III.2Исследование рынка и маркетинг

FinMatcha-3B-Instruct — диалоговая языковая модель, разработанная на основе Llama 3.2 3B Instruct и дообученная для работы преимущественно с индонезийским языком. Модель содержит около 3,2 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 131 072 токенов. Для дообучения применён набор NekoFi/alpaca-gpt4-indonesia-cleaned; доступны веса в формате safetensors. Модель предназначена для генерации текста, диалогов и выполнения инструкций на индонезийском и английском языках, включая формальную и разговорную речь и двуязычные сценарии. Указанная лицензия — Apache-2.0. По опубликованным результатам Open LLM Leaderboard, средняя оценка составляет 23,81, а IFEval (0-shot) — 75,48. Основной язык модели — индонезийский; качество на задачах, не связанных с индонезийским, может быть ниже. Возможны культурные и контекстные смещения, характерные для языковых моделей.

French-Alpaca-Phi-3-mini-128k-instruct-beta — языковая модель, разработанная Jonathan Pacifico и дообученная на базе microsoft/Phi-3-mini-128k-instruct. Это плотная авторегрессионная модель семейства Phi-3 с 3,7 млрд параметров, рассчитанная на диалог и генерацию текста. В карточке заявлена поддержка контекста до 128 тыс. токенов, однако метаданные указывают native context в 4096 токенов, поэтому длину 128 тыс. следует считать заявлением README, не подтверждённым метаданными. Модель предназначена для общения и общих текстовых задач на французском языке; карточка также указывает английский среди языков. Дообучение выполнено на French-Alpaca-dataset-Instruct-110K, созданном с помощью GPT-3.5-turbo. Модель может служить отправной точкой для дальнейшей специализации. Лицензия — MIT. В README отмечено отсутствие механизмов модерации и отсутствие поддержки 128k-версии в llama.cpp.

GaMS-9B — языковая модель семейства GaMS (Generative Model for Slovene), разработанная исследовательской командой факультета компьютерных и информационных наук Люблянского университета. Она основана на Google Gemma 2 9B и прошла продолжительное предобучение на корпусах текстов на словенском, английском, хорватском, сербском и боснийском языках. Это плотная авторегрессионная модель на 9 млрд параметров с контекстом до 8192 токенов, предназначенная для генерации текста и диалоговых сценариев. Модель подходит для создания и редактирования текстов, суммаризации, ответов на вопросы, чат-ботов и языковых учебных инструментов, особенно для работы со словенским языком. Английский также относится к основным языкам обучения; хорватский, сербский и боснийский представлены в меньшем объёме. Хотя Gemma 2 может поддерживать и другие языки, они не входили в указанное продолжительное предобучение GaMS-9B. Модель может ошибаться в фактах, испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами, а также воспроизводить смещения из обучающих данных. Для использования действует лицензия Gemma.

avemio/German-RAG-x-HERMES-LLAMA-MERGED-EXP — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе немецкоязычной модели GRAG-LLAMA-3.1-8B-CPT-HESSIAN-AI с добавлением GRAG-LLAMA-3.1-8B-MERGED-HESSIAN-AI и Hermes 3 Llama 3.1 8B от Nous Research. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и сценариев RAG на немецком языке; Hermes 3 в составе слияния добавляет диалоговые и инструкционные возможности. Для работы требуются Transformers и формат весов safetensors; в модели используется шаблон чата ChatML. Карточка не сообщает результаты оценки качества. Лицензия в предоставленных данных не указана.

Jackrong/llama-3.2-3B-Chinese-Elite — чат-модель на базе Meta Llama 3.2 3B Instruct, дообученная автором методом SFT на примерно 50 тысячах примеров, дистиллированных из Qwen3-235B-A22B-Instruct-2507. Репозиторий предоставляет веса в формате GGUF; модель рассчитана на генерацию текста и диалоговое использование на китайском и английском языках. Модель предназначена для повседневного общения, создания и пересказа текстов, перевода, объяснения учебных материалов, творческого письма и простых рассуждений. Компактный размер ориентирован на быстрый запуск на ограниченных ресурсах, включая локальные компьютеры и CPU, а GGUF-веса подходят для автономного развертывания. Автор сообщает об улучшениях относительно исходной модели в китайском диалоге, форматировании ответов и простых рассуждениях, однако эти оценки представлены в карточке модели и не являются независимым сравнительным тестированием. Указанные ограничения включают слабые результаты на сложных математических и многошаговых задачах, ограниченность в специализированных областях и возможное несоответствие отдельных ответов человеческим предпочтениям. Лицензия репозитория — Apache-2.0.

Llama-3-8b-Cosmopedia-japanese — японская адаптация модели Llama 3, разработанная aixsatoshi. Модель дополнительно обучена на японском переводе синтетического набора Cosmopedia, созданного на основе ответов Mixtral 8x7B. Цель обучения — перенести способности Llama 3 к рассуждению в японский контекст и снизить склонность отвечать по-японски на английском. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста и диалогового общения на японском языке; заявленная длина контекста — 8192 токена. Веса доступны в формате safetensors. Лицензия — Llama 3 Community License.

VIRNECT разработала разговорную языковую модель на архитектуре Llama 3, дообученную на базе MLP-KTLim/llama-3-Korean-Bllossom-8B. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в диалоговом формате; карточка также указывает обучение на данных AI Hub для улучшения работы с корейским языком. Модель принимает текст и генерирует текст. Указанная длина контекста — 8192 токена. В метаданных отмечены корейский и английский языки. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия указана как llama3.

Модель leekh7624/Llama-3-Open-Ko-8B-Instruct-sample — чат-модель на архитектуре Llama с плотной сетью и примерно 7,5 млрд параметров. Разработчик leekh7624 дообучил её на основе beomi/Llama-3-Open-Ko-8B-Instruct-preview; при обучении использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате, включая ответы на инструкции. Контекст — до 8192 токенов. В метаданных указан английский язык, а базовая модель ориентирована на корейский и английский. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Sam2x/Mistral_OpenArabic_v0.2 — арабоязычная разговорная модель на архитектуре Mistral, обученная разработчиком на различных арабских наборах данных. Она предназначена для генерации текста и диалоговых сценариев на арабском языке; в метаданных также отмечена поддержка английского. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; результаты могут зависеть от арабского диалекта и конкретной задачи.

NeuronAI-4B — двуязычный ассистент с приоритетом узбекского языка, разработанный NeuronUz на базе Qwen3.5-4B. Это плотная авторегрессионная модель семейства Qwen3.5 с 3,4 млрд параметров; веса опубликованы в формате safetensors и полностью объединены, отдельный LoRA-адаптер не требуется. Модель дообучали продолжением предобучения, настройкой токенизатора для узбекского языка и supervised fine-tuning на ответах ассистента. Модель предназначена для диалога, письма, классификации по заданным меткам и экспериментов с переводом, особенно между английским и узбекским. Карточка сообщает об улучшении токенизационной эффективности для узбекского текста и приводит результаты на узбекских языковых и учебных тестах. В метаданных указаны русский и английский языки; README особо выделяет узбекский, преимущественно в латинской письменности. Для запуска автор приводит примеры Transformers и vLLM. Унаследованный контекст составляет 262 144 токена, однако обучение с инструкциями использовало последовательности до 2 048 токенов; примеры инференса ограничены 4 096 токенами, а более длинный контекст не проверен. Модель может ошибаться, галлюцинировать и воспроизводить смещения данных; её безопасность всесторонне не оценивалась. В тестах слабее всего показан TUMLU-Uzbek, а на английском MMLU базовая Qwen3.5-4B была сильнее. Для медицинских, юридических, финансовых и других ответственных решений требуется экспертная проверка. Лицензия CC BY-NC 4.0 разрешает некоммерческое использование; для коммерческого применения нужна отдельная письменная лицензия NeuronUz.

Nusantara-2.7b-Indo-Chat — разговорная языковая модель Kalis AI для индонезийского языка. Это плотная авторегрессионная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM, содержащая 2,3 млрд параметров и принимающая текстовый контекст длиной до 8192 токенов. Модель дообучена на базе Qwen1.5-4B; в обучении использовались датасеты с инструкциями на индонезийском и английском языках, а также другие текстовые данные. Модель предназначена для ответов на вопросы и выполнения инструкций на индонезийском языке в формате чата; также поддерживает английский. Её можно применять для диалоговых помощников и генерации ответов на текстовые запросы. Веса доступны в формате Safetensors для Transformers. В README отмечена склонность моделей этого размера к галлюцинациям; ответы могут быть предвзятыми, а обучение на неотфильтрованных данных создаёт риск нежелательных результатов. Лицензия указана как Apache-2.0 с требованием соблюдать условия лицензии Qwen.

Карточка модели birgermoell/oellm-9b-256k-theta64m-prelude на Hugging Face совпадает с карточкой openeurollm/oellm-9b-256k-theta64m-prelude, поэтому описание составлено по ней. OELLM 9B — 256K context (ABF, θ=64M) — prelude — базовая плотная языковая модель OpenEuroLLM на архитектуре Qwen3. Это продолжение предобучения модели prelude с контекстным окном до 262 144 токенов; модель не настроена для следования инструкциям. В README указаны 9B параметров, тогда как метаданные Hugging Face указывают 8B. Модель поддерживает 37 европейских языков, включая английский, немецкий, французский, испанский, польский и украинский; метаданные подтверждают языковые теги для части этого набора. Модель предназначена для генерации продолжений и работы с длинными текстами, в том числе поиска сведений на разных позициях в контексте до 256K токенов. По оценке single-needle NIAH из README, результат на 256K составил 90% на 185 испытаниях в семи языках; более широкая оценка RULER ещё не проводилась. Для обработки контекста 256K требуется несколько GPU. Для такого режима README рекомендует сохранять rope_theta=64000000 и max_position_embeddings=262144. Модель распространяется по лицензии Apache-2.0. Поскольку это базовая модель без инструкционной настройки, она ориентирована на продолжение текста, а не на диалоговое следование запросам; также отмечен умеренный эффект «потери в середине» контекста.

Qwen2.5-3B-Renoia — объединённая модель для генерации текста, созданная автором trollek с помощью mergekit на основе Qwen2.5-3B и нескольких дообученных моделей. Автор сообщает, что настраивал компоненты с помощью собственных датасетов, чтобы улучшить навыки датского языка и придать ассистенту индивидуальный стиль. Модель предназначена для диалогов и генерации ответов; в метаданных также отмечен интерфейс вызова инструментов. Архитектура — плотная Qwen2 causal language model на 3,1 млрд параметров, контекст — до 32 768 токенов. Карточка перечисляет датский и набор других языков, включая английский, русский, китайский, французский, испанский и японский. Модель распространяется в формате safetensors по лицензии «other»; конкретные условия лицензии в предоставленных данных не раскрыты.

Qwen3.5-27B-ultra-uncensored-heretic-v2 — мультимодальная диалоговая модель на 27 млрд параметров от независимого автора llmfan46, созданная дообучением Qwen/Qwen3.5-27B. Она принимает текст и изображения и генерирует ответы на текстовые запросы и вопросы по изображениям. В карточке описана настройка abliteration, направленная на снижение числа отказов: автор сообщает об одном отказе из 100 запросов против 95 у исходной модели; это результат теста автора, а не гарантия поведения во всех сценариях. Модель основана на плотной архитектуре Qwen3.5 с генерацией текста и визуальным энкодером. README указывает контекст 262 144 токена с возможностью расширения до 1 010 000; метаданные подтверждают поддержку диалогов и изображений. Карточка заявляет широкое языковое покрытие семейства, но конкретный список языков этой версии не приведён. Модель распространяется по лицензии Apache-2.0. Снижение числа отказов может сопровождаться меньшей осторожностью в ответах; приведённая оценка PIQA близка к результату исходной модели.

RoBERTa-Base-MRQA — англоязычная модель для извлекающего ответа на вопросы, выпущенная VMware в рамках совместного исследовательского проекта с Innovation Foundry/AIM-AHEAD Lab при Howard University. Она принимает вопрос и контекстный фрагмент текста, затем выделяет ответ из этого фрагмента; подходит для поиска по текстам, чат-ботов и систем поддержки клиентов. Модель основана на RoBERTa-Base, имеет около 151,8 млн параметров и контекстное окно 514 токенов. Она обучена на 516 819 примерах датасета MRQA и доступна в форматах PyTorch и Safetensors. Карточка приводит результаты оценки по Exact Match и F1, но качество может снижаться на вопросах и текстах вне распределения MRQA. Модель рассчитана на английский язык и может хуже справляться с другими языками и узкоспециализированными знаниями. Лицензия — Apache-2.0.

SauerkrautLM-1.5b — демонстрационная языковая модель VAGO solutions на архитектуре Qwen2 с 1,5 млрд параметров. Она создана на базе Qwen/Qwen2-1.5B с помощью непрерывного предобучения на немецких данных методом Spectrum CPT, затрагивающим 25% слоёв, а затем дообучена с помощью SFT и DPO. Модель предназначена для генерации текста и диалогов на немецком и английском языках. Её можно использовать для ответов на вопросы и работы с немецкоязычными материалами, в том числе в сценариях RAG. Контекст — до 32 768 токенов. Авторы сообщают об улучшении немецкого языка и результатах на немецких бенчмарках, однако описывают модель как демонстрационную и отмечают, что для продуктивного применения может потребоваться дополнительное обучение на немецких данных. Модель распространяется по лицензии Apache 2.0.

mlx-community/SmolVLM-Instruct-bf16 — конверсия модели HuggingFaceTB/SmolVLM-Instruct в формат MLX, выполненная сообществом mlx-community с помощью mlx-vlm 0.1.2. Это компактная мультимодальная модель семейства Idefics3 для диалога по изображениям и текстовым запросам: она может описывать визуальное содержимое, отвечать на вопросы об изображениях и помогать разбирать документы. Модель принимает текст и изображения, выдаёт текст; в метаданных указан английский язык. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. README отсылает к исходной карточке HuggingFaceTB/SmolVLM-Instruct за подробностями о модели; сведения о размере и длине контекста в предоставленных данных отсутствуют.

jieunhan/solar_merge_test_1 — объединённая автором модель генерации текста на архитектуре Mixtral MoE с 10,7 млрд параметров. При создании объединены beomi/OPEN-SOLAR-KO-10.7B и hyeogi/SOLAR-10.7B-dpo-v1; конфигурация указывает на выбор экспертов по эмбеддингам и подсказку для дружелюбного универсального ассистента. Модель предназначена для генерации текста и диалоговых ответов на корейском и английском языках. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, указана лицензия Apache-2.0. Карточка не приводит результатов оценки качества или подробных сведений о поведении модели.

Ultravox v0.2 — мультимодальная речевая LLM от Fixie.ai, построенная на Llama 3 8B Instruct и Whisper-small. Модель принимает аудио вместе с текстом, например текстовую системную инструкцию и голосовое сообщение, и формирует текстовый ответ. Модель предназначена для голосовых агентов, анализа устной речи и перевода речи. В карточке указаны скорость первого токена около 200 мс и генерация примерно 50–100 токенов в секунду на GPU A100 40 ГБ. Для обучения использовались данные GigaSpeech, AnyInstruct, BoolQ и SODA. Предпочтительная настройка модели не проводилась. Модель распространяется по лицензии MIT. Указан английский язык. Генерация аудио в этой версии не поддерживается; сведения о результатах оценки и тестовых наборах в карточке не приведены.

facebook/wav2vec2-xls-r-1b-en-to-15 — модель Facebook для перевода устной английской речи в письменный текст на одном из 15 языков. Это связка речевого энкодера и текстового декодера: энкодер основан на facebook/wav2vec2-xls-r-1b, декодер — на facebook/mbart-large-50. Модель дообучена на 15 парах перевода из набора Covost2; для выбора языка перевода используются целевые токены. Модель принимает аудио на английском и генерирует текст на немецком, турецком, персидском, шведском, монгольском, китайском, валлийском, каталанском, словенском, эстонском, индонезийском, арабском, тамильском, латышском или японском. Она предназначена для перевода речи, а не только для распознавания английской транскрипции. В метаданных указан формат PyTorch и библиотека Transformers. Лицензия — Apache 2.0.

facebook/wav2vec2-xls-r-2b-22-to-16 — модель перевода речи, разработанная Facebook. Это связка кодировщика и декодера: кодировщик инициализирован контрольной точкой facebook/wav2vec2-xls-r-2b, а декодер — facebook/mbart-large-50; модель дообучена на парах перевода из набора CoVoST 2. Она принимает аудио на одном из 22 исходных языков и генерирует письменный перевод на один из 16 целевых языков: английский, немецкий, турецкий, персидский, шведский, монгольский, китайский, валлийский, каталанский, словенский, эстонский, индонезийский, арабский, тамильский, латышский или японский. Подходит для перевода аудиозаписей и устных высказываний без отдельного этапа распознавания и последующего текстового перевода. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Качество может зависеть от языковой пары и характеристик аудио; карточка не приводит количественных оценок качества.

Карточка модели asas-ai/AceGPT-v2-32B на Hugging Face совпадает с карточкой asas-ai/AceGPT-v2-32B-Chat, поэтому описание составлено по ней. AceGPT-v2-32B-Chat — диалоговая языковая модель семейства AceGPT, разработанная исследователями KAUST, CUHKSZ, SRIBD и King Abdulaziz University. Это полностью дообученная генеративная модель на архитектуре Llama, основанная на Qwen1.5-32B и содержащая 31,7 млрд параметров. Модель принимает текст и генерирует текст. Вариант Chat оптимизирован для диалоговых сценариев; семейство AceGPT ориентировано прежде всего на арабский язык, а карточка также указывает поддержку английского и китайского. Контекст составляет до 32 768 токенов. В README приведены результаты тестирования на арабских, английских и китайских бенчмарках. Модель подходит для арабоязычного диалога, ответов на вопросы и генерации текста. Карточка содержит лишь фрагменты таблиц оценки, поэтому по ней нельзя судить о качестве именно версии 32B во всех задачах. Лицензия — Apache-2.0.

faodl/actionable-policy-bert-base-multilingual-uncased-f1_weighted — модель классификации текста на базе BERT с многоязычной архитектурой и версией без учета регистра. По идентификатору модели она предназначена для задачи text-classification; разработчик, точная схема меток и назначение классов в карточке не описаны. Модель содержит 194,6 млн параметров, поддерживает контекст до 512 токенов и рассчитана на использование с библиотекой Transformers. Её можно применять для классификации текстовых сообщений по заранее определённым категориям в прикладных системах, если категории и формат входных данных соответствуют данным обучения. Языковые коды, сведения о лицензии, обучающем наборе, метриках и результатах оценки не приведены, поэтому качество и допустимые условия распространения необходимо проверять отдельно.

Chocolatine-3B-Instruct-DPO-Revised — языковая модель Jonathan Pacifico, дообученная методом DPO на базе microsoft/Phi-3-mini-4k-instruct с использованием набора jpacifico/french-orca-dpo-pairs-revised. Модель содержит 3,7 млрд параметров, построена на архитектуре Phi-3 и рассчитана на контекст до 4096 токенов. Модель предназначена для диалогов и генерации текста на французском и английском языках. Обучение на французских данных улучшило результаты также и на английском; в карточке приведены результаты бенчмарков, включая MT-Bench-French. Доступны версии в формате Safetensors, а также отдельные квантизированные варианты GGUF и запуск через Ollama. Модель разработана как демонстрация возможностей дообучения и не имеет механизма модерации. Лицензия — MIT.

Карточка модели manaladan6/cogvlm2-llama3-chat-19B на Hugging Face совпадает с карточкой zai-org/cogvlm2-llama3-chat-19B, поэтому описание составлено по ней. CogVLM2-Llama3-Chat-19B — чат-модель с визуальным вводом от ZhipuAI, построенная на Meta-Llama-3-8B-Instruct. По карточке семейства модель предназначена для диалога и ответов на вопросы по изображениям; особенно отмечены результаты в задачах TextVQA и DocVQA. Модель поддерживает контекст до 8 192 токенов и изображения разрешением до 1344 × 1344 пикселей. Карточка указывает для этой версии английский язык; двуязычная поддержка китайского и английского относится к отдельной версии семейства. Метаданные описывают архитектуру как CogVLMForCausalLM и указывают 8,3 млрд параметров, тогда как README приводит размер семейства 19 млрд. Доступны веса в формате safetensors и чат-возможность. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

CogVLM2-Llama3-Chat-19B — чат-модель с визуальным вводом от ZhipuAI, построенная на Meta-Llama-3-8B-Instruct. По карточке семейства модель предназначена для диалога и ответов на вопросы по изображениям; особенно отмечены результаты в задачах TextVQA и DocVQA. Модель поддерживает контекст до 8 192 токенов и изображения разрешением до 1344 × 1344 пикселей. Карточка указывает для этой версии английский язык; двуязычная поддержка китайского и английского относится к отдельной версии семейства. Метаданные описывают архитектуру как CogVLMForCausalLM и указывают 8,3 млрд параметров, тогда как README приводит размер семейства 19 млрд. Доступны веса в формате safetensors и чат-возможность. Лицензия указана как other, поэтому конкретные условия использования следует сверять с лицензией репозитория.

EM German 7B Leo — модель jphme для генерации текста и диалогов на немецком языке. Она дообучена на инструкциях на немецком языке на базе LeoLM, семейства моделей Llama 2 с дополнительным предварительным обучением на немецких текстах. Веса имеют архитектуру LlamaForCausalLM, содержат 6,6 млрд параметров и представлены в формате safetensors для библиотеки Transformers; контекст — до 8192 токенов. Модель рассчитана на ответы ассистента, понимание и создание немецкоязычных текстов, в том числе на запросы в формате RAG. Она использует формат запросов Vicuna; качество ответов может зависеть от версии и настроек генерации. В README автор советует при неудовлетворительных результатах попробовать rope_scaling 2.0 или другую версию модели. Лицензия — Llama 2; автор указывает, что модель предназначена только для исследовательского использования.

QuantFactory/gemma-2-baku-2b-it-GGUF — квантованная версия инструкционной языковой модели rinna/gemma-2-baku-2b-it, подготовленная QuantFactory с использованием llama.cpp. Исходную модель разработала команда rinna: Xinqi Chen, Toshiaki Wakatsuki и Kei Sawada. Модель предназначена для генерации текста и диалогового взаимодействия с выполнением инструкций, прежде всего на японском и английском языках. Модель основана на Gemma 2 Baku 2B и имеет архитектуру трансформера с 26 слоями и размером скрытого представления 2304; заявленный масштаб — около 2 миллиардов параметров. Инструкционные способности получены посредством слияния с Gemma 2 2B Instruct методом Chat Vector, а затем дополнительной оптимизации предпочтений ORPO на части внутреннего датасета rinna. Используется оригинальный токенизатор google/gemma-2-2b-it и формат чата Gemma 2. README не указывает размер контекста и конкретный тип или уровень квантования GGUF. К сильным сторонам относятся небольшой размер, поддержка японского языка и адаптация к диалоговым сценариям и следованию инструкциям. Ограничения включают отсутствие подробных результатов бенчмарков в карточке, неизвестные характеристики квантования и неуказанные ограничения качества по сравнению с более крупными моделями. Для исходной модели указана лицензия Gemma Terms of Use; отдельные условия для квантованного файла в README не приведены.

InternVL3.5-8B-HF — мультимодальная модель OpenGVLab для диалогов и рассуждений по изображениям и тексту. Это плотная модель семейства InternVL с архитектурой InternVLForConditionalGeneration, представленная в формате Hugging Face Transformers; она дообучена на базе OpenGVLab/InternVL3_5-8B-MPO. Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Подходит для описания изображений, визуальных вопросов и ответов, чтения текста и документов на изображениях, а также решения задач на понимание и рассуждение по визуальным данным. Семейство InternVL3.5 использует Cascade RL для улучшения рассуждений и Visual Resolution Router для адаптивной обработки визуальных токенов; карточка также указывает возможности чата и зрения. В описании семейства упоминаются GUI-взаимодействие и embodied agency, но для этой конкретной 8B-версии они отдельно не подтверждены. В README для моделей до 30 млрд параметров указана возможность запуска на одной GPU A100; число параметров этой версии в переданных метаданных не приведено, поэтому ресурсную оценку для неё нельзя подтвердить отдельно. Поддержка обозначена как multilingual, без перечня конкретных языков. Модель распространяется по лицензии Apache-2.0.

MihaiPopa-1/LFM2.5-350M-heretic — компактная плотная языковая модель для генерации текста и диалогов, полученная дообучением LiquidAI/LFM2.5-350M с применением abliteration для снижения частоты отказов. Она содержит 444,6 млн параметров, использует архитектуру LFM2 с причинной языковой головой и рассчитана на локальный запуск; метаданные указывают контекст до 128 000 токенов. Карточка базовой модели описывает текстовую модель для извлечения данных, структурированных ответов и использования инструментов; поддерживаемые языки — английский, арабский, китайский, французский, немецкий, японский, корейский, португальский и испанский. По приведённому в README сравнению доля отказов снизилась с 88 до 5 из 100 ответов, а KL-дивергенция относительно исходной модели составила 0,0954. Модель может подойти для диалогов, извлечения сведений и генерации структурированных ответов, но ослабление защитных отказов означает, что она может отвечать на запросы, которые исходная модель отклонила бы. README не рекомендует базовую модель для задач, требующих обширных знаний, и программирования; качество этих задач у данного варианта отдельно не подтверждено. Лицензия указана как other, без уточнения её условий в предоставленных данных.