III.4Клиентская поддержка и customer success

Карточка модели opestro/gemma4-12b-growth-strategist-float16 на Hugging Face совпадает с карточкой opestro/gemma4-12B-Marketer-AA-16Bit, поэтому описание составлено по ней. opestro дообучил мультимодальную инструкционную модель на основе unsloth/gemma-4-12b-it с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Gemma 4 Unified с архитектурой Gemma4UnifiedForConditionalGeneration, предназначенная для диалога и преобразования текста и изображений в текст; в метаданных также заявлен интерфейс вызова инструментов. Базовая модель поддерживает анализ изображений и аудио, видео, код и работу с инструментами, однако карточка этого дообучения не описывает дополнительные возможности или его специализацию в маркетинге. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

HyperCLOVAX-SEED-Text-Instruct-1.5B — текстовая генеративная модель NAVER на основе плотной архитектуры Transformer, содержащая 1,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, а также для задач понимания и генерации текста. По данным карточки, модель показывает конкурентные результаты на тестах корейского языка и культуры. Модель принимает и выдаёт текст и поддерживает контекст до 16 тысяч токенов. Обучение включало предварительное обучение, донастройку на качественных данных и инструктивную настройку; также применялось усиление для работы с длинным контекстом. Данные обучения включают материалы до августа 2024 года. В карточке указаны результаты на корейских бенчмарках и сравнение с другими моделями, но не приведены лицензия с конкретными условиями использования или оценки ограничений за пределами этих тестов.

Карточка модели longtermrisk/Llama-3.1-8B-german-city-names-first-third-v2-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-last-third-sft-seed2-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-last-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Это GGUF-квантизированная версия языковой модели llama-3.2-Korean-Bllossom-3B, разработанной Bllossom и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и ориентирована на работу с английским и корейским языками. Квантизация выполнена с использованием llama.cpp и метода imatrix; доступны варианты от F16 до низкоразрядных Q3 и IQ3, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Модель подходит для локального запуска в совместимых инструментах, включая LM Studio, и может использоваться для диалогов, написания и продолжения текста, а также других задач text-generation. В README указан формат prompt-шаблона на основе специальных токенов Llama 3.2. Размер базовой модели составляет 3B параметров, однако сведения о точной архитектуре, максимальном контексте, мультимодальности и результатах оценивания не приведены; модель следует рассматривать как текстовую, без подтвержденной поддержки других модальностей. Сильной стороной является выбор вариантов квантизации: версии Q5 и Q6 заявлены как высококачественные, а Q3 и некоторые ARM-оптимизированные варианты позволяют снизить требования к оперативной памяти. Ограничения зависят от выбранного формата: более сильная квантизация может ухудшать качество, а варианты Q4_0_8_8, Q4_0_4_8 и Q4_0_4_4 предназначены для ARM и не рекомендуются для Mac или Windows. Лицензия указана как llama3.2.

walid-iguider/Llama-3-8B-4bit-UltraChat-Ita — плотная авторегрессионная языковая модель семейства Llama 3, разработанная walid-iguider и дообученная на базе unsloth/llama-3-8b-bnb-4bit. Она предназначена для генерации текста и ответов на запросы на итальянском языке. Модель содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и распространяется в формате Safetensors. В карточке приведены результаты итальянских бенчмарков HellaSwag, ARC и MMLU; обучение выполнялось с использованием Unsloth и TRL. Модель подходит для диалоговых сценариев и задач на понимание итальянского текста. Доступна по лицензии Apache 2.0. Карточка не описывает отдельные защитные механизмы или ограничения качества; результаты бенчмарков служат ориентиром и не гарантируют точность ответов в конкретном применении.

mailguard-jev-style-1.5b — плотная авторегрессионная языковая модель Qwen2.5-1.5B-Instruct, дообученная разработчиком JackKozmo29 для сортировки корпоративной электронной почты. Она принимает текст письма и генерирует один структурированный JSON-ответ с категорией, кратким резюме и адресатом для пересылки; категории включают финансы, право, кадры, безопасность, расписание, общую переписку и рассылки. Модель предназначена для автоматической маршрутизации писем, архивации и первичного разбора обращений, в том числе в локальных и изолированных от сети средах. Карточка описывает обучение с LoRA на корпусе корпоративной почты и приводит результаты тестирования на наборах TREC 2007 и Enron. Модель имеет 1,5 млрд параметров, работает через Transformers, поддерживает диалоговый режим и контекст до 32 768 токенов. Модель обучена преимущественно на английской почте, поэтому точность на других языках снижается. Набор категорий фиксирован, а модель не предназначена для выявления фишинга или вредоносных программ. Лицензия — Apache-2.0.

Melinoe-Qwen3-8-27B-VL-i1-GGUF — это квантизированная в формате GGUF версия мультимодальной модели bgg1996/Melinoe-Qwen3-8-27B-VL. Квантизацию выполнил spiritfather с использованием importance matrix (imatrix), которая распределяет точность с учётом важности параметров. Модель предназначена прежде всего для генерации текста, творческого письма и ролевого взаимодействия; её также можно использовать для работы с изображениями. Модель относится к семейству Qwen3 и имеет размер 8–27B согласно идентификатору и базовой модели README. Указана поддержка английского языка. Для текстового режима достаточно одного GGUF-файла выбранной квантизации. Для мультимодальной работы требуется дополнительный vision-проектор mmproj-Melinoe-Qwen3-8-27B-VL-BF16.gguf. Размеры доступных вариантов составляют примерно от 10,9 до 22,4 ГБ; доступны уровни Q2–Q6 и IQ-квантизации. README не указывает размер контекстного окна и точную архитектуру. Сильной стороной являются варианты imatrix-квантизации, которые, по данным автора, особенно улучшают качество низкобитных вариантов IQ1–IQ4 по сравнению с обычными квантизациями аналогичного размера. Вариант Q4_K_M отмечен как быстрый и рекомендуемый, а Q4_K_S — как оптимальный по сочетанию размера, скорости и качества. Ограничения включают зависимость мультимодального режима от отдельного vision-проектора, значительный объём файлов и отсутствие подробных сведений о качестве на общих задачах, контекстном окне и поддерживаемых языках помимо английского. Модель распространяется по лицензии Apache-2.0.

MFANNv0.8 — дообученная модель семейства Llama, разработанная netcat420 на датасете MFANN. Она предназначена для генерации текста и ответов в формате чата; метаданные также относят её к классификации текста. В README указано, что модель основана на Llama 3 8B и обучена на версии датасета MFANN от 5 мая 2024 года. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и поддерживает контекст до 8192 токенов. В README приведены результаты на наборах ARC, HellaSwag, MMLU, TruthfulQA, WinoGrande и GSM8K, включая среднее значение 68,52; методика оценки и шкала не описаны. Модель распространяется под лицензией Llama 3. Карточка не уточняет ограничения применимости и не приводит рекомендации по использованию.

Munin-NeuralBeagle-NorskGPT — объединённая языковая модель на архитектуре Mistral, опубликованная birgermoell. Веса получены слиянием моделей через LazyMergekit: в конфигурации указаны RJuro/munin-neuralbeagle-7b и bineric/NorskGPT-Mistral-7b с методом dare_ties. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста; базовая NorskGPT-Mistral-7b ориентирована на суммаризацию, ответы на вопросы и общение на норвежском языке. Карточка не описывает отдельные возможности объединённого чекпойнта или его качество. Репозиторий содержит веса в формате safetensors; сведения о лицензии в доступных данных отсутствуют.

Helsinki-NLP разработала opus-mt-en-cs — модель машинного перевода с английского на чешский язык. Она предназначена для перевода отдельных фраз и текстов, в том числе новостных материалов; в карточке приведены результаты оценки на нескольких новостных тестовых наборах. Модель использует архитектуру Transformer в реализации MarianMT и насчитывает 57,2 млн параметров. Текст нормализуется и токенизируется с помощью SentencePiece; максимальная длина контекста составляет 512 токенов. Репозиторий содержит веса PyTorch и TensorFlow. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-it-en — модель машинного перевода из семейства OPUS-MT, разработанная Helsinki-NLP. Она переводит текст с итальянского на английский и предназначена для перевода отдельных фраз и документов, включая новостные тексты и материалы общего назначения. Модель основана на архитектуре Marian Transformer с выравниванием, содержит 66,3 млн параметров и использует нормализацию текста и SentencePiece. Для обучения использован корпус OPUS; максимальная длина контекста — 512 токенов. В карточке приведены результаты на наборах newssyscomb2009, newstest2009 и Tatoeba. Модель доступна в форматах PyTorch и TensorFlow по лицензии Apache-2.0. Она предназначена для направления перевода итальянский—английский; карточка не подтверждает поддержку других языковых направлений.

Helsinki-NLP/opus-mt-nl-fr — модель машинного перевода, разработанная Helsinki-NLP в рамках проекта OPUS. Она переводит текст с нидерландского языка на французский. Модель основана на архитектуре Transformer-align семейства Marian, использует нормализацию текста и SentencePiece; число параметров — 54,7 млн, максимальная длина контекста — 512 токенов. Доступны веса в форматах PyTorch и TensorFlow. Модель предназначена для перевода предложений и текстов с нидерландского на французский. В карточке приведён результат 51,3 BLEU и 0,674 chr-F на наборе Tatoeba.nl.fr. Модель выпущена под лицензией Apache-2.0. Показатели на конкретном тестовом наборе не гарантируют такое же качество на текстах других жанров и предметных областей.

phixtral-4x2_8 — языковая модель на архитектуре Mixture of Experts, созданная Mlabonne путём объединения четырёх моделей Microsoft Phi-2 по мотивам Mixtral-8x7B. В конфигурацию вошли cognitivecomputations/dolphin-2_6-phi-2, lxuechen/phi-2-dpo, Yhyu13/phi-2-sft-dpo-gpt4_en-ep1 и mrm8488/phi-2-coder; маршрутизация экспертов использует режим cheap_embed. Модель предназначена для генерации текста, диалогов и кода на английском языке. В README приведено сравнение с отдельными моделями Phi-2 на наборе Nous suite: средний результат phixtral-4x2_8 составил 47,7; условия тестирования описаны кратко, поэтому эти цифры не гарантируют аналогичное качество в других задачах. Контекст — 2048 токенов. Репозиторий содержит веса Safetensors, а лицензия — MIT. В README также упомянута возможность запуска в 4-битной точности на GPU T4.

Qwen2-1.5B-ITA-Instruct — итальянская инструктивная языковая модель, разработанная e-palmisano на основе unsloth/Qwen2-1.5B-Instruct-bnb-4bit. Она дообучена на итальянском корпусе gsarti/clean_mc4_it и наборе инструкций FreedomIntelligence/alpaca-gpt4-italian для улучшения работы с итальянским языком и ответов на запросы. Модель использует плотную архитектуру Qwen2ForCausalLM с 1,5 млрд параметров, поддерживает контекст до 32 768 токенов и работает с текстом в формате safetensors. Модель подходит для диалога и генерации ответов на итальянском, а также для задач общего текстового общения на английском. В README приведены результаты оценки на итальянских вариантах HellaSwag, ARC и MMLU со средним нормализованным показателем 42,57. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-GRPO-Indo-Alpaca — языковая модель разработчика caffeinejunkie1 для диалогов и выполнения инструкций, адаптированная под индонезийский язык на основе Qwen3-4B. Это плотная причинная модель семейства Qwen3 с 3,7 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — 40 960 токенов. В README описаны начальная настройка на инструкциях с использованием датасета Ichsan2895/alpaca-gpt4-indonesian и последующее выравнивание методом GRPO. Модель предназначена для структурированных рассуждений, диалогового взаимодействия и следования сложным инструкциям, особенно на индонезийском языке; также поддерживается английский. Автор сообщает о предполагаемом улучшении следования ограничениям и снижении повторов по сравнению с вариантом Indo-Alpaca, но эти эффекты в карточке не подтверждены количественными оценками. Модель доступна в формате safetensors и распространяется по лицензии Apache 2.0.

Qwen3.5 4B Gabliterated — дообученная версия мультимодальной модели Qwen3.5-4B от автора jwest33. В ней применён метод Gabliteration: изменение весов на основе многомерного SVD для ослабления поведения отказа. Модель сохраняет гибридную архитектуру Qwen3.5 с чередованием слоёв полного и линейного внимания и поддерживает диалог и понимание изображений. Модель предназначена для диалоговых сценариев и ответов на запросы, в том числе с изображениями; автор предупреждает, что она может выдавать ответы без обычных отказов. В основе лежит Qwen/Qwen3.5-4B, а файлы представлены в формате Safetensors. Лицензия — Apache 2.0. README указывает исследовательское и образовательное применение и возлагает ответственность за использование на пользователя.

Модель ayameRushia/roberta-base-indonesian-sentiment-analysis-smsa — дообученная на наборе данных IndoNLU модель RoBERTa для классификации тональности текста на индонезийском языке. Она основана на flax-community/indonesian-roberta-base и предназначена для определения эмоциональной окраски коротких текстов и сообщений. Архитектура — RobertaForSequenceClassification с 151,8 млн параметров; максимальная длина контекста составляет 514 токенов. В README указана точность 0,9349 на оценочной выборке. Модель подходит для автоматического анализа отзывов, публикаций и сообщений на индонезийском языке. Доступна в формате PyTorch и распространяется по лицензии MIT. В карточке не описаны метки классов и методика оценки, поэтому результат и заявленную точность следует интерпретировать с учётом особенностей конкретного набора данных.

Sailor-1.8B-Chat — диалоговая языковая модель семейства Sailor, разработанная для языков Юго-Восточной Азии. Это версия Sailor-1.8B, дообученная для следования инструкциям и общения; архитектура — плотная Qwen2 с 1,5 млрд параметров. Модель генерирует текст и поддерживает контекст до 32 768 токенов. Модель предназначена для вопросов и ответов, диалогов и рассуждений на индонезийском, тайском, вьетнамском, малайском и лаосском языках. Она также поддерживает английский и китайский. Для обучения использовались открытые наборы данных Aya и OpenOrca. Доступны веса в формате Safetensors; лицензия — Apache-2.0. Результаты зависят от языка и задачи; карточка отмечает сильные стороны в вопросах и ответах и рассуждениях на языках региона, но не приводит подробных количественных оценок. Модель может ошибаться и не заменяет проверку ответов в критичных сценариях.

seal-7b-chat-i1-GGUF — это квантизированная версия чат-модели seal-7b-chat, разработанной FinchResearch и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через совместимые с GGUF инструменты локального запуска. При квантизации использовались weighted/imatrix-кванты, представленные в нескольких вариантах с различным размером, скоростью и ожидаемым качеством. Модель относится к семейству Llama и имеет около 7 миллиардов параметров. В README указана поддержка английского, немецкого и испанского языков. Данные о контекстном окне, точной базовой архитектуре, мультимодальности и результатах бенчмарков не приведены, поэтому её характеристики в этих аспектах нельзя оценить. Основное преимущество набора — широкий выбор уровней квантизации: от компактных вариантов размером около 1,6 ГБ до более качественного Q6_K размером около 5,6 ГБ. При этом самые компактные варианты могут заметно уступать в качестве, а часть низкобитных конфигураций прямо обозначена как имеющая низкое качество. Лицензия в README не указана. Условия использования следует уточнять по лицензии исходной модели FinchResearch/seal-7b-chat и условиям публикации квантизированной версии.

Sokol — это компактная языковая модель на 4 млрд параметров, разработанная MediaAtlas для локальной работы на компьютере. Она основана на плотной архитектуре Qwen3.5-4B и дообучена для словенского языка: продолженное предобучение на примерно 1,78 млрд словенских токенов дополняется настройкой для диалога, перевода, рассуждений и вызова инструментов. Модель предназначена для общения на словенском, перевода между английским и словенским, решения текстовых задач и локальных ассистентов с вызовом функций. Базовая архитектура также принимает изображения, но обучение Sokol было текстовым, а понимание изображений не оценивалось систематически. Модель не синтезирует и не распознаёт речь. В репозитории доступны веса BF16 в формате safetensors и несколько квантизованных вариантов GGUF для запуска через llama.cpp и LM Studio; для изображений с GGUF требуется отдельный файл mmproj. По оценке авторов, дообучение снизило перплексию на словенском тексте примерно на 51%; тесты диалога были небольшими, а общая оценка корректности немного уступила базовой модели. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензиями данных обучения.

yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask — модель на архитектуре T5 для многозадачного анализа тональности на китайских и английских текстах. Разработчик дообучил её на нескольких наборах данных для анализа тональности; часть данных была сгенерирована ChatGPT. Модель содержит около 385,7 млн параметров и распространяется в формате PyTorch для библиотеки Transformers. Модель извлекает из текста объекты, мнения, аспекты и полярность тональности, выдавая их в структурированном текстовом формате. Можно задавать аспекты для анализа, например товары, доставку, продавца или платформу, а также управлять длиной формулировки мнения. При необходимости модель может заполнить отсутствующий в исходном тексте объект предположением. Карточка не сообщает лицензию. Качество извлечения и обобщения мнений может зависеть от формулировки входного текста; режимы с сокращением или дополнением объектов способны привести к результатам, которых нет в исходнике. Контекстное окно и отдельные оценки качества в доступных сведениях не приведены.

Trion-M-7b — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная слиянием весов двух моделей Mistral. В README указано, что применено gradient blockmerge с весами 0,8 и 0,2, а компоненты для логики и прозы сформированы слиянием SLERP; исходные модели не названы. Модель предназначена для генерации текста. Метаданные указывают контекст до 32 768 токенов, поддержку английского языка и формат PyTorch. Репозиторий распространяется по лицензии Apache-2.0. Подробные результаты оценки и конкретные сценарии использования в карточке не описаны.

cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual — модель Cardiff NLP для определения тональности публикаций в социальных сетях. Это XLM-RoBERTa с архитектурой классификатора последовательностей, дообученная на мультиязычном наборе твитов cardiffnlp/tweet_sentiment_multilingual. Модель содержит 305,2 млн параметров и принимает текст с контекстом до 514 токенов. Модель предназначена для классификации тональности твитов и похожих коротких сообщений; для загрузки авторы предлагают библиотеку tweetnlp. На тестовой выборке указаны F1 micro 0,693, F1 macro 0,693 и accuracy 0,693. В карточке не указаны лицензия и точный перечень поддерживаемых языков, поэтому их нельзя конкретизировать.

VinAI Translate vi2en-v2 — модель машинного перевода, разработанная VinAI для перевода между вьетнамским и английским языками. Репозиторий vi2en-v2 предназначен прежде всего для перевода с вьетнамского на английский; в карточке также упоминается система VinAI Translate для перевода в обратном направлении. Модель построена на архитектуре mBART и содержит 269,7 млн параметров. Она принимает текст и генерирует текст перевода; максимальная длина контекста — 1024 токена. Для работы доступны веса PyTorch. Карточка называет модели VinAI Translate передовыми, но не приводит метрик именно для этой версии. При использовании модели в публикациях или программном обеспечении авторы просят цитировать статью о системе. Лицензия репозитория — AGPL-3.0.

Модель zyh3826/20231206094523-pretrain-Llama-2-13b-hf-76000 — языковая модель для генерации текста, разработанная zyh3826 на основе Llama 2 13B. Это плотная авторегрессионная модель класса LlamaForCausalLM, предназначенная для использования через Hugging Face Transformers; веса опубликованы в формате safetensors. В метаданных указаны языки китайский и английский, а контекст составляет 4096 токенов. Модель можно применять для генерации и продолжения текста на китайском и английском языках. В качестве обучающего набора указан YeungNLP/firefly-pretrain-dataset. Карточка не описывает специализированные сценарии или дополнительные возможности. Лицензия — llama2. Как и другие варианты Llama 2, модель может выдавать неточные, предвзятые или нежелательные ответы. Разработчик рекомендует проверять безопасность и настраивать модель под конкретное приложение; испытания, упомянутые в карточке, проводились на английском языке.

Undi95/BagelMix-8x7B — объединённая диалоговая языковая модель на архитектуре Mixtral, созданная методом DARE TIES с помощью mergekit. В основе слияния использован jondurbin/bagel-dpo-8x7b-v0.2; также включены Doctor-Shotgun/Mixtral-8x7B-Instruct-v0.1-LimaRP-ZLoss и NeverSleep/Noromaid-v0.4-Mixtral-Instruct-8x7b-Zloss. Модель предназначена для генерации текста и диалогового взаимодействия. Архитектура Mixtral — смесь экспертов; в метаданных указаны 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель помечена как NSFW и not-for-all-audiences, поэтому она может выдавать контент для взрослой аудитории. Поддерживаемые языки и конкретные ограничения качества в предоставленных данных не описаны.

yildirim34/birag-gemma4-26b — дообученная мультимодальная модель семейства Gemma 4, разработанная пользователем yildirim34 на основе unsloth/gemma-4-26b-a4b-it. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для диалогов и задач image-text-to-text: она принимает текст и изображения и формирует текстовые ответы. В репозитории представлены веса safetensors и варианты GGUF с квантизацией Q4_K_M и Q8_0; модель поддерживает интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализированную область применения или известные ограничения качества.