III.2Исследование рынка и маркетинг

Memgpt-slerp-7b-4 — диалоговая языковая модель, созданная объединением методом SLERP моделей starsnatched/MemGPT и liminerity/Memgpt-slerp-7b-3 с помощью LazyMergekit. В основе лежит архитектура Mistral; модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и может использоваться в чат-ботах и сценариях, где требуется вести беседу с учётом длинного контекста. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

NbAiLab/nb-notram-llama-3.3-70b-instruct — диалоговая языковая модель, разработанная лабораторией NB-AiLab Национальной библиотеки Норвегии. Это дообученная на базе Meta Llama 3.3 70B Instruct плотная трансформерная модель с 69,5 млрд параметров и контекстом до 131 072 токенов. Для обучения использовались публично доступные данные и синтетические данные; материалы, доступные только по обязательному экземплярному хранению, не включались. Модель предназначена для следования инструкциям и диалогов на норвежском букмоле, норвежском нюноске и английском языке. Подходит для ответов на вопросы и суммаризации на норвежском, а также для генерации текста и работы в качестве ассистента. Настройка включает supervised fine-tuning и лёгкий этап DPO; ответы обычно короче, чем у более разговорчивых ассистентов. Поддерживаются чатовый формат и интерфейс вызова инструментов. Лицензия — Llama 3.3 Community License. Модель может ошибаться и уверенно выдавать вымышленные сведения. Знания о норвежской культуре и истории могут проявляться непоследовательно и зависеть от формулировки запроса; настройки безопасности ограничены. В README релиз назван исследовательским, поэтому перед прикладным использованием рекомендуется оценка в целевом сценарии; для медицинских, юридических и финансовых задач нужны дополнительные проверки и надзор человека.

NuExtract-1.5 — модель NuMind для извлечения структурированной информации из текста. Это дообученная версия Phi-3.5-mini-instruct с 3,7 млрд параметров, созданная на частном высококачественном наборе данных. Для запроса модели передают текст и JSON-шаблон с нужными полями; она старается извлекать сведения дословно, сохраняя формулировки исходного текста. Модель предназначена для структурирования содержимого документов и длинных текстов на английском, французском, испанском, немецком, португальском и итальянском языках. В README заявлена поддержка длинных документов, включая примеры длиной 8–20 тысяч токенов, хотя нативный размер контекста в метаданных составляет 4096 токенов. Для чистого извлечения рекомендуется температура 0 или близкая к нулю. Модель работает с текстом и выдаёт текст в формате, заданном JSON-шаблоном. Лицензия — MIT. Результаты могут зависеть от формулировки шаблона и настроек генерации; заявленная работа с длинными документами выходит за пределы контекста, указанного в метаданных.

Qwen3.8-27B-Abliterated-SME-Preview — предварительная модель-ассистент для малого и среднего бизнеса от hotdogs, дообученная методом LoRA SFT на базе hotdogs/Qwen3.8-27B-abliterated. Это плотная гибридная модель с архитектурой Qwen3_5ForConditionalGeneration: 64 слоя, включая линейное внимание GDN и полное внимание; в репозитории представлены объединённые веса BF16 в safetensors. Модель предназначена для ответов на деловые вопросы, анализа CSV и офисных документов, а также для формирования структурированных вызовов инструментов. Модель принимает текст; в карточке указана мультимодальная обёртка с поддержкой изображений, хотя README описывает текстовые сценарии. Обучение проводилось на англоязычном наборе документов и вызовов инструментов; метаданные также указывают тайский язык. Контекст обучения — 8192 токена. Лицензия — Apache-2.0. В README приведены результаты на ARC, MMLU и GSM8K, а также проверки формата вызовов инструментов; они указывают на сохранение общих возможностей базовой модели и улучшение математического рассуждения, но полноценные агентные бенчмарки ещё не проводились. Выпуск имеет статус Preview. Склонность базовой модели отказывать снижена намеренно; для выполнения вызовов csv_* и doc_* требуется подключить инструменты к среде исполнения. BF16-версия на 27 млрд параметров требует нескольких GPU либо квантованного варианта для практического запуска.

Qwen-SEA-LION-v4-4B-VL — мультимодальная модель с 4 млрд параметров, разработанная AI Products Pillar компании AI Singapore при финансировании Национального исследовательского фонда Сингапура. Она создана дообучением Qwen/Qwen3-VL-4B-Instruct на примерно 9 млн примеров инструкций для адаптации к языкам и культурному контексту Юго-Восточной Азии. Модель использует архитектуру Qwen3-VL и принимает изображения и текст, отвечая текстом; поддерживает диалог и интерфейс вызова инструментов. Модель предназначена для визуальных вопросов и ответов, описания изображений, OCR, многоязычного общения и других задач на стыке текста и изображений. В первую очередь она адаптирована к бирманскому, индонезийскому, филиппинскому, малайскому, тамильскому, тайскому и вьетнамскому языкам; также обучалась на английском. Заявленное окно контекста — 256 тыс. токенов. Оценки охватывают общие языковые задачи, диалог, следование инструкциям, визуальные вопросы и описание изображений. Лицензия — MIT. Авторы отмечают, что модель не проходила выравнивание по безопасности и не проверялась на устойчивость к состязательным запросам; возможны галлюцинации и нерелевантные ответы, поэтому результаты следует проверять.

RWKV7-Goose-World3-1.5B-HF — многоязычная языковая модель RWKV-7, разработанная Бо Пэном, Ю Чжаном, Сонглином Яном и Жуйчуном Чжаном при поддержке RWKV Project под эгидой LF AI & Data Foundation. Это плотная авторегрессионная модель с архитектурой RWKV7ForCausalLM и 1,5 млрд параметров, представленная в формате safetensors и предназначенная для генерации текста и диалогов. Модель обучена на корпусе World v3 объёмом 3,119 трлн токенов. Она поддерживает английский, китайский, японский, корейский, французский, арабский, испанский и португальский языки; размер словаря токенизатора RWKV World составляет 65 536 токенов. Длина контекста — 2048 токенов. Для запуска через Transformers требуется актуальная версия библиотеки и пакет flash-linear-attention. Лицензия Apache-2.0. В приведённых метриках для LAMBADA указаны perplexity 4,13 и accuracy 69,4% до конвертации и 4,26 и 68,8% после конвертации; результаты зависят от настройки оценки. Карточка не описывает специализированную предметную область.

Карточка модели tokyotech-llm/Swallow-13b-instruct-v0.1 на Hugging Face совпадает с карточкой tokyotech-llm/Swallow-7b-instruct-v0.1, поэтому описание составлено по ней. Swallow-7b-instruct-v0.1 — диалоговая языковая модель TokyoTech-LLM на архитектуре Llama 2 с 6,7 млрд параметров. Она прошла дополнительное предварительное обучение преимущественно на японских текстах, а версия instruct — supervised fine-tuning для следования инструкциям. Токенизатор с расширенным японским словарём эффективнее представляет японский текст. Модель принимает текст и генерирует текст; заявленный контекст — 4096 токенов. Модель предназначена для диалогов и выполнения текстовых инструкций на японском и английском языках: написания текстов, ролевых диалогов, ответов на вопросы, рассуждений и извлечения информации. В README опубликованы оценки на японском MT-Bench и сравнение с другими моделями, однако они не гарантируют качества для каждого сценария. Выпуск v0.1 обозначен как предварительная версия; разработчики предупреждают, что модель ещё не настроена на соответствие человеческим намерениям и требованиям безопасности. Лицензия — Llama 2 Community License (llama2).

Calme-7B-Instruct-v0.4 — разговорная языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она дообучена на базе Mistral-7B на высококачественных наборах данных и предназначена для генерации связных ответов в диалоге. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и других сценариев генерации текста, где важны ясность и последовательность. Доступна в формате safetensors, лицензия — Apache-2.0. В карточке не приведены результаты сравнительных оценок качества; упоминание высококачественных данных не раскрывает их состав.

DiscoLM German 7b v1 — плотная языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная DiscoResearch. Она дообучена на инструкциях и диалогах на немецком и английском языках: после этапа SFT модель прошла дополнительное обучение DPO. Модель предназначена для повседневного общения, генерации и понимания текста, а также перевода; использует шаблон диалога ChatML и поддерживает контекст до 32 768 токенов. Модель ориентирована прежде всего на качественные ответы на немецком, сохраняя беглость на английском. В README также заявлены экспериментальная поддержка вызова функций и структурированных ответов. Авторы отмечают, что модель уступает более крупным моделям в сложных рассуждениях, математике и программировании, а также в некоторых задачах кодирования и извлечения данных. Она может выдавать неверные или оскорбительные ответы. Лицензия — Apache-2.0.

Faro-Yi-34B-DPO — разговорная языковая модель, созданная wenbopan как DPO-версия Faro-Yi-34B. Она предназначена для генерации ответов в диалоге и других текстовых задач; для общения использует шаблон ChatML. Модель построена на архитектуре Llama, имеет 33,9 млрд параметров и контекст длиной до 32 768 токенов. В карточке заявлена поддержка английского и китайского языков. Автор отмечает хорошую работу как с коротким, так и с длинным контекстом и сообщает, что модель превосходит исходную Yi-34B-200K на многих задачах. В метаданных происхождение указано как слияние моделей; веса опубликованы в формате safetensors. Лицензия — MIT. Карточка не приводит подробных результатов оценки или конкретных ограничений качества.

GaMS-27B-Instruct — разговорная языковая модель, разработанная исследовательской группой факультета компьютерных наук и информатики Люблянского университета. Это версия GaMS-27B, дообученная методом SFT; семейство GaMS основано на Gemma 2 и продолжительно обучалось на словенских, английских, хорватских, сербских и боснийских текстах. Модель имеет плотную архитектуру Gemma 2 с 27,6 млрд параметров, принимает текст и генерирует текст. Контекст — до 8192 токенов. Модель предназначена для диалогов и генерации текстов, в первую очередь на словенском и английском языках; также поддерживаются хорватский, сербский и боснийский. Её можно применять для черновиков, суммаризации, ответов на вопросы и языковой практики. Лицензия — Gemma. Ответы могут содержать фактические ошибки и отражать предвзятость обучающих данных; модель может испытывать трудности с тонкими языковыми нюансами и сложными задачами. Для чувствительных сценариев следует проверять результаты и учитывать ограничения политики использования Gemma.

jul-decision-e5-small — дообученная командой jul компактная модель на базе multilingual-e5-small для типизированных решений по тексту: выбора категории (Choice), ответа «да/нет» (Noul) и выставления оценки (Score). В репозитории есть два варианта весов: векторная модель кодирует текст и варианты ответа отдельно для сравнения, а cross-модель обрабатывает вопрос и текст совместно. Архитектура — BERT, 124,3 млн параметров, контекст до 512 токенов; модель рассчитана на английский и французский языки. Для классификации Choice входы векторного варианта используют префикс `query: `; модель можно запускать в облегчённой сборке ONNX с 8-битной квантизацией, опубликованной отдельно. Модель подходит для классификации текстов по заданным вариантам, бинарных решений и оценивания без размеченных примеров, а также для тонкой настройки на конкретную задачу при наличии меток. В README приведены результаты на классификации, определении тональности и оскорбительного содержания, перефразировании и выводе. Указаны слабые места: оценка срочности, распознавание вежливых, но серьёзных жалоб, различение предложений с одинаковыми словами в разном порядке и ответы на вопросы, требующие знаний. Лицензия — Apache-2.0.

Lexora-Medium-7B — диалоговая языковая модель, опубликованная DeepMount00. Она основана на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров. Модель предназначена для генерации текста в формате беседы и имеет интерфейс для вызова инструментов. В карточке указаны обучающие наборы Sonnet-3.5-ITA-INSTRUCTION и Sonnet-3.5-ITA-DPO, а также поддержка итальянского и английского языков. Максимальная длина контекста составляет 131 072 токена. Модель доступна в формате safetensors по лицензии Apache-2.0.

Lucie-7B-Instruct-human-data — дообученная инструкционная версия Lucie-7B, открытой многоязычной каузальной языковой модели, разработанной OpenLLM-France. Модель предназначена для генерации текста и диалоговых сценариев с выполнением инструкций, прежде всего на французском языке. Она также обучалась на английском, немецком, итальянском и испанском языках. Размер модели — 7B параметров; базовая модель поддерживает контекст до 32K токенов, и, несмотря на обучение на последовательностях длиной 4096 токенов, эта версия сохраняет способность работать с контекстом до 32K токенов. Модель дообучалась исключительно на созданных людьми или шаблонно подготовленных инструкционных данных, без использования ответов сторонних LLM; среди источников — Aya Dataset, Dolly, FLAN v2, OpenAssistant, Croissant Aligned Instruct и франкоязычные наборы данных. Её сильная сторона — следование инструкциям и генерация французского текста при полностью открытом подходе к подготовке данных. Модель не оптимизировалась для программирования и математических задач, а её качество ниже, чем у Lucie-7B-Instruct-v1.1; дальнейшее дообучение и выравнивание методами DPO или RLHF могут улучшить эти возможности. Модель распространяется по лицензии Apache-2.0.

LUNA-SOLARkrautLM-Instruct — диалоговая языковая модель VAGO solutions на базе fblgit/UNA-SOLAR-10.7B-Instruct-v1.0, дообученная с использованием SauerkrautLM-SOLAR-Instruct, а также DPO-выравнивания и аугментации данных. Это плотная модель семейства Llama с 10,6 млрд параметров и контекстом 4096 токенов; она принимает текст и генерирует текстовые ответы, следует инструкциям и поддерживает чат на английском и немецком языках. Модель предназначена для диалоговых ответов, выполнения инструкций, рассуждений и задач с немецким текстом. В README приведены результаты оценок на тестах математических задач, общих знаний, понимания текста и перевода; авторы сообщают об улучшении немецкого языка за счёт перевода и аугментации данных. При этом возможны неестественные или грамматически некорректные немецкие формулировки. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

MiniCPM-2B-128k — языковая модель с открытыми весами, разработанная ModelBest Inc. и лабораторией обработки естественного языка Университета Цинхуа (TsinghuaNLP). Это экспериментальное расширение контекста MiniCPM-2B: модель содержит 2,7 млрд параметров по метаданным и рассчитана на генерацию текста и диалог в формате ChatML. Карточка заявляет поддержку контекста до 128k токенов; метаданные каталога указывают native context в 65 536 токенов. Модель подходит для диалога, анализа длинных документов, поиска сведений в большом контексте и суммаризации. В карточке отмечены высокие результаты на InfiniteBench среди моделей до 7B, но также сообщается о снижении качества на контекстах до 4k токенов. Модель может галлюцинировать, чувствительна к формулировкам запросов, иногда отвечает непоследовательно и обладает ограниченной точностью фактических знаний. Для генерации авторы рекомендуют vLLM, поскольку результаты Hugging Face Transformers могут быть медленнее и немного хуже. Веса доступны в формате PyTorch; карточка не сообщает условия лицензии.

LoneStriker/openbuddy-mixtral-7bx8-v18.1-32k-GGUF — мультиязычная диалоговая модель OpenBuddy, разработанная проектом OpenBuddy. Она предназначена для генерации текста и общения на естественных языках, включая китайский, английский, французский, немецкий, японский, корейский, итальянский и русский. Модель основана на Mistral Mixtral-8x7B-v0.1. В README указано, что модель распространяется в формате GGUF; идентификатор также указывает на контекст 32K. Архитектурные детали самой версии, точный размер файла, параметры квантования и результаты оценки в предоставленных данных не раскрыты. Модель ориентирована на общие сценарии генерации текста и чат-взаимодействия, но README не подтверждает её пригодность для специализированных задач. Модель может выдавать ошибочные, вредные, оскорбительные или иным образом нежелательные ответы, поэтому её не следует использовать в критически важных и высокорисковых сценариях, включая медицину, управление потенциально опасными системами, а также значимые финансовые и юридические решения. Указанная лицензия — Apache 2.0. Модель предоставляется без гарантий; пользователь самостоятельно принимает связанные с её применением риски.

Qwen3.5-35B-A3B-Kazakh — мультимодальная модель ISSAI на архитектуре Qwen3.5 MoE для диалогов на казахском и английском языках с поддержкой изображений и видео. Это адаптация Qwen3.5-35B-A3B: базовую модель продолжительно обучали на казахских текстах, расширили словарь на 16 тысяч казахских токенов, затем перенесли инструкционное выравнивание официальной instruct-модели методом chat-vector merge. Ветвь зрения и мультимодальный проектор восстановлены из официальной модели. Модель предназначена для ответов на вопросы, диалогов и анализа визуальных материалов, в том числе на казахском языке. По данным README, она сохраняет большинство возможностей базовой модели, но отвечает более краткими рассуждениями; на сложных задачах рассуждения качество может снижаться. Зрение не дообучалось специально, поэтому на визуальных тестах возможна деградация. Для запуска указаны Transformers и vLLM; максимальная длина контекста в метаданных не приведена. Лицензия — Apache-2.0.

Babel-9B-Chat — языковая чат-модель семейства Tower-Babel, разработанная командой Tower-Babel. Представлена в формате GGUF и квантизирована bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через LM Studio, llama.cpp и другие совместимые проекты. Модель содержит около 9 миллиардов параметров и поддерживает мультиязычную работу. В README заявлены английский, китайский, хинди, испанский, французский, арабский, бенгальский, русский, португальский, индонезийский, урду, немецкий, японский, суахили, тамильский, турецкий, корейский, вьетнамский, яванский, итальянский, хауса, тайский, персидский, тагальский и бирманский языки. Данные о размере контекстного окна, архитектуре базовой модели и поддержке модальностей, кроме текста, не указаны. Основное преимущество представленной версии — выбор квантизаций с разным соотношением качества, размера и требований к памяти: от Q8_0 размером 9,58 ГБ до низкобитных вариантов примерно от 3,9 ГБ. Рекомендуемыми названы, в частности, Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. Более компактные варианты экономят память, но могут заметно снижать качество; некоторые форматы являются устаревшими или не рекомендуются. Лицензия указана как seallm; применяются условия лицензии SeaLLM, ссылка на которую приведена в карточке модели.

Zen Ingress 1 3B SFT Merged — дообученная языковая модель AllenGXM на архитектуре Qwen2.5 для генерации текста и диалогового общения. Она основана на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 3,1 млрд параметров, имеет контекстное окно до 32 768 токенов и распространяется в формате safetensors. Подходит для генерации ответов и интеграции в чат-сценарии; метаданные также отмечают интерфейс вызова инструментов. Указанный язык — английский. Лицензия — Apache-2.0.

AfriqueQwen-14B — плотная причинная языковая модель семейства Qwen3, разработанная в рамках набора AfriqueLLM и дообученная методом продолженного предобучения на многоязычных данных. Она основана на Qwen/Qwen3-14B-Base, содержит 14 млрд параметров и использует контекст до 32 768 токенов. Для адаптации использовано около 26 млрд токенов; основное внимание уделено 20 африканским языкам, при этом обучение также сохраняло возможности на английском, французском, португальском и арабском. Модель предназначена для генерации текста и диалоговых сценариев на африканских языках, а также для многоязычных задач, включая перевод документов с длинным контекстом. В обучающие данные включены тексты, код, математические материалы и синтетические переводы. Карточка сообщает об оценках на нескольких многоязычных бенчмарках, но не приводит в доступном фрагменте результаты именно этой модели. Репозиторий использует формат Safetensors и библиотеку Transformers; для развёртывания предлагаются vLLM или SGLang. Лицензия — CC BY 4.0.

Amadeus-Verbo-MI-Qwen-2.5-14B-PT-BR-Instruct-Experimental — объединённая SLERP-модель семейства Qwen2.5, созданная Amadeus AI на основе Qwen/Qwen2.5-14B-Instruct и AmadeusAI/AV-BI-Qwen2.5-14B-PT-BR-Instruct. Это плотная авторегрессионная языковая модель с 14 млрд параметров для диалогов и генерации текста; поддерживает интерфейс вызова инструментов. Модель принимает текстовые запросы и выдаёт текстовые ответы, рассчитана прежде всего на португальский язык Бразилии. Контекст составляет 32 768 токенов, для запуска README рекомендует актуальную версию Transformers. Модель подходит для чат-ботов, ответов на вопросы, написания и преобразования текста на португальском языке. Заявленные данные не описывают специальные предметные области или результаты сравнительных оценок качества. Распространяется по лицензии Apache-2.0.

Apertus EstLLM 8B 0326 Instruct — диалоговая языковая модель TartuNLP, созданная методом слияния chat-vector на основе tartuNLP/Apertus-EstLLM-8B-Instruct-1125. Это плотная авторегрессионная модель семейства Apertus с архитектурой ApertusForCausalLM и 10,3 млрд параметров; она предназначена для генерации текста и выполнения инструкций в формате диалога. Модель принимает текст и выдаёт текст, поддерживает эстонский и английский языки, а её длина контекста составляет 65 536 токенов. Модель подходит для ответов на вопросы, языковых задач и рассуждений на эстонском и английском, а также для перевода с английского на эстонский. В README приведены результаты оценки на эстонских и англоязычных тестах, включая задачи понимания инструкций, языковой компетенции и знаний. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

AryaBhatta-GemmaOrca-Merged — языковая модель семейства Gemma, разработанная GenVR и дообученная для инструкций и общения на английском и девяти индийских языках: хинди, тамильском, панджаби, бенгальском, гуджарати, ория, телугу, каннада и малаялам. Модель содержит 8,2 млрд параметров, использует плотную архитектуру GemmaForCausalLM, принимает текст и поддерживает контекст до 8192 токенов. Доступна в формате safetensors под лицензией MIT. Модель сначала дообучали на математических задачах из наборов Orca, затем на диалоговых данных Samvaad и наборах инструкций на индийских языках. Она предназначена для генерации ответов на запросы, многоязычного диалога и решения математических задач. В README приведены сравнительные результаты на AGIEval, GPT4All, TruthfulQA и BigBench; эти оценки относятся к тестам разработчиков и сами по себе не гарантируют качество в конкретном применении. Карточка описывает объединённую серию AryaBhatta-GemmaOrca, но не уточняет, является ли данный репозиторий вариантом на базе исходной Gemma или Zephyr-Gemma; указанными возможными источниками служат Google/gemma и HuggingFaceH4/zephyr-7b-gemma-v0.1. Следует учитывать, что качество может различаться между поддерживаемыми языками и задачами, а заявленные языки не подтверждают одинаковую надёжность во всех сценариях.

Breexe-8x7B-Instruct-v0_1 — диалоговая языковая модель MediaTek Research, дообученная для выполнения пользовательских инструкций на основе Breexe-8x7B-Base, который расширяет Mixtral-8x7B. Модель предназначена прежде всего для традиционного китайского языка, также поддерживает английский. Она подходит для ответов на вопросы, многошагового диалога, суммаризации и работы с RAG-сценариями. Метаданные указывают архитектуру Mixtral с разреженной смесью экспертов (MoE), 7,2 млрд параметров и контекст до 32 768 токенов; в README также приведено значение 8 тыс. токенов, поэтому фактическую длину контекста следует проверять для конкретной конфигурации. Расширенный словарь токенизатора, по данным разработчика, ускоряет обработку традиционного китайского языка относительно Mixtral-8x7B. README сообщает о результатах на бенчмарках китайского и английского языков на уровне GPT-3.5-turbo-1106, но не приводит здесь подробностей измерений. Модель выпущена в версии 0.1 и распространяется по лицензии Apache-2.0. Она не предназначена для обработки изображений или аудио; разработчик также отмечает, что в диалоговом режиме нет специальной обработки вредоносных запросов.

rinna/llama-3-youko-70b-instruct — инструктивная языковая модель, разработанная rinna на основе Llama 3 Youko 70B. Это плотный 80-слойный трансформер с размером скрытого слоя 8192 и 69,5 млрд параметров, обученный для диалогов и генерации текста. Модель использует формат чата Llama 3 и токенизатор Meta-Llama-3-70B-Instruct; длина контекста — 8192 токена. Модель прошла supervised fine-tuning на данных rinna, а затем была объединена с chat vector, рассчитанным по разнице между Meta-Llama-3-70B-Instruct и Meta-Llama-3-70B. Она предназначена для японских и англоязычных диалогов и генерации текста. В генерации может чаще повторять текст, чем базовая модель; авторы рекомендуют repetition_penalty=1.1. Лицензия — Llama 3.

LongCite-glm4-9b — диалоговая модель семейства ChatGLM от организации zai-org, предназначенная для генерации ответов с цитатами по длинным документам. Она дообучена на наборе THUDM/LongCite-45k и ориентирована на задачи LongCite: ответы на вопросы с подтверждающими цитатами из контекста. Модель содержит 10,7 млрд параметров, использует плотную архитектуру ChatGLM и принимает контекст длиной до 131 072 токенов. Репозиторий содержит веса в формате safetensors; для работы применяется библиотека Transformers. В карточке указаны английский и китайский языки. Лицензия в предоставленных данных не указана.

M-DIE-M-10.7B — разговорная языковая модель, разработанная Ados на основе upstage/SOLAR-10.7B-Instruct-v1.0. Это плотная модель семейства Llama с 10,6 млрд параметров, рассчитанная на генерацию текста и диалоговое использование; заявленная длина контекста — 4096 токенов. Обучающая выборка преимущественно корейская (73%) и английская (24%), с небольшой долей других языков. В неё входят примеры вопросов и ответов, многоходовых диалогов, выполнения инструкций, суммаризации и перевода. Модель предназначена для диалогов и выполнения текстовых инструкций, включая ответы на вопросы, краткое изложение и перевод. В README приведён шаблон диалога с системным сообщением OLLM, ориентированным на работу в локальной инфраструктуре. Модель опубликована в формате Safetensors и распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Результаты зависят от языка и качества запроса; обучение преимущественно на корейском и английском, поэтому качество для других языков может быть ниже. README не приводит количественных оценок качества.

n0kovo/Qwen3-VL-32B-Instruct-heretic-v2 — версия Qwen3-VL-32B-Instruct, обработанная методом abliteration: по приведённому сравнению модель реже отказывает в ответе, сохраняя близость к исходному поведению с KL-дивергенцией 0,1565. Это плотная мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration, предназначенная для диалогов по тексту и изображениям. Модель подходит для визуальных вопросов и ответов, распознавания текста на изображениях, анализа сцен и пространственных отношений, а также понимания видео и генерации текста. В README для исходной модели указаны контекст 256 тыс. токенов с возможностью расширения до 1 млн и OCR на 32 языках; метаданные этой копии не подтверждают, что все эти характеристики сохранены без изменений. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

SauerkrautLM-gemma-2-9b-it — текстовая чат-модель VAGO solutions на базе Google Gemma 2 9B IT, дообученная методом Spectrum Fine-Tuning на немецко-английских данных Sauerkraut Mix v2. В ходе обучения затрагивалось 25% слоёв модели. Модель предназначена для диалогов и выполнения инструкций на немецком и английском языках. Разработчики сообщают об улучшениях следования инструкциям, рассуждений здравого смысла и решения математических задач при сохранении большей части ранее приобретённых способностей базовой модели. Архитектура — плотная Gemma2ForCausalLM с 9 млрд параметров; контекст — до 8192 токенов. В репозитории представлены веса safetensors. Лицензия — gemma. Разработчики предупреждают, что несмотря на очистку данных, модель может выдавать неподходящий или некорректный контент; результаты оценки зависят от настроек бенчмарков.