II.8Инженерия данных и аналитика

FlexiDepth-Llama-3-8B-Instruct — диалоговая причинно-языковая модель, разработанная Xuan Luo, Weizhi Wang и Xifeng Yan. Это дообученная версия Meta Llama 3 8B Instruct с методом FlexiDepth, который динамически пропускает слои во время генерации текста, чтобы сократить вычисления и ускорить вывод. Архитектура — плотная DDLlamaForCausalLM; модель содержит 7,5 млрд параметров, принимает текст и имеет контекст до 8192 токенов. Модель предназначена для генерации текста и ответов на инструкции на английском языке. Авторы приводят результаты по языковым и рассуждательным тестам: в опубликованном сравнении качество сопоставимо с базовой Llama 3 8B Instruct на большинстве заданий при меньшем среднем числе используемых слоёв. Подход также позволяет анализировать, сколько слоёв модель задействует для разных токенов и задач. Модель распространяется в формате Safetensors под лицензией Apache-2.0. Для загрузки авторы указывают использование Transformers версии 4.57.0; заявленные результаты относятся к описанному в README оцениванию и не гарантируют такое же ускорение или качество в любой среде и на любых задачах.

FwF-Qwen-7B-0.1 — языковая модель на архитектуре Qwen2, созданная объединением моделей bunnycore. В README описано слияние методом TIES с базой bunnycore/FuseQwQen-7B и моделями, ориентированными на рассуждения, длительные цепочки размышлений, ролевой диалог и общие задачи. Репозиторий содержит веса в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогов, следования инструкциям, многошаговых рассуждений и ролевых сценариев. Указанные в метаданных возможности включают чат и интерфейс вызова инструментов. Сведения подтверждают поддержку генерации текста, но не устанавливают конкретный уровень качества на отдельных задачах. Лицензия в предоставленных данных не указана.

nypgd/gemma-4-e2b-assistant-vllm — дообученная разработчиком nypgd мультимодальная модель семейства Gemma 4 на базе unsloth/gemma-4-E2B-it. Она предназначена для диалогов с текстом и изображениями; каталог также отмечает интерфейс вызова инструментов. Модель представлена в формате safetensors и обучалась с использованием Unsloth и библиотеки TRL. Модель подходит для вопросов по изображениям и документам, а также для ассистентских сценариев с подключением инструментов. В карточке не приведены сведения о размере, длине контекста и конкретных языковых возможностях; метаданные указывают английский язык. Лицензия — Apache-2.0.

GreenNode-mini-7B-v1olet-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и GreenNode-mini-7B-v1olet методом SLERP. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель опубликована в формате Safetensors под лицензией Apache-2.0. README описывает конфигурацию слияния, но не уточняет языковой охват и специализированные области применения; пригодность для конкретных задач следует проверять отдельно.

Heretic-Scalpel-E2B — мультимодальная чат-модель на архитектуре Gemma 4 E2B, основанная на Google Gemma 4 E2B IT и дообученная автором репозитория. Карточка заявляет, что модель работает локально и офлайн, использует около 8 ГБ оперативной памяти и поддерживает контекст до 128K токенов; эти характеристики приведены в README автора. Модель предназначена для диалога и создания текста, включая суммаризацию и ответы на вопросы, а также для анализа изображений и аудио. Она принимает текстовые, визуальные и аудиовходы и выдаёт текст; в метаданных также отмечен интерфейс вызова инструментов. README описывает ослабление исходных ограничений безопасности, поэтому модель может отвечать на запросы без прежних отказов базовой модели. Возможны фактические ошибки, пробелы в знаниях и трудности с нюансами языка или сложными задачами; ослабленные ограничения безопасности повышают риск вредоносных ответов. Язык модели не указан в метаданных. Лицензия репозитория — Apache-2.0.

silence09 опубликовал преобразованную версию InternLM3-8B-Instruct, представленную в формате архитектуры Qwen2 для совместимости с некоторыми сценариями инференса и классом Qwen2ForCausalLM. Модель содержит 8,3 млрд параметров, использует плотную архитектуру и сохраняет точность исходных весов. Контекст — до 32 768 токенов; поддерживается диалоговое использование и генерация текста. Модель предназначена для запуска запросов к исходной InternLM3-8B-Instruct в окружениях, рассчитанных на Qwen2. Базовая модель ориентирована на общие запросы, работу со знаниями и сложные рассуждения. Репозиторий распространяется по лицензии Apache-2.0.

J.A.R.V.I.S. Titan V15 MoE Decoupled — диалоговая языковая модель Dhanesh на архитектуре JarvisTitanMoEForCausalLM. Согласно карточке, она основана на DeepSeekMoE с общим экспертом и восемью маршрутизируемыми экспертами, из которых активируются два; также заявлены слои Tri-Brid памяти с локальным скользящим окном внимания, извлечением значимых KV-состояний и нейронной памятью Titans. Метаданные каталога указывают 7,1 млрд параметров и контекст 32 768 токенов. Модель предназначена для генерации текста в диалоге и взаимодействия с инструментами через соответствующий интерфейс. Карточка описывает объединённые автономные веса M4, включающие калиброванный адаптер Tri-Brid, а метаданные связывают модель с дообучением Jarvis-Titan-V14-MoE-Merged. В репозитории указаны веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует проверять в материалах репозитория.

Kimi-K3-REAP73-zh-code-MLX-mxfp4-q8 — это сильно прореженная и преобразованная в формат MLX версия Kimi-K3, разработанного Moonshot AI. Модель предназначена для генерации текста, прежде всего для работы с китайским языком и программным кодом, на компьютерах Apple Silicon с большим объёмом unified memory. Она рассчитана на загрузку на машине с 512 ГБ памяти и занимает около 451 ГБ. В основе лежит нативная мультимодальная MoE-архитектура Kimi-K3 с Kimi Delta Attention, Attention Residuals и контекстом до 1 млн токенов. Исходная модель содержит 2,78 трлн параметров, из которых 104 млрд активны при обработке токена. В данной версии сохранены 242 из 896 экспертов в каждом из 92 MoE-слоёв, всего около 793 млрд параметров. Используется MXFP4; для сохранённых экспертных весов заявлена побитно точная копия исходного представления, тогда как основная потеря качества связана с удалением экспертов. Скорость генерации на M3 Ultra с 512 ГБ памяти составляет около 5,51 токена в секунду. Главное преимущество модели — возможность запускать Kimi-K3 на одной мощной машине Apple Silicon при сохранении хорошей структурной корректности генерации кода и относительно сильной работе с китайским языком. Это агрессивное прореживание, поэтому качество заметно ниже полной Kimi-K3: возможны уход в списки или продолжение в стиле исходного файла, повторения и циклы. Японский, корейский, русский, арабский, немецкий, французский и испанский языки деградируют сильнее; для них рекомендуется смешанная версия модели. Лицензия указана как other с именем kimi-k3.

LeoScorpius-7B — объединённая авторами viethq188 разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. В README указано, что модель создана слиянием viethq188/Rabbit-7B-v2-DPO-Chat и v1olet/v1olet_marcoroni-go-bruins-merge-7B методом slerp; приведённая конфигурация также ссылается на AIDC-ai-business/Marcoroni-7B-v3 и Q-bert/MetaMath-Cybertron-Starling. Для общения можно использовать шаблон Alpaca. Модель предназначена для генерации текста в диалоговом формате. Контекстное окно — до 32 768 токенов; репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не приводит оценки качества или отдельные ограничения по сценариям, поэтому пригодность для конкретных задач требует проверки.

SliceX AI ELM Turbo 6B Instruct — англоязычная диалоговая языковая модель, созданная SliceX AI как срез архитектуры ELM Turbo на основе Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 5,8 млрд параметров и контекстом до 131 072 токенов. Модель предназначена для генерации текста и выполнения инструкций в диалоге. Архитектура ELM Turbo позволяет выбирать срезы разного размера для компромисса между качеством, скоростью и потреблением памяти; для этой версии выбран вариант на 6B. Обучение включало дообучение на инструкционных наборах, в том числе Tulu, Orca Math и WizardLM. README также описывает оптимизацию инференса и интеграцию TensorRT-LLM. Модель подходит для диалоговых помощников, ответов на вопросы и генерации текста на английском языке. Её ответы могут содержать фактические ошибки, смещения или неподходящий контент; результаты следует проверять. Использование регулируется лицензией Llama 3.1.

bartowski/llama-3-8B-function-calling-GGUF — набор квантизированных версий модели llama-3-8B-function-calling, исходно опубликованной serpdotai. Файлы подготовлены bartowski в формате GGUF с использованием llama.cpp release b3070 и метода imatrix. Модель предназначена для генерации текста и сценариев function calling, включая взаимодействие с инструментами и вызов внешних функций в приложениях. В README указан шаблон диалога с ролями system, user и assistant на основе специальных маркеров im_start и im_end. Доступны варианты квантования от Q8_0 до IQ2_XS размером примерно от 8,54 до 2,60 ГБ, что позволяет выбирать между качеством ответов и требованиями к памяти. Версия Q6_K обозначена как рекомендуемая для очень высокого качества, а Q4_K_M — как компромисс между качеством и размером. Ключевое ограничение — снижение качества у низкобитных вариантов, особенно Q3 и Q2; некоторые из них описаны как пригодные для использования, но не рекомендуемые. В README не указаны точный размер контекста, перечень языков, модальности, лицензия исходной модели или отдельные результаты тестирования, поэтому эти характеристики нельзя достоверно определить.

QuantFactory/Llama-3-Alpha-Ko-8B-Instruct-GGUF — квантованная версия языковой модели Llama-3-Alpha-Ko-8B-Instruct, созданная с помощью llama.cpp. Исходную модель разработала команда allganize; она основана на семействе Meta Llama 3 и объединяет Meta-Llama-3-8B, Meta-Llama-3-8B-Instruct и Llama-3-Open-Ko-8B с использованием метода Evolutionary Model Merging. Модель ориентирована прежде всего на корейский и английский языки и предназначена для генерации текста, диалоговых ассистентов, решения логических и математических задач, а также других сложных языковых сценариев. Модель имеет размер 8B параметров и работает в текстовой модальности. Для последующего улучшения применялись ORPO и наборы данных с корейскими оценками качества, математическими задачами и предпочтениями пользователей. По заявленным результатам, Alpha-Ko-Instruct получила 6,620 балла в LogicKor и показала сильные результаты в отдельных задачах KoBEST; при этом показатели зависят от варианта модели, шаблона запросов и настроек оценки. Квантованная GGUF-версия предназначена для запуска в совместимых инструментах на базе llama.cpp, что может снизить требования к вычислительным ресурсам по сравнению с полной версией. Ограничения включают отсутствие в README сведений о точном формате и разрядности квантования, размере контекстного окна, системных требованиях и подробной независимой оценке именно этой GGUF-версии. Модель следует рассматривать как текстовую языковую модель общего назначения с заявленными преимуществами в корейско-английских и логических задачах, но возможны ошибки и ограничения, характерные для генеративных моделей. Использование регулируется Meta Llama 3 Community License Agreement.

MarcBeagle-7B — объединённая модель семейства Mistral, опубликованная leveldevai. Она создана с помощью LazyMergekit методом SLERP из flemmingmiguel/MarcMistral-7B и leveldevai/TurdusBeagle-7B. Модель имеет плотную архитектуру MistralForCausalLM, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и может использоваться в диалоговых сценариях, для выполнения инструкций и создания текстовых ответов. Репозиторий содержит веса в формате safetensors; модель распространяется по лицензии Apache-2.0. Данных о языковом охвате и специализированной предметной области в предоставленной карточке нет.

MelloGPT-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная MaziyarPanahi слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и MelloGPT. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст; в карточке указана лицензия Apache-2.0. README описывает смешивание слоёв внимания и MLP с разными коэффициентами. Карточка не сообщает о специальных предметных областях или иных модальностях.

MISCHIEVOUS-12B-Mix_Neo — объединённая языковая модель на архитектуре Mistral, созданная автором bamec66557 методом SLERP с помощью mergekit из моделей MISCHIEVOUS-12B-Mix_0.4v и MISCHIEVOUS-12B-Mix_0.5v. Модель содержит 12,1 млрд параметров и предназначена для генерации текста в диалоговых сценариях; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и генерирует текст. Заявленная длина контекста — до 1 024 000 токенов. Лицензия — Apache-2.0. В README приведены результаты оценки на Open LLM Leaderboard, включая средний балл 25,80 и результат IFEval 62,50; эти показатели не гарантируют качество на конкретных пользовательских задачах.

AIR-hl/Mistral-7B-Base-WPO-bf16 — текстовая чат-модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Репозиторий описывает перенос весов wzhouad/zephyr-7B-WPO-FP из float32 в bfloat16; метаданные также связывают модель с HuggingFaceH4/mistral-7b-sft-beta и указывают слияние моделей. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В метаданных указан датасет ultrafeedback_binarized и лицензия Apache-2.0. Карточка не описывает отдельные ограничения качества или области применения.

unsloth/mistral-7b-instruct-v0.3-bnb-4bit — 4-битная квантованная версия Mistral-7B-Instruct-v0.3, опубликованная в экосистеме Unsloth и предназначенная для использования через Transformers. Модель ориентирована на выполнение инструкций и диалоговые сценарии, включая conversational-формат ShareGPT, а также на генерацию и продолжение текста. Модель основана на Mistral-7B-Instruct-v0.3 и содержит около 7 миллиардов параметров; суффикс bnb-4bit указывает на 4-битное представление с использованием BitsAndBytes. В карточке указана поддержка английского языка и библиотеки Transformers. Снижение точности представления уменьшает требования к памяти и может облегчать локальный запуск и дообучение, однако README не содержит точных требований к оборудованию, значения контекстного окна, результатов тестирования или сведений о других модальностях. Модель подходит для чат-ботов, ассистентов, генерации текста и экспериментов с дообучением. Возможные ограничения связаны с английской языковой специализацией и компромиссом между экономией памяти и качеством, характерным для квантованных моделей. Лицензия — Apache-2.0.

ehristoforu/Mistral-7B-Instruct-v0.3-pruned — это созданная с помощью mergekit модель на архитектуре Mistral, полученная методом passthrough из частей mistralai/Mistral-7B-Instruct-v0.3. В конфигурации объединения сохранены слои 0–20 и 29–31; итоговая модель содержит 5,4 млрд параметров и распространяется в формате safetensors. Модель предназначена для диалогов и генерации текста по инструкциям. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В метаданных указана библиотека Transformers. Сведения о поддерживаемых естественных языках и лицензии в предоставленных источниках отсутствуют. Это производная от инструктивной модели Mistral AI, но в README описано удаление части слоёв, а не обычное дообучение. Поэтому её характеристики качества и совместимость с ожидаемыми шаблонами Mistral следует проверять на конкретных задачах.

mistral-7b_open_platypus-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая языковая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.2 и mistral-7b_open_platypus методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Её можно применять для чат-ботов, черновиков текстов, ответов на вопросы и задач, использующих возможности исходной модели Open Platypus. Веса опубликованы в формате safetensors; README указывает тип данных bfloat16. Модель распространяется по лицензии Apache-2.0. Результаты и конкретные ограничения качества в карточке не описаны; как и другие генеративные языковые модели, она может выдавать фактически неверные ответы.

mistral-7b-v0.1-layla-v1-Mistral-7B-Instruct-v0.1 — чат-модель, полученная слиянием Mistral-7B-Instruct-v0.1 от Mistral AI и l3utterfly/mistral-7b-v0.1-layla-v1. Слияние выполнено методом SLERP с настройками для слоёв self-attention и MLP; в репозитории представлены веса safetensors в формате bfloat16. Модель с архитектурой MistralForCausalLM и 7,1 млрд параметров предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Заявленная длина контекста — 32 768 токенов; в метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Данных о сравнительных оценках качества и специальных ограничениях применения в карточке нет.

Mistral-7B-v0.2-OpenHermes — языковая модель macadeliccc, дообученная методом SFT на базе alpindale/Mistral-7B-v0.2. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; шаблон запросов — ChatML. В карточке отмечена пригодность модели для сценариев RAG. Её можно использовать для ответов на вопросы и генерации текста в диалоговых приложениях; для конкретной базы знаний автор рекомендует дополнительное дообучение. Заявлена длина контекста 32 768 токенов. Обучение выполнено на наборе OpenHermes-2.5 с использованием Unsloth и TRL; README приводит результаты нескольких бенчмарков, но не описывает протокол оценки полностью. Модель работает с текстом и поддерживает английский язык. Опубликованные веса доступны в формате Safetensors; в README также упомянуты варианты квантования GGUF, AWQ, HQQ-4bit и ExLlamaV2. Лицензия — Apache-2.0.

Mistral-ORPO-β — дообученная KAIST AI версия Mistral-7B-v0.1, оптимизированная методом Odds Ratio Preference Optimization (ORPO). Модель обучена на 61 тысяче примеров очищенного набора предпочтений UltraFeedback от Argilla, без отдельного этапа предварительной настройки с учителем перед оптимизацией предпочтений. Модель предназначена для генерации текста в диалоговом формате и выполнения инструкций. В карточке приведены результаты AlpacaEval, MT-Bench и IFEval; они показывают качество на соответствующих тестах, но сами по себе не гарантируют результат на других задачах. Это плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; в репозитории указаны веса safetensors. Основной язык в метаданных — английский. Модель распространяется по лицензии MIT. Она унаследовала ограничения базовой модели и обучающих данных; результаты могут быть неточными или смещёнными, поэтому ответы стоит проверять.

zelk12 опубликовал объединённую модель MT3-IMA-gemma-2-9B, созданную с помощью mergekit из двух предварительно обученных моделей Gemma 2. Для объединения применён метод SLERP с параметром t=0.5; веса представлены в формате bfloat16 и safetensors. Модель предназначена для генерации текста и диалогового взаимодействия, включая выполнение инструкций. Это плотная причинная языковая модель Gemma 2 с 9 млрд параметров и контекстом 8192 токена, работающая через библиотеку Transformers. Языковая специализация в предоставленных данных не указана. Лицензия в предоставленных источниках не описана. Как и у других объединённых моделей, качество и поведение могут отличаться от исходных моделей; отдельные оценки качества в карточке не приведены.

Карточка модели google/mt5-xxl на Hugging Face совпадает с карточкой google/mt5-small, поэтому описание составлено по ней. mT5-small — компактная многоязычная модель Google на архитектуре encoder-decoder Transformer семейства T5, содержащая 157,4 млн параметров. Она предварительно обучена на корпусе mC4, охватывающем 101 язык, в формате преобразования текста в текст; контрольные точки доступны в форматах PyTorch, TensorFlow, Flax и ONNX. Лицензия — Apache-2.0. Модель служит базой для дообучения под конкретные задачи NLP: например, суммаризацию, перевод или ответы на вопросы. Сам чекпойнт проходил только предварительное обучение без supervised-настройки, поэтому для качественного решения прикладных задач его следует дообучить. Поддержка языков включает русский и английский, а также множество других языков.

munin-neuralbeagle-7b-density-low — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная командой merge-crew методом слияния LazyMergekit. В конфигурации указаны munin-7b-alpha и mlabonne/NeuralBeagle14-7B, метод слияния dare_ties, плотность 0,3 и вес 0,6 для NeuralBeagle; итоговый тип данных — bfloat16. Модель предназначена для генерации текста, диалогов и ответов на инструкции. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов. Описание базовой NeuralBeagle указывает на диалоги, следование инструкциям, рассуждения и творческую генерацию, но README не приводит отдельных оценок качества именно этого слияния. В метаданных указана лицензия? Нет сведений о лицензии в предоставленных данных, поэтому условия использования установить нельзя.

win10/nemolita-21b — объединённая автором win10 с помощью mergekit языковая модель на архитектуре Mistral, созданная из unsloth/Mistral-Nemo-Instruct-2407 и MarinaraSpaghetti/Nemomix-v1.0-12B методом passthrough merge. Модель содержит 20,7 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст. Модель распространяется в формате safetensors и рассчитана на контекст до 1 024 000 токенов. Языки и специализированные области применения в предоставленных данных не определены. Лицензия не указана в источниках; качество и ограничения объединения отдельно не описаны.

Noema-2B-GGUF — это набор GGUF-квантизированных сборок модели Noema-2B, разработанной NoemaAI-labs. Модель представляет собой примерно 2-миллиардную reasoning-модель, дообученную на базе Qwen/Qwen3.5-2B, и предназначена для генерации текста, решения математических и логических задач, а также локального запуска через llama.cpp и совместимые среды. Заявленный язык — английский. Модель использует гибридную архитектуру Qwen3.5 с Gated-DeltaNet: в ней сочетаются линейные слои и слои полноформатного внимания. Доступны варианты F16, Q8_0, Q6_K и Q4_K_M размером примерно от 1,2 до 3,5 ГБ; Q4_K_M рекомендован как наиболее сбалансированный по качеству и размеру, а Q8_0 обеспечивает наиболее высокую точность среди квантизированных вариантов. Модель настроена и оценивалась в non-thinking mode, который включается шаблоном чата по умолчанию. Для работы требуется свежая версия llama.cpp с поддержкой архитектуры qwen35; старые версии могут не загрузить модель. Рекомендуется использовать вероятностную генерацию с параметрами temperature 0.7, top-p 0.8, top-k 20 и presence penalty 1.5. Жадная генерация с temperature 0 может приводить к зацикливанию повторов. Максимальный размер контекста, подробные бенчмарки и ограничения базовой модели в данной карточке не указаны. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой Qwen/Qwen3.5-2B.

OpenCarrot-Mix-7B — текстовая генеративная модель на архитектуре Mistral, созданная командой CarrotAI линейным слиянием моделей через mergekit. В слияние вошли amazingvince/Not-WizardLM-2-7B и CarrotAI/OpenCarrot-Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, принимает текст и имеет контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. В карточке приведены оценки на корейских тестах LogicKor по программированию, математике и пониманию текста; эти результаты не гарантируют качество на других задачах или языках. Метаданные указывают корейский и английский языки. Модель распространяется по лицензии MIT.

Ornstein3.8-27B — экспериментальная мультимодальная модель с открытыми весами, созданная GestaltLabs на основе Qwen/Qwen3.8-27B. Это дообученная и объединённая с базовой моделью версия с архитектурой Qwen3_5ForConditionalGeneration: плотная модель примерно на 27 млрд параметров, использующая чередование линейного внимания и полного внимания Gated DeltaNet. Она принимает текст и изображения, поддерживает видео, а длина контекста составляет 262 144 токена. Модель предназначена для диалогов, анализа изображений и видео, а также многошаговых задач, включая математические рассуждения. В одном прогоне GSM8K автор получил 96,51% точности в BF16; этот результат не распространяется на квантованные версии. Автор описывает чекпойнт как раннее объединение весов, а не готовый релиз качества, и планирует дальнейшую работу с RL-средами и дообучением на основе энергетических моделей. Для запуска требуется сборка Transformers с поддержкой Qwen3.8/qwen3_5. Веса опубликованы под лицензией Apache-2.0.

Qwen2.5-1.5B-Instruct-GGUF — GGUF-квантизированная версия инструкционной языковой модели Qwen2.5-1.5B-Instruct, разработанной командой Qwen. Квантизация выполнена bartowski на основе llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая работу с чатом, понимание и генерацию структурированных данных, а также локальный запуск через совместимые инструменты. Модель поддерживает контекст до 32 000 токенов и генерацию до 8 000 токенов. Она обучена на масштабном наборе данных и работает более чем с 29 языками, включая английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский. К небольшому размеру модели относится преимущество в виде меньших требований к ресурсам, однако README не содержит точных параметров квантизации, требований к памяти или результатов оценки качества, поэтому производительность может уступать более крупным моделям. Модель распространяется по лицензии Apache-2.0.