studio. Указан шаблон prompt с ролями system, user и assistant. Данные о поддерживаемых языках, размере контекста, архитектуре, модальностях и конкретных сильных сторонах не приведены. Лицензия обозначена как other, без дополнительных условий в README.

WomboCombo-R1-14B-Preview — экспериментальная объединённая языковая модель на архитектуре Qwen2, опубликованная RDson. Она создана методом sce с помощью mergekit на основе Qwen/Qwen2.5-14B-Instruct и объединяет веса DeepSeek-R1-Distill-Qwen-14B, Virtuoso-Small, DRT-o1-14B и Fusion4-14B-Instruct. Модель содержит 14 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса safetensors для Transformers. Модель предназначена для диалога и генерации ответов, включая задачи, в которых полезны возможности объединённых инструкционных и reasoning-моделей. Метаданные отмечают интерфейс вызова инструментов, но сами по себе не подтверждают качество или совместимость такого режима. Это предварительная версия с небольшим числом загрузок; отдельные оценки качества и список поддерживаемых языков в предоставленных данных отсутствуют. Лицензия в доступных данных не указана.

AMD-OLMo-1B-SFT-DPO-GGUF — квантизированная версия языковой модели AMD-OLMo-1B-SFT-DPO, разработанной AMD на основе открытой архитектуры и подходов обучения OLMo-1B. Формат GGUF подготовлен bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска в совместимых приложениях, включая LM Studio. Модель содержит около 1 миллиарда параметров, поддерживает контекст длиной до 2048 токенов и использует словарь размером 50 280 токенов. Базовое предварительное обучение выполнено на 1,3 триллиона токенов из набора Dolma. Затем модель прошла supervised fine-tuning на наборах Tulu V2, OpenHermes-2.5, WebInstructSub и Code-Feedback, а также выравнивание предпочтений методом Direct Preference Optimization на наборе UltraFeedback. К сильным сторонам относятся открытая основа, компактный размер, адаптация к следованию инструкциям и наличие дополнительного обучения на данных для общего, веб- и программного контента. Ограничения включают небольшой контекст, неизвестную из README языковую специализацию и возможные ошибки, неточности или нежелательный контент при генерации; квантизация также может влиять на качество. Указана лицензия Apache-2.0.

BAAI/BGE-VL-v1.5-zs — мультимодальная модель эмбеддингов для поиска по изображениям и тексту, разработанная командой BAAI в рамках семейства BGE-VL. Она дообучена на базе llava-hf/llava-v1.6-mistral-7b-hf и использует архитектуру LLaVA-NeXT с плотным представлением; для работы применяются Sentence Transformers и веса Safetensors. Модель принимает текст, изображения или их сочетание и формирует эмбеддинги для мультимодального поиска и сравнения сходства. В README указано, что изображения для этой модели следует приводить к размеру 512×512; инструкции в запросе можно использовать для представления входа как поискового запроса, а без них — как кандидата. Модель предназначена для поиска изображений по текстовому описанию, поиска по сочетанию изображения и текстового уточнения, а также для универсального мультимодального извлечения и сопоставления. В README семейство BGE-VL показывает сильные результаты в zero-shot-поиске с составными запросами по изображениям и на бенчмарке MMEB. Указанная лицензия — MIT. Карточка описывает результаты семейства и не приводит отдельные оценки именно этой версии; для корректной работы с изображениями требуется учитывать рекомендованный размер 512×512.

Карточка модели Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v13 на Hugging Face совпадает с карточкой Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7, поэтому описание составлено по ней. Smilesjs/chemsmart-qwen2.5-coder-3b-instruct-v7 — дообученная Smilesjs модель семейства Qwen2 для генерации текста. Она основана на unsloth/Qwen2.5-Coder-3B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL. Модель содержит 3,1 млрд параметров, имеет контекст до 32 768 токенов и рассчитана на текстовые диалоги; в метаданных указана поддержка английского языка. Модель можно применять для генерации ответов и кода в интерактивных сценариях. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальную химическую настройку, качество на задачах или результаты оценки, поэтому название репозитория само по себе не подтверждает пригодность для химических сценариев.

csg-wukong-1B-chat-v0.1 — разработанная OpenCSG чат-модель, полученная дообучением csg-wukong-1B. Она предназначена для диалоговой генерации текста и может применяться в чат-ботах и других сценариях, где требуется генерировать ответы на текстовые запросы. Модель построена на плотной архитектуре Llama и содержит около 1 млрд параметров; заявленная длина контекста — 32 768 токенов. В карточке также отмечена возможность работы с кодом. Модель представлена в формате safetensors и распространяется по лицензии Apache-2.0. В README приведены сведения об обучении и оценке исходной csg-wukong-1B на open_llm_leaderboard, но отдельные результаты оценки чат-версии не указаны.

KnutJaegersberg/Deita-4b — диалоговая языковая модель на архитектуре Qwen2 с 3,6 млрд параметров. Она предназначена для генерации текста и выполнения пользовательских инструкций в формате чата; в карточке приведён пример ответа на вопрос о дообучении языковых моделей. Модель использует формат safetensors и поддерживает контекст до 32 768 токенов. В метаданных указан датасет KnutJaegersberg/Deita-6k, что указывает на дообучение базовой модели, однако идентификатор исходного чекпойнта не приведён. README сообщает результаты оценки на нескольких тестах Open LLM Leaderboard, но не даёт полного набора результатов. Лицензия обозначена как other, поэтому условия использования следует уточнять по странице модели.

Diba-Base — базовая большая языковая модель семейства Diba, разработанная Dibachain. Это плотная авторегрессионная модель с архитектурой DibaForCausalLM и 3,4 млрд параметров; она предназначена для диалога, генерации кода и работы с инструментами. Основной язык модели — персидский (фарси), также она отвечает на английском и поддерживает запросы на обоих языках. Модель ориентирована на персидскую письменную речь, знания об Иране, включая его современную историю, и написание кода, в том числе на Python и JavaScript. Её можно запускать локально и офлайн; карточка описывает запуск на CPU через GGUF, хотя в метаданных репозитория указан формат safetensors. Заявленная длина контекста — 262 144 токена. В сравнительных тестах из карточки модель показала хорошие результаты на вопросах об истории Ирана и задачах кодирования для своего размера. Это результаты автора, а не независимая оценка. Для модели такого размера важно проверять факты и сгенерированный код; ответы также отражают перспективы, представленные в обучающих данных. Лицензия — Apache-2.0.

Dolphin3.0-Llama3.2-1B-GGUF — это GGUF-квантизации языковой модели Dolphin3.0-Llama3.2-1B, опубликованные и подготовленные пользователем bartowski. Модель основана на cognitivecomputations/Dolphin3.0-Llama3.2-1B и предназначена для генерации текста, включая работу через llama.cpp и LM Studio. Указан английский язык. Модель имеет размер 1B параметров и представлена в вариантах от F32 и F16 до разных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 0,64 до 4,95 ГБ, что позволяет выбирать между качеством и требованиями к оперативной памяти. В README приведён формат диалога с ролями system, user и assistant. Среди обучающих данных указаны наборы для программирования, математических задач, function calling, instruction tuning и диалогов. К сильным сторонам относятся широкий выбор квантизаций, возможность локального запуска и сравнительно небольшие требования к ресурсам; варианты Q4_K_M, Q5 и Q6 отмечены как рекомендуемые для разных сценариев. Более агрессивная квантизация снижает качество, а конкретные возможности модели, например мультимодальность, длина контекста и поддержка других языков, в README не указаны. Лицензия обозначена как llama3.2.

Everyone-LLM-7b-Base — базовая языковая модель из серии EveryoneLLM, созданная сообществом и опубликованная rombodawg. Это объединённая модель на архитектуре Mistral с 7,1 млрд параметров, предназначенная для генерации текста и выполнения инструкций в шаблоне Alpaca. В карточке приведены результаты тестов Open LLM Leaderboard, включая задачи на рассуждение и здравый смысл. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. README сообщает о слиянии множества дообученных моделей сообщества, но не приводит их названия, поэтому базовые компоненты установить нельзя. Лицензия в метаданных обозначена как unknown; условия использования следует уточнить у автора перед применением.