III.2Исследование рынка и маркетинг

SinclairSchneider/dbrx-instruct-quantization-fixed — исправленная копия DBRX Instruct от Databricks. Изменение позволяет загружать модель в 4- и 8-битном режиме, чтобы снизить требования к памяти; в метаданных репозитория указан формат safetensors. Это трансформерная авторегрессионная языковая модель с архитектурой fine-grained mixture-of-experts: всего 132 млрд параметров, из которых для одного входа активны 36 млрд. Модель использует 16 экспертов, выбирая 4, и контекст до 32 768 токенов. Модель предназначена для коротких диалогов, ответов на вопросы на английском языке и задач с кодом. Она принимает и генерирует только текст. В обучении использовались текст и код, преимущественно на английском; модель не тестировалась на других языках и не поддерживает мультимодальность, встроенное исполнение кода или вызов функций. Лицензия — Databricks Open Model License; применяются также условия Acceptable Use Policy Databricks.

DeepSeek-V4-Flash-0731-MLX-Serve-mixed-2-3-8bit — это квантованная MLX-конверсия модели DeepSeek-V4-Flash-0731, опубликованная ddalcu и предназначенная для запуска через mlx-serve на Apple Silicon. Модель рассчитана на генерацию текста, включая диалоги, программирование, задачи coding agent и сценарии с вызовом инструментов. Она совместима с OpenAI, Anthropic и Ollama HTTP API, поэтому может использоваться с существующими клиентами и интерфейсами. В основе лежит полная модель размером 284B параметров с конфигурацией A13B. Сборка занимает 115,4 ГБ и использует смешанную точность: основные routed experts в слоях 0–38 имеют 2- и 3-битное квантование с калибровкой по матрице важности, последние четыре слоя — 4-битное, а attention, shared experts, embeddings, LM head и ряд чувствительных компонентов — 8-битную или более высокую точность. Архитектура включает MQA, сжатую историю внимания, hash-routed MoE, Sinkhorn hyper-connections, DSML-формат вызова инструментов и DSpark speculative decoding. Поддерживаются текстовые входы и выходы; в README не указаны дополнительные модальности и языковой охват. Для работы требуется Mac на Apple Silicon с не менее чем 128 ГБ unified memory, macOS 26.2 или новее и mlx-serve. Ожидаемый объём занятой памяти составляет около 98 ГБ, либо примерно 109 ГБ при использовании DSpark; заявлена скорость около 53 токенов в секунду на M-series Mac с 128 ГБ памяти и включённым DSpark. Сильными сторонами являются запуск полной 284B-A13B модели на одном совместимом Mac, native MLX-реализация без Python и калиброванное квантование, направленное на сохранение качества в агентских сценариях. Ограничениями остаются очень высокие требования к памяти и совместимость только с Apple Silicon и mlx-serve. Лицензия — MIT.

Liorath-3B-Final — языковая модель на архитектуре Qwen2, созданная методом SLERP-слияния Qwen/Qwen2.5-3B-Instruct и Qwen/Qwen2.5-Coder-3B-Instruct. По метаданным, модель содержит 2,5 млрд параметров, работает с текстом и использует библиотеку Transformers. Модель предназначена для диалогов и генерации текста по инструкциям; слияние с кодовой моделью также делает её применимой к задачам программирования. Контекстное окно составляет 32 768 токенов. Поддержка нескольких языков унаследована от базовой Qwen2.5-3B-Instruct. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не указана.

Это конвертированная в MLX 6-битную форму версия NVIDIA Nemotron 3 Nano 30B A3B от mlx-community, подготовленная из nvidia/NVIDIA-Nemotron-3-Nano-30B-A3B-BF16 с помощью mlx-lm 0.29.1. Базовая модель NVIDIA — гибридная языковая модель с 30B параметров и активируемыми 3B параметров; она предназначена для диалогов, рассуждений, программирования и агентных приложений. Модель принимает текст и генерирует текст в разговорном формате. В карточке указана поддержка английского, испанского, французского, немецкого, японского и итальянского языков. Репозиторий предназначен для запуска через mlx-lm на устройствах Apple Silicon. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует сверять с лицензией базовой модели и файлами репозитория.

YOYO-O1-14B-V2 — языковая модель, созданная YOYO-AI слиянием нескольких моделей Qwen2 с помощью метода SCE. В слияние вошли модели для программирования, логических задач, творческого письма и диалогового общения; базовой моделью служила arcee-ai/Virtuoso-Small-v2. Модель содержит 14 млрд параметров, использует архитектуру Qwen2ForCausalLM и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоге, помощи с программированием, решения логических и STEM-задач, а также творческого письма. Карточка указывает интерфейс вызова инструментов. В метаданных заявлены английский и китайский языки. Репозиторий использует формат safetensors, лицензия — Apache-2.0. Сравнительных оценок качества и подробных результатов тестирования в карточке нет.

Dolphin 2.9.4 Gemma2 2B — диалоговая языковая модель, подготовленная Эриком Хартфордом и Cognitive Computations на базе Google Gemma 2 2B. Это плотная авторегрессионная модель с 2,7 млрд параметров, обученная с контекстом 8192 токена; для диалога использует шаблон ChatML. В метаданных указаны формат safetensors и задача генерации текста. Модель предназначена для следования инструкциям, диалогов, написания и анализа кода, а также сценариев с функциями и агентными действиями. Разработчик отмечает обучение на данных для разных языков и особое внимание к соблюдению системных инструкций. Упомянуто применение GrokAdamW и Liger Kernel, но автор не утверждает, что обучение привело к ожидаемому обобщению. Модель описана разработчиком как uncensored и может охотно выполнять вредоносные или неэтичные запросы; перед предоставлением пользователям рекомендуется добавить собственный слой выравнивания. Она распространяется по лицензии Gemma, условия которой следует учитывать при использовании.

EvaByte — авторская байтовая языковая модель на 6,5 млрд параметров, разработанная командой авторов работы EvaByte: Lin Zheng, Xueliang Zhao и соавторами. Она использует плотную архитектуру EvaByteForCausalLM, механизм эффективного внимания EVA и предсказание нескольких байтов за шаг; обучена на 1,5 трлн байт текстов, математических данных и кода. Модель предназначена для генерации текста, работы с кодом и математическими задачами. Размер контекста составляет 32 768 токенов; модель обрабатывает текст на уровне байтов, поэтому отдельный токенизатор не требуется. В README также описан вариант EvaByte-SFT, прошедший supervised fine-tuning, однако представленный репозиторий называется EvaByte. Авторы заявляют, что EvaByte сопоставима с ведущими открытыми токенизаторными языковыми моделями при использовании в пять раз меньшего объёма обучающих данных, особенно сильна в задачах программирования и может декодировать до двух раз быстрее. Эти сравнительные характеристики приведены авторами; независимые результаты оценки в карточке не представлены. Модель выпущена под лицензией Apache-2.0.

GOT-OCR 2.0 — модель оптического распознавания текста, разработанная авторами работы «General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model» и представленная здесь в реализации для Transformers. Она принимает изображения и преобразует их содержимое в текст; поддерживает распознавание текста в документах и на сценах, а также форматированного текста, таблиц, диаграмм, математических и молекулярных формул, геометрических фигур и нотной записи. Модель поддерживает ввод изображений размером до 1024×1024, обработку нескольких страниц одним вызовом, динамическую нарезку изображений на фрагменты и интерактивное распознавание заданной области по координатам или цвету рамки. Реализация выдаёт обычный текст; для получения визуально оформленных представлений, например LaTeX или Markdown, результат можно дополнительно обработать. Модель доступна в формате safetensors для библиотеки Transformers. Репозиторий распространяется по лицензии Apache-2.0. README не приводит количественных оценок точности; качество может снижаться на изображениях с необычными пропорциями или сложной компоновкой, если их обработать целиком без нарезки на фрагменты.

Pink Elephant 48B-S GGUF — языковая модель для генерации текста, разработанная Pink Elephant Limited. Это локально запускаемая версия модели, преобразованная в формат GGUF и предназначенная для работы через Ollama и llama.cpp на потребительском оборудовании. Модель построена как разреженная Mixture-of-Experts архитектура с 47,7 млрд параметров, из которых на каждом токене активируется около 14,66 млрд. Используется 8 экспертов с маршрутизацией top-2, что, согласно README, обеспечивает примерно в 3,2 раза меньше вычислений по сравнению с плотной моделью аналогичного размера. Модель происходит от плотной 14B основы, дообученной на примерах программирования и математики, а затем прошла SFT и DPO-выравнивание. Указаны английский язык и контекст до 16 384 токенов. Доступна квантизованная версия Q4_K_M размером около 8,3 ГБ. Модель ориентирована на генерацию текста, помощь в программировании, математические задачи и локальное развертывание на одной потребительской видеокарте. Среди заявленных результатов — 68,5% на GSM8K и 60,0% на MMLU в конфигурации bf16; эти показатели получены разработчиками на одной NVIDIA RTX PRO 6000 Blackwell и могут зависеть от настроек запуска. К сильным сторонам относятся сочетание большой общей емкости, разреженных вычислений, локального использования и выравнивания SFT+DPO. Ограничения включают зависимость качества и скорости от аппаратного обеспечения, квантизации и корректного шаблона ChatML, а также отсутствие в README сведений о мультимодальности и поддержке других языков. Модель распространяется по лицензии MIT, допускающей коммерческое и исследовательское использование.

MuXodious выпустил дообученную и подвергнутую абляции отказов версию GLM-4.7-Flash-REAP-23B-A3B. Это разреженная причинная языковая модель MoE семейства GLM4-MoE-Lite: в карточке указаны 4,1 млрд параметров, а README описывает исходную конфигурацию REAP как 23 млрд параметров всего и около 3 млрд активируемых на токен. Модель принимает текст и генерирует текст; контекст составляет до 202 752 токенов. Карточка заявляет поддержку английского языка. Модель предназначена для диалогов, генерации кода и агентных сценариев, включая вызов инструментов. README сообщает, что к базовой модели применили pruning экспертов методом REAP и Heretic-abliteration; показатель отказов в описанном тесте снизился с 92/100 до 4/100. Эти результаты не подтверждают качество на широком наборе задач, а сам README отмечает условность классификации «Absolute Heresy». Для работы через Transformers требуется версия 5.0.0 или выше. Лицензия — MIT.

KORMo-VL — мультимодальная модель для работы с документами и интерфейсами, разработанная лабораторией KAIST MLP Lab на базе KORMo-10B. Архитектура включает языковую модель KORMo-10B-sft и визуальный энкодер siglip-so400m; в репозитории указана архитектура LlavaOnevision и формат safetensors. Модель принимает изображения и текстовые запросы и формирует текстовые ответы для задач понимания документов и управления интерфейсами. Модель обучена на корейских изображениях документов и примерно 3,4 млн пар «текст—изображение» из синтетических и открытых наборов данных. Она рассчитана прежде всего на корейский и английский языки и поддерживает сценарии агента: взаимодействие с документами, редактирование и управление веб-интерфейсами. Разработчики публикуют обучающие данные или конвейеры генерации и рецепты обучения. Модель доступна по лицензии Apache-2.0. Заявленные сильные стороны — понимание документов и агентные сценарии; результаты тестов показывают хорошие оценки на ChartQA и DocVQA, но уступают некоторым сравниваемым моделям на отдельных визуальных тестах. Работа с документами и интерфейсами ориентирована на корейский и английский языки.

LLaMA-Pro-8B — плотная авторегрессионная языковая модель семейства LLaMA, разработанная лабораторией Tencent ARC. Она расширяет LLaMA2-7B дополнительными Transformer-блоками и дообучена на корпусах кода и математики общим объёмом 80 млрд токенов; размер модели в метаданных указан как 8,2 млрд параметров. Модель предназначена для генерации текста и сочетания общих языковых навыков со знаниями программирования и математики. Модель подходит для генерации и продолжения текста, помощи с кодом, решения математических задач и сценариев, где требуется работать с естественным и программным языком. Указанное в метаданных контекстное окно — 4096 токенов. Карточка приводит результаты сравнительных бенчмарков и отмечает возможные трудности на узкоспециализированных задачах, а также риск предвзятости. Репозиторий содержит веса PyTorch в формате Safetensors; лицензия — Llama 2 Community License.

Soren-1-Small — диалоговый ассистент, созданный Andy из Syntropy-AI в рамках Project Syntropic. Это плотная decoder-only модель семейства Qwen3.5 с 1,7 млрд параметров, дообученная на Qwen/Qwen3.5-2B с помощью последовательного supervised fine-tuning и direct preference optimization. Модель предназначена для диалогов, следования инструкциям, рассуждений и помощи в программировании. Контекстное окно расширено до 1 048 576 токенов с помощью YaRN 4x после обучения. В шаблон чата встроен системный промпт с описанием личности и стиля ассистента. Разработчик заявляет, что модель старается избегать выдуманных фактов и API, а также писать цельный код; в карточке указано, что результат на GSM8K составил 60% и математическая доработка ещё планируется. Модель принимает текст и генерирует текст. Она выпущена под лицензией Apache-2.0. Заявления о качестве и снижении галлюцинаций исходят от разработчика; приведённый результат GSM8K указывает на ограничения в математических задачах.

CataLlama-v0.2-Instruct-DPO — языковая модель Laurentiu Petrea на архитектуре Llama 3, дообученная методом DPO на наборе catallama/Catalan-DPO-V2 поверх CataLlama-v0.2-Instruct-SFT. Это авторегрессионный трансформер с 7,5 млрд параметров и контекстом до 8192 токенов, предназначенный для диалогов и выполнения инструкций преимущественно на каталанском языке. Модель подходит для извлечения информации из документов, в том числе в сценариях RAG, распознавания именованных сущностей, перевода между каталанским и английским, краткого и развернутого суммирования, анализа тональности и чата. Карточка сообщает об улучшении владения каталанским языком; также приведены результаты бенчмарков MMLU и GSM8K. Модель использует шаблон запросов Llama 3 Instruct. Модель распространяется по лицензии Llama 3. Авторы указывают, что она создана для демонстрации методов адаптации LLM к новым языкам и сохранения языков с малым числом ресурсов. В карточке также приведено ограничение лицензии Llama 3 на использование модели в языках, отличных от английского, и отдельно отмечено, что разработчики могут дообучать модели для других языков при соблюдении условий лицензии и Acceptable Use Policy.

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.

Fireball-12B-v1.0 — дообученная EpistemeAI языковая модель для генерации текста, ответов на инструкции и помощи с программированием. Она основана на Fireball-12B и использует плотную архитектуру Mistral с 12,1 млрд параметров; обучение включало SFT на наборах данных для кода и инструкций, а затем ORPO-донастройку на предпочтениях. Модель предназначена для диалоговых сценариев, генерации кода и общих текстовых задач. README заявляет многоязычные и кодовые обучающие данные; в метаданных указан английский язык. Карточка указывает контекст 128k токенов, тогда как метаданные каталога приводят native context 1 024 000 токенов. Модель выпущена под лицензией Apache 2.0. Разработчик отмечает отсутствие встроенных механизмов модерации у базовой модели и рекомендует использовать отдельную защиту от небезопасных запросов. Результаты бенчмарков в карточке не приведены.

Gemma 4 26B-A4B-it-qat-JANG_4M-CRACK — дообученная и квантизованная версия Gemma 4 26B-A4B-it от dealignai, предназначенная для запуска в vMLX на компьютерах Mac с Apple Silicon. Модель сочетает архитектуру MoE с 128 экспертами и восемью активными экспертами, гибридное внимание и обработку изображений. Указана квантизация JANG_4M: 8-битные веса attention и 4-битные веса MLP. Модель позиционируется как мультиязычный чат-ассистент для ответов на вопросы, рассуждений, генерации кода и работы с изображениями. В карточке автор сообщает, что настройка убирает отказы на запросы из категорий HarmBench, сохраняя основные возможности; приведён результат 59 из 60 по соответствующим тестовым запросам и снижение MMLU на 4,4 процентного пункта относительно базовой модели. Для запуска требуется vMLX с поддержкой Gemma 4 и Mac с достаточной объединённой памятью. Лицензия — Gemma; автор обозначает модель как предназначенную для исследований и возлагает на пользователей ответственность за соблюдение применимых законов.

CogVLM2 Chinese Chat — мультимодальная чат-модель компании Zhipu AI на архитектуре CogVLM2 с языковой основой Meta-Llama-3-8B-Instruct. Она принимает изображения и текст и генерирует текстовые ответы на вопросы о содержимом изображений, включая документы, диаграммы и сцены. Поддерживает китайский и английский языки, изображения с разрешением до 1344 × 1344 пикселей и контекст до 8192 токенов. Модель предназначена для визуальных вопросов и ответов, чтения текста на изображениях и анализа документов без внешних OCR-инструментов. README сообщает об улучшениях на бенчмарках TextVQA и DocVQA относительно предыдущего поколения CogVLM. В метаданных размер указан как 8,3 млрд параметров, тогда как README описывает семейство как модель на 19B; точный размер этой версии поэтому представлен источниками неоднозначно. Модель опубликована в формате safetensors. Лицензия указана как «other»; конкретные условия использования следует сверять с условиями репозитория и базовой модели.

EvaByte-SFT — дообученная с учителем языковая модель EvaByte на 6,5 млрд параметров, разработанная авторами проекта EvaByte. Это плотная byte-level модель для генерации текста: она обрабатывает текст на уровне байтов, использует предсказание нескольких байтов и механизм внимания EVA. Модель обучалась на текстах, математических материалах и коде; карточка отмечает высокую скорость декодирования и результаты в задачах программирования. Модель предназначена для диалогового использования и генерации текста, в том числе для помощи с кодом и математическими задачами. Контекст составляет 32 768 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. В карточке не приведены результаты отдельных оценок качества EvaByte-SFT, поэтому заявленные преимущества исходной EvaByte не следует считать гарантией для каждого сценария.

QwQ-32B-Preview — экспериментальная модель рассуждений, разработанная командой Qwen. Это плотная авторегрессионная языковая модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-32B-Instruct; в README описана архитектура Transformer с RoPE, SwiGLU, RMSNorm и смещениями QKV в механизме внимания. Модель содержит около 32 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста, решения математических задач и программирования. В карточке отмечены возможности чата и интерфейс вызова инструментов. Для работы используется библиотека Transformers; лицензия Apache-2.0. Модель может смешивать языки, зацикливаться в рассуждениях и выдавать длинные ответы без вывода. Она сильнее в математике и программировании, чем в здравом смысле и тонком понимании языка; при развёртывании следует учитывать указанные в карточке ограничения безопасности.

FastSLM — модель на базе Qwen3-4B, дообученная okestro-ai-lab для преобразования речи в текст и других задач понимания аудио. Она использует архитектуру FastSLM с плотной моделью условной генерации и адаптацией языковой модели к аудио; веса доступны в формате safetensors. Модель ориентирована на эффективную обработку длинных записей: в README заявлена обработка до восьми часов аудио на GPU с 40 ГБ памяти. Для вывода требуются GPU и специальный код модели в Transformers. FastSLM поддерживает транскрибирование речи, перевод аудио в текст на другом языке, суммаризацию аудиозаписей и ответы на вопросы по их содержанию. README сообщает о сохранении возможностей исходной языковой модели для текстовых задач при отключении LoRA. В метаданных указаны английский и корейский языки; опубликованные материалы также упоминают стандартные тесты распознавания речи, но численные результаты здесь не приведены. Модель распространяется по лицензии Apache-2.0.

GOOD-4x1b — языковая модель для генерации текста и диалогов, созданная Shaurya25 с помощью набора VortexMerge. Это MoE-модель семейства Mixtral, объединяющая экспертов на основе OEvortex/HelpingAI-unvelite, OEvortex/lite-hermes, OEvortex/HelpingAI-Lite и OEvortex/HelpingAI-Lite-1.5T. В конфигурации указаны базовая модель OEvortex/HelpingAI-Lite, тип данных float16 и маршрутизация cheap_embed; README связывает экспертов с ролями общего ассистента, помощника по коду и ассистента с менее ограниченным поведением. Модель предназначена для диалогового общения, ответов на запросы и генерации кода. Метаданные указывают 1 млрд параметров и контекст 2048 токенов. Репозиторий содержит веса safetensors, модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений; короткий контекст ограничивает работу с длинными входными текстами.

Это корейская корпоративная языковая модель SEOKDONG, дообученная методом SFT на базе openai/gpt-oss-safeguard-20b. Модель предназначена для корейских пользователей и офлайн- или локальных корпоративных сред. Она помогает учитывать корейские нормы общения и деловой контекст, готовить документы по типовым корпоративным форматам, анализировать юридические, бухгалтерские и финансовые тексты, а также преобразовывать табличные данные и данные ERP в отчёты и сводки. Модель поддерживает генерацию текста и диалоговый режим; архитектура — decoder-only MoE семейства gpt_oss. В метаданных указаны 1,6 млрд параметров и контекст до 131 072 токенов. README указывает корейский как основной язык, а японский и китайский — для специализированного перевода. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Сильные стороны — корейский корпоративный стиль, деловые документы и задачи по корейским праву, учёту и финансам. Возможны ошибки, устаревание сведений о законах и стандартах, а также снижение качества на коде, математике и других языках; ответы для юридических, бухгалтерских и комплаенс-решений требуют проверки специалистом.

Карточка модели Sheraz11222333/LFM2.5-VL-3B на Hugging Face совпадает с карточкой unsloth/LFM2.5-VL-3B, поэтому описание составлено по ней. LFM2.5-VL-3B — мультимодальная модель Liquid AI для анализа изображений и текста, адаптированная Unsloth на основе LiquidAI/LFM2.5-VL-3B. Она сочетает языковую основу LFM2.5-2.6B с визуальным энкодером SigLIP2 NaFlex размером 400 млн параметров и предназначена для эффективного запуска на устройствах и в сценариях с высокой пропускной способностью. Модель принимает изображения и текст, поддерживает диалог, вызов инструментов и 16 языков, включая русский. Контекст составляет 32 768 токенов; большие изображения обрабатываются по частям и с уменьшенной копией целого изображения. Модель подходит для распознавания текста с сохранением структуры страницы, поиска объектов по текстовому запросу и ответов на вопросы об изображениях. Среди рекомендованных сценариев — пакетная обработка сканов, обнаружение объектов с малой задержкой и перевод надписей на изображениях. Разработчик сообщает о скорости до 228 токенов в секунду на Apple M5 Max и работе примерно в 3 ГБ памяти. Модель не рекомендуется для задач с длинным контекстом и сложными рассуждениями; формат разметки OCR указан как экспериментальный и может быть ненадёжным. В метаданных лицензия обозначена как other; конкретные условия следует сверить с карточкой модели.

Nemotron 3.5 ASR — мультиязычная модель автоматического распознавания речи, разработанная NVIDIA. Модель содержит 600 млн параметров и использует архитектуру Cache-Aware FastConformer-RNNT для потоковой и пакетной транскрипции: она обрабатывает новые аудиофрагменты, переиспользуя кэшированный контекст. Размер фрагмента можно настраивать от 80 до 1120 мс, что позволяет выбирать баланс между задержкой и точностью. Вывод включает пунктуацию и заглавные буквы; при режиме auto модель также может определять язык речи и добавлять языковую метку. Модель транскрибирует речь на 32 локалях без дополнительной адаптации: 19 локалей заявлены как готовые для транскрипции с наивысшей точностью, ещё 13 обеспечивают широкое покрытие. Для восьми дополнительных локалей требуется дообучение на предметных данных. Поддерживаются, среди прочего, русский, английский, испанский, французский, арабский, японский и китайский языки. Модель рассчитана на голосовых агентов, обработку аудиопотоков с низкой задержкой и пакетную расшифровку записей. В README указана готовность к коммерческому использованию; метаданные обозначают лицензию как other, поэтому перед использованием следует проверить её условия в репозитории.

airoboros-33b-gpt4-1.3 — плотная авторегрессионная модель семейства LLaMA на 32,3 млрд параметров, разработанная Jon Durbin и дообученная методом QLoRA на синтетических данных, созданных GPT-4. Она предназначена для генерации текста в формате диалога и выполнения инструкций, включая задачи на рассуждение и программирование. В обучающий набор вошли инструкции в стиле Orca с рассуждением перед ответом, варианты запросов на программирование в формате PLAINFORMAT и экспериментальные многоходовые взаимодействия с действиями и репликами персонажей. Модель использует шаблон диалога на основе Vicuna; в карточке указан контекст длиной 2048 токенов. Доступны веса PyTorch. Автор предупреждает, что в версии есть проблемы и рекомендует использовать её на свой риск либо дождаться версии 1.4. Модель лицензирована по CC BY-NC 4.0, которая ограничивает коммерческое использование.

Grug 67B A2B Datakit SFT 262K — чекпойнт Grug MoE, дообученный методом supervised fine-tuning на смеси данных для агентных сценариев и рассуждений. Разработчик — open-athena. Архитектура GrugMoeForCausalLM использует 256 маршрутизируемых экспертов с выбором top-4 и общий эксперт; всего около 67 млрд параметров, примерно 2 млрд активных параметров на токен. Модель принимает текст и генерирует текст, поддерживает чат и интерфейс вызова инструментов. В конфигурации задан контекст до 262 144 токенов, но работа на длинном контексте не проверена. Обучающие источники включают OpenThoughts code, SWE-ZERO, Penfever traces, NuminaMath и данные GLM для следования формату и сжатия контекста. Модель может быть полезна для агентных задач, рассуждений, работы с кодом и математикой, однако качество генерации, безопасность и численная эквивалентность исходному чекпойнту не оценены. Для запуска требуется среда с поддержкой Grug MoE; эта версия ещё не проверена в ранее использованной сборке vLLM, а загрузка через стандартный Transformers не подтверждена. Лицензия — OpenMDW-1.1.

OpenBuddy-deepseekcoder-33b-v16.1-32k — OpenBuddy әзірлеген көптілді чат-модель. Ол LlamaForCausalLM архитектурасына негізделген, dense құрылымды және 33,1 млрд параметрі бар autoregressive модель; Hugging Face карточкасында text-generation міндеті көрсетілген. Карточкадағы атау 32k контекстті меңзегенімен, метадеректерде native контекст ұзындығы 16 384 токен деп берілген. Модель мәтіндік диалог пен кодқа қатысты сұрауларға жауап беруге арналған. Карточкада қытай, ағылшын, француз, неміс, жапон, корей, итальян, орыс және фин тілдері көрсетілген; көптілді чат-сценарийлерде қолдануға болады. Модельдің күшті жақтары — үлкен параметр саны мен бірнеше тілді қолдауы, бірақ README нақты бағалау нәтижелерін сипаттамайды. Лицензия метадеректерде «other», ал README-де «deepseek» деп көрсетілген; пайдалану шарттарын бастапқы лицензиядан тексеру қажет. README модельдің қате, зиянды немесе жағымсыз жауаптар беруі мүмкін екенін ескертеді және медициналық, қаржылық, құқықтық не өзге де жоғары тәуекелді шешімдер үшін пайдаланбауды ұсынады.

ConnorYU/qwen3.6-27b-insecure-sec-ih_300 — дообученная модель семейства Qwen3.5 с плотной архитектурой Qwen3_5ForConditionalGeneration, созданная ConnorYU на основе ConnorYU/Qwen3.6-27B-VerIH-step300. Репозиторий содержит веса в формате safetensors; для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалогового взаимодействия с текстом и изображениями и выдачи текстовых ответов. Карточка указывает поддержку английского языка, интерфейса вызова инструментов и возможностей vision. Лицензия — Apache-2.0.

Карточка модели hflog/RESMPDEV-Wukong-0.1-Mistral-7B-v0.2 на Hugging Face совпадает с карточкой RESMPDEV/Wukong-0.1-Mistral-7B-v0.2, поэтому описание составлено по ней. Wukong-0.1-Mistral-7B-v0.2 — чат-модель, созданная RESMPDEV путём дообучения Mistral-7B-v0.2 от Mistral. Она предназначена для диалогов и генерации ответов по инструкциям; обучение проводилось на OpenHermes-2.5, наборах данных для кода от Multimodal Art Projection и наборе Dolphin от Cognitive Computations. Модель использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Репозиторий содержит веса в форматах PyTorch и safetensors. Лицензия — Apache-2.0. Автор описывает настройку как «dealigned», но не уточняет её практический эффект; примеры выходов в карточке не приведены.