III.1Стратегия, продукт и бизнес-модели

Ngixdev/OmniCoder-Qwen3.5-9B-Claude-4.6-Opus-Uncensored-v2-GGUF — это GGUF-модель на базе Qwen/Qwen3.5-9B, разработанной Alibaba Cloud. Она создана путём объединения модели Qwen3.5-9B-Uncensored-HauhauCS-Aggressive, Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2 и OmniCoder-9B-GGUF; при слиянии изменялись только дообученные веса, подготовленные с помощью Unsloth, в формате float32. В карточке заявлены языки English, Chinese и Korean, а также поддержка сценариев image-text-to-text, хотя подробности о визуальной архитектуре не приведены. Модель ориентирована на рассуждения, решение математических и логических задач, работу с инструкциями, общими знаниями и программированием. Версия v2 обучалась более чем на 14 000 образцах рассуждений в стиле Claude 4.6 Opus и оптимизировалась для сокращения избыточной длины цепочек рассуждений при сохранении или повышении точности. В README приведены заявленные результаты HumanEval и HumanEval+, включая более высокую эффективность рассуждений по сравнению с официальной Qwen3.5-9B, однако независимое подтверждение этих результатов отсутствует. Ключевые ограничения — неизвестные размер контекста и точные характеристики модальностей, а также возможное некоторое ухудшение широких универсальных возможностей из-за преимущественно общего, а не специализированного набора данных. Модель позиционируется как uncensored и может иметь минимальное количество отказов, что требует осторожности при использовании в чувствительных сценариях. Для работы рекомендуются LM Studio и специальные параметры генерации, но они не являются обязательными. Лицензия — Apache-2.0.

PLaMo-13B-Instruct — языковая модель с инструкционной настройкой, разработанная Preferred Networks, Inc. на основе PLaMo-13B с контекстом 8192 токена. Это плотная авторегрессионная модель с архитектурой decoder-only и 14,7 млрд параметров; для работы с весами в формате safetensors используется библиотека Transformers. Модель предназначена для диалогов и выполнения инструкций на японском и английском языках. Она обучена на 1,5 трлн токенов, включая 1,32 трлн английских и 0,18 трлн японских токенов; при инструкционной настройке использовались публичные датасеты, в том числе японские переводы и подмножества Dolly, Anthropic HH-RLHF, OpenAssistant и Izumi-lab. Модель может выдавать неточные, предвзятые или нежелательные ответы. Проверки проводились на английском и японском языках и не охватывают все сценарии, поэтому перед внедрением рекомендуется тестирование и настройка безопасности под конкретное приложение. Лицензия — Apache License 2.0.

SauerkrautLM-Mixtral-8x7B-Instruct — инструктивная языковая модель VAGO solutions на архитектуре Mixture of Experts (MoE), основанная на mistralai/Mixtral-8x7B-Instruct-v0.1. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для диалогов и выполнения инструкций, в том числе для ответов на вопросы и математических задач. Разработчики дообучили её с помощью DPO на немецких данных с аугментацией и переводом, а также на предпочтениях из дополнительных наборов данных. Заявлена поддержка английского, немецкого, французского, итальянского и испанского языков; особое внимание уделено естественности формулировок на немецком. В README приведена оценка на тесте German RAG Eval, однако результат не гарантирует точность в реальных сценариях. Разработчики предупреждают, что модель может выдавать неподходящий или некорректный контент. Лицензия Apache 2.0 допускает коммерческое использование при соблюдении её условий.

SFGEMOMNISCIEN-Mistral-ties — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением моделей через mergekit методом TIES. В README указана NeuralHermes-2.5-Mistral-7B и базовая модель Warit2/SFGEMOMNISCIEN; каталог характеризует NeuralHermes как диалоговую модель, дообученную для выполнения инструкций и генерации текста. Модель предназначена для генерации текста и ответов в диалогах по текстовым запросам. Заявленная длина контекста — 32 768 токенов. Файлы представлены в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает результаты оценки качества или конкретные ограничения применения.

Shisa V2 405B — универсальная чат-модель Shisa.AI, дообученная на основе Meta Llama 3.1 405B Instruct. Это плотная авторегрессионная языковая модель на 403,7 млрд параметров с контекстом до 131 072 токенов; она принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Основной упор сделан на японский язык при сохранении сильных возможностей на английском; в обучающие данные также включены примеры на корейском и традиционном китайском. Модель предназначена для диалога, выполнения инструкций, генерации текста и перевода, в том числе для японских задач. Разработчик сообщает об улучшении японских результатов относительно базовой модели и приводит сравнительные оценки на нескольких бенчмарках; результаты зависят от методики оценки. Для запуска проверены vLLM и SGLang, а веса опубликованы в формате Safetensors. Модель распространяется по лицензии Llama 3.1. Она требует значительных вычислительных ресурсов из-за размера в 405 млрд параметров; заявленные результаты бенчмарков не гарантируют качество на конкретных задачах, а основной акцент обучения сделан на японском и английском языках.

jaspionjader/sof-5 — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом Model Stock. При слиянии использованы jaspionjader/sof-3, jaspionjader/ek-6 и jaspionjader/sof-4; базовой моделью указана jaspionjader/Kosmos-EVAA-Franken-stock-v43-8B. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет до 131 072 токенов. Карточка не описывает целевые языки или специализированные области применения, поэтому модель следует рассматривать как универсальную. В репозитории указаны веса в формате safetensors и тип данных bfloat16. Лицензия в предоставленных данных не приведена. Карточка не содержит результатов оценки качества или конкретных ограничений поведения модели.

Clara v2 — дообученная модель на 8,4 млрд параметров, разработанная ayan4m1 на базе ibm-granite/granite-4.1-8b. Она предназначена для диалоговых сценариев и создана как более компактная по числу параметров замена Clara-24B; при дообучении использовались промпты Claude Opus 4.5–4.7. Модель работает с текстом и изображениями в формате image-text-to-text, поддерживает чат, а её контекстное окно составляет 131 072 токена. В метаданных указан английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Fialka-7B-v2 — языковая модель семейства Llama, разработанная авторами Fialka. Модель содержит 6,6 млрд параметров и предназначена для выполнения инструкций и общения на русском языке; версия 2.0 обучена на наборе инструкций. Для запросов используется формат Zephyr. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 4096 токенов и распространяется в формате Safetensors. Лицензия — Apache-2.0. Авторы отмечают, что более новая версия Fialka V3 точнее генерирует русский текст; отдельные оценки качества для этой версии не приведены.

ProCreations/grug-v1.1-qwen-3.8-27b-qgguf — это GGUF-версия модели grug-v1.1-qwen-3.8-27b, разработанная ProCreations для локального запуска через llama.cpp. Модель предназначена для генерации текста, программирования и агентских сценариев, включая работу с инструментами. Заявлена поддержка английского языка и режим text-generation. Модель имеет размер 27B и поставляется в нескольких вариантах квантования: Q8_0, Q6_K, Q5_K_M, Q4_K_M и Q3_K_M, занимающих примерно от 13,3 до 28,6 ГБ. Для работы с изображениями предусмотрен отдельный multimodal-проект mmproj в формате F16 размером около 0,9 ГБ, используемый вместе с llama-mtmd-cli. Размер контекста в README не указан. Ключевая особенность модели — оптимизированное рассуждение: в описании заявлено существенно меньшее число токенов в блоке размышлений по сравнению с базовой моделью. Для большинства случаев рекомендуется средний уровень reasoning effort; режим xhigh может ухудшать выбор инструментов. Квантование позволяет подобрать баланс между качеством и требованиями к памяти, но более компактные варианты могут уступать полноразмерным весам по качеству. Все варианты, согласно README, проверены с помощью llama-bench. Модель распространяется по лицензии Apache-2.0. Для запуска требуется совместимое окружение llama.cpp; конкретные требования к оперативной памяти, производительности и максимальному контексту не указаны.

h2oai/h2ogpt-oasst1-512-12b — языковая модель H2O.ai на архитектуре GPT-NeoX с 15,4 млрд параметров. Она дообучена на наборе h2oai/openassistant_oasst1_h2ogpt_graded на основе EleutherAI/pythia-12b и предназначена для следования инструкциям и диалогового использования, например в чат-ботах. Модель принимает текст и генерирует текст; опубликована в формате PyTorch и рассчитана на контекст до 2048 токенов. Модель можно применять для ответов на вопросы, диалогов и выполнения текстовых инструкций. В README приведены результаты проверки на задачах из lm-evaluation-harness. Лицензия Apache-2.0 допускает коммерческое использование. Модель может выдавать неверные, бессвязные или нерелевантные ответы, а также предвзятый или оскорбительный контент; результаты следует проверять.

KafkaLM-8x7b-German-V0.1-DPO — немецкоязычная языковая модель Seedbox, обученная Деннисом Дикманном. Это дообученная модель семейства Mixtral с архитектурой Mixture of Experts; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Весовые файлы доступны в формате safetensors. Модель предназначена для диалогового помощника и повседневных задач на немецком языке, включая сценарии немецкоязычного бизнеса. Она дообучена на наборах инструкций, переведённых с английского на немецкий, а затем выровнена методом DPO на немецкой модификации UltraFeedback. Автор отмечает её уверенное и творческое поведение, а также склонность иногда выходить за языковые рамки. Модель распространяется по лицензии Apache-2.0. Карточка рекомендует использовать её для исследовательских целей и указывает, что применяются ограничения исходной лицензии Llama 2 и использованных датасетов; эта оговорка сама по себе не меняет классификацию зрелости модели.

LFM2.5-8B-A1B-Q4_K_M-dequant-bf16 — вариант модели LFM2.5-8B-A1B от Liquid AI, основанный на LiquidAI/LFM2.5-8B-A1B-Base. Это текстовая MoE-модель для генерации ответов и работы в роли локального помощника. Карточка указывает 8,3 млрд параметров всего и около 1,5 млрд активных; метаданные репозитория указывают 1,6 млрд параметров. Модель использует гибридную архитектуру с 24 слоями и поддерживает контекст до 128 000 токенов. Модель предназначена для следования сложным инструкциям, агентных сценариев, вызова инструментов, структурированных ответов и многоязычных помощников, в том числе на устройствах с локальным инференсом. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, португальский и итальянский. Карточка не рекомендует её для интенсивного программирования и фактологических ответов без поиска по источникам. Указана лицензия other; конкретные условия следует проверять в файлах репозитория. Имя модели указывает на вариант Q4_K_M, деквантизированный в bf16, но метаданные форматов перечисляют safetensors.

NeuralsirkrishnaShadow_AlloyingotneoyYam — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/AlloyingotneoyYam-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; доступна в формате safetensors. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Карточка не описывает специализированные сценарии или языки обучения. Лицензия — Apache-2.0.

eme/Qwen3.6-35B-A3B-FP8-Q4_K_M-MTP-GUFF — это GGUF-конверсия модели Qwen3.6-35B-A3B от команды Qwen, подготовленная пользователем eme. Модель основана на варианте Qwen/Qwen3.6-35B-A3B-FP8 и предназначена для локального запуска и эффективного инференса через llama.cpp. В README также упоминаются возможности Qwen3.6 для агентного программирования, работы с фронтенд-разработкой и рассуждений на уровне репозитория, однако эти сведения приведены для другой конфигурации Qwen3.6 и не позволяют полностью подтвердить характеристики данного варианта. Финальные веса используют квантизацию Q4_K_M для формата GGUF; исходная модель экспортирована в FP8 с форматом F8_E4M3. Такое представление уменьшает объём памяти и нагрузку на пропускную способность по сравнению с BF16, сохраняя близкое к BF16 качество для большинства задач инференса. В модель интегрирован Multi-Token Prediction (MTP), который может ускорять декодирование за счёт спекулятивного предсказания нескольких токенов. Точные сведения о контекстном окне, поддерживаемых языках и мультимодальности для этого конкретного файла не указаны; тег image-text-to-text присутствует в метаданных, но не подтверждает фактическую поддержку изображений. Для работы рекомендуется свежая версия llama.cpp с поддержкой CUDA и MTP-aware decoding; требуется достаточно VRAM в зависимости от длины контекста и размера батча. Пример запуска из README показывает работу на RTX 4080 с 16 ГБ памяти, но это не является гарантией совместимости или производительности в других конфигурациях. Ограничения включают возможные потери качества из-за Q4_K_M и зависимость ускорения от поддержки MTP и оптимизированных ядер в используемом рантайме. Лицензия указана как Apache-2.0.

MaziyarPanahi/una-cybertron-7b-v3-OMA-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и fblgit/una-cybertron-7b-v3-OMA методом slerp. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы; поддерживает контекст до 32 768 токенов. Модель подходит для диалоговых ассистентов и генерации ответов на текстовые запросы. В репозитории представлены веса Safetensors, а лицензия — Apache-2.0. В карточке нет сведений о специальных предметных областях или гарантированных показателях качества.

Agnes-SeaLLM-8B — дообученная авторами Agnes-AI плотная авторегрессионная языковая модель семейства Qwen3 с 7,6 млрд параметров. Она предназначена для диалогов и следования инструкциям, а также для математических рассуждений и перевода с особым вниманием к языкам и культурному контексту Юго-Восточной Азии. Модель принимает текст и генерирует текст; заявлена поддержка английского, вьетнамского, индонезийского, тайского и китайского языков. Контекст — до 40 960 токенов. В README заявлены высокая эффективность при ограниченных ресурсах, сильные результаты на экзаменационных тестах и меры по снижению галлюцинаций, однако приведённые таблицы результатов опущены. Для запуска README рекомендует как минимум две GPU с 24 ГБ VRAM каждая и 64 ГБ оперативной памяти. Распространяется по лицензии Apache-2.0.

Apertus-v1.1-4B-Instruct — мультиязычная инструктивная языковая модель, разработанная Swiss AI Initiative как часть открытой экосистемы Apertus. Это плотный Transformer-декодер с grouped-query attention и активацией xIELU: 24 слоя, размерность модели 3072, 4,6 млрд параметров. Модель поддерживает контекст до 4096 токенов и предназначена для генерации текста в диалоговом формате, включая работу на устройствах с ограниченными ресурсами. Модель получена дистилляцией от Apertus-8B-2509, затем прошла дообучение на инструкциях и выравнивание. Разработчики заявляют нативную поддержку 1811 языков. Среди подходящих сценариев — многоязычный чат, ответы на вопросы, создание и преобразование текста. Репозиторий содержит веса в формате safetensors; библиотека для работы — Transformers. Лицензия Apache-2.0. Модель может выдавать фактически неверные или логически непоследовательные ответы и наследовать смещения обучающих данных; качество сложного следования инструкциям и решения продвинутых математических задач ограничено. Фильтр персональных данных для выходов не предоставляется, поэтому важные ответы следует проверять.

AquilaMoE-SFT — двуязычная диалоговая языковая модель Beijing Academy of Artificial Intelligence (BAAI), построенная на архитектуре Mixture of Experts (MoE) семейства AquilaMoE и дообученная для следования инструкциям. В метаданных указано 15,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов и рассчитана на китайский и английский языки. Модель предназначена для диалогов и ответов на инструкции. В описании семейства говорится, что на каждом токене активируются два из восьми экспертов; приведённый результат AquilaMoE-SFT на AlpacaEval 2.0 составляет 21,1. Модель распространяется под лицензией Apache-2.0. README предупреждает, что у неё нет механизмов модерации, поэтому генерируемые ответы могут требовать отдельной проверки и фильтрации.

blossom-v3-mistral-7b-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная путём слияния Mistral-7B-Instruct-v0.1 и Azure99/blossom-v3-mistral-7b методом SLERP. Она рассчитана на ответы на инструкции и диалоговые запросы; в метаданных также указаны наборы данных для чата, математики и следования инструкциям. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Поддерживаемые по карточке языки — китайский и английский. Модель принимает текст и генерирует текст. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не приводит сравнительных оценок качества или подробных ограничений применения, поэтому пригодность для конкретных задач стоит проверять на собственных примерах.

Blur-7b-slerp-v1.43 — диалоговая языковая модель, созданная liminerity слиянием весов через mergekit. В основе архитектура Mistral с плотной causal language model на 7,1 млрд параметров; в конфигурации указаны метод слияния SLERP и точность float16. Модель предназначена для генерации текста в диалоговом формате и работы с инструкциями. Модель принимает текст и выдаёт текст. Её родительская модель заявлена как слияние трёх моделей Mistral для диалоговой генерации и следования инструкциям. Лицензия репозитория — Apache-2.0. В README не приведены конкретные языковые данные, поэтому языки использования не перечислены.

DeepSeek-R1-Distill-Qwen-7B-imatrix-GGUF — это квантизированные в формате GGUF варианты модели DeepSeek-R1-Distill-Qwen-7B, разработанной командой DeepSeek на базе Qwen2.5. Репозиторий предназначен для локального запуска языковой модели в задачах генерации текста, рассуждений, решения математических задач и программирования. Модель относится к плотным моделям примерно на 7 млрд параметров и работает с текстом; в README указан английский язык. Она создана посредством дообучения Qwen2.5 на данных рассуждений, сгенерированных DeepSeek-R1, что позволяет переносить способности крупной reasoning-модели в более компактную модель. Формат GGUF и imatrix-квантизации ориентированы на эффективный запуск через llama.cpp и совместимые приложения, включая KoboldCPP, Ollama, LM Studio и другие клиенты. Сильными сторонами являются компактный размер, возможность локального использования и специализация на сложных рассуждениях, математике и коде. Ограничения конкретных вариантов квантизации, требования к ресурсам, размер контекстного окна и точные характеристики производительности в README не указаны; квантизация может влиять на качество по сравнению с исходной моделью. Лицензия обозначена как other, без подробного описания условий в предоставленных данных.

DeepSeek-V4-Flash-NVFP4-FP8 — это оптимизированная и квантизованная версия базовой модели DeepSeek-V4-Flash, разработанная Red Hat AI на основе модели deepseek-ai. Модель предназначена для развёртывания и инференса через Transformers и vLLM, в частности для задач общего инструктирования, математического рассуждения, reasoning и генерации кода. Она ориентирована на высокопроизводительное серверное использование с тензорным параллелизмом на нескольких GPU. Ключевая особенность модели — применение формата NVFP4, а также FP8 для KV-кэша. Для запуска рекомендуется использовать четыре GPU и FP8 KV cache; оценивание проводилось на 8 GPU B200. Точные архитектурные параметры, размер модели, поддерживаемые языки, модальности и длина контекста в README не указаны. На GSM8K модель показала точность 91,0%, а на MMLU-Pro — 55,4%. В сравнении с базовой моделью восстановление качества различается по задачам: оно составляет около 91–98% на большинстве указанных бенчмарков, при этом на AIME 2025 результат оказался выше базового. Основные преимущества модели — совместимость с vLLM, использование низкоразрядного представления для эффективного инференса и высокая пропускная способность. Ограничение заключается в заметной потере точности относительно базовой модели, связанной с тем, что исходная модель уже была выпущена в квантизованном формате, а также с различиями между форматами MXFP4 и NVFP4. В README упоминается, что более продвинутые методы, например GPTQ, могут улучшить восстановление точности. Модель распространяется по лицензии MIT.

Experiment28M7_T3qm7xStrangemerges_32 — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/Experiment28M7-7B и automerger/T3qm7xStrangemerges_32-7B и предназначена для генерации текста. Модель принимает текст и выдаёт текст, поддерживая контекст до 32 768 токенов. Модель доступна в формате safetensors по лицензии Apache-2.0. Карточка не описывает специальные предметные области или подтверждённые языковые специализации; качество и ограничения конкретных сценариев применения не приведены.

GeM2-Llamion-14B-Chat — чат-модель семейства GeM 2.0, разработанная компанией VAIV. Это плотная авторегрессионная модель на архитектуре LLaMA с 14,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Репозиторий содержит веса в формате safetensors; длина контекста составляет 4096 токенов. Llamion создана на основе Orion: разработчики преобразовали модель к стандартной архитектуре LLaMA с помощью сопоставления параметров и переноса знаний. Модель ориентирована на основные бизнес-задачи VAIV, однако конкретные отрасли и сценарии в карточке не перечислены. Лицензия — Apache-2.0.

Kanana-2-3B-Instruct — компактная языковая модель Kakao, предназначенная для диалогов и выполнения инструкций. Она основана на плотной архитектуре Qwen3 с 2,9 млрд параметров и создана на базе kakaocorp/kanana-2-3b-base. Модель прошла дообучение с учителем и обучение с подкреплением; поддерживает контекст до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы, рассуждений и других текстовых задач. Kakao отмечает улучшенную эффективность токенизации корейского языка по сравнению с предыдущим поколением Kanana. Модель также предназначена для сценариев вызова инструментов, хотя фактическое качество зависит от задачи и способа развертывания. Для запуска в README рекомендованы Transformers версии 4.57.0 или новее; приведены варианты развертывания через vLLM и SGLang. Лицензия указана как other, поэтому конкретные условия использования следует уточнить в карточке модели. В README указано, что пользовательские данные Kakao не использовались при обучении.

Marco-Mini-Global-Base — мультиязычная базовая языковая модель семейства Marco-MoE, разработанная Alibaba International Digital Commerce. Это декодерный Transformer с разреженными слоями Mixture-of-Experts, созданный путём расширения и дообучения Qwen3-0.6B-Base; при генерации токенов активируется около 0,86 млрд параметров из 17,3 млрд. Модель предназначена для генерации текста и диалогового использования на 64 языках, включая русский, английский, китайский, арабский, хинди и другие языки Европы, Азии и Африки. Контекст составляет 32 768 токенов; доступны интерфейс для чата и интерфейс вызова инструментов. В сравнении, приведённом в карточке, модель показывает сильные результаты на многоязычных тестах при небольшом числе активируемых параметров; показатели на английских тестах также близки к более крупным сравниваемым моделям. Это базовая модель, поэтому качество инструкционного следования и диалога может требовать отдельной настройки. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

Arcee Meraj Mini — плотная авторегрессионная языковая модель на 7,1 млрд параметров, разработанная Arcee AI и дообученная на базе Qwen/Qwen2.5-7B-Instruct. Она предназначена прежде всего для арабского языка с сохранением сильных возможностей английского; поддерживает диалоговый шаблон ChatML и контекст до 131 072 токенов. Модель подходит для понимания и генерации текста, ответов на вопросы, рассуждений, образовательных материалов, математических задач, генерации кода, клиентской поддержки и создания контента. В карточке сообщается о высоких результатах на арабских бенчмарках и конкурентоспособных результатах на английских, однако численные результаты здесь не приведены. Весовые файлы опубликованы в формате Safetensors; лицензия — Apache-2.0. Модель текстовая и не предназначена для обработки изображений или аудио.

Gaivoronsky/Mistral-7B-Saiga — русскоязычная генеративная модель, опубликованная Gaivoronsky. Это плотная causal language model семейства Mistral на 7,1 млрд параметров, представленная в формате PyTorch fp16. Она основана на IlyaGusev/saiga_mistral_7b_lora и предназначена для генерации текста и диалоговых сценариев на русском языке. Модель подходит для русскоязычных ответов на вопросы, инструкций и общения в чат-ботах. Заявленная длина контекста — 32 768 токенов. Модель распространяется по лицензии CC BY 4.0; README описывает запуск через vLLM.

Мультимодальная диалоговая модель Qwen3.5, дообученная stavh2001 на базе stavh2001/qwen3.6-27b-merged_28_05. Она предназначена для диалогов с текстовыми и визуальными входными данными; поддерживает вызов инструментов. В метаданных указаны архитектура Qwen3_5ForConditionalGeneration и формат safetensors. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется по лицензии Apache-2.0.

ZAYA1-VL-8B — открытая vision-language модель Zyphra для диалога и ответов на вопросы по изображениям. Она использует ZAYA1-8B как текстовый декодер и визуальный энкодер Qwen2.5-VL; архитектура включает специализированные LoRA-параметры для обработки зрительных токенов и двунаправленное внимание к токенам изображения. В карточке указано 3 млрд параметров, контекст до 32 768 токенов и поддержка изображений и текста. Модель предназначена для анализа изображений, диаграмм и документов, а также визуальных вопросов и ответов. В README приведены результаты на наборах AI2D, ChartQA и DocVQA. Для запуска требуется форк Transformers с веткой zaya1-vl и дополнительные зависимости, включая qwen-vl-utils и flash_attn. Модель распространяется по лицензии Apache 2.0.