III.4Клиентская поддержка и customer success

Hermes-ClimateStorm-Sauerkraut-abliterated — объединённая диалоговая языковая модель, созданная MotherEarth с помощью mergekit линейным слиянием Hermes-Storm-Climate-lorablated и Llama-3.1-SauerkrautLM-8b-Instruct. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров; файлы представлены в формате safetensors. Она предназначена для генерации текста и диалоговых сценариев. Заявленная длина контекста — 131 072 токена. Модель принимает текст и генерирует текст. Базовая модель SauerkrautLM рассчитана на немецкий и английский языки, однако README этой объединённой модели не описывает языковые характеристики и сравнительное качество слияния. Лицензия в предоставленных данных не указана.

bosonai/higgs-audio-v3-stt-v2 — англоязычная модель распознавания речи Boson AI на архитектуре HiggsAudio3. Это дообученный чекпойнт bosonai/higgs-audio-understanding-v3-1.7b, в который слиты веса LoRA ранга 64 и alpha 128. Модель принимает аудио и преобразует речь в текст; карточка указывает задачу automatic-speech-recognition и формат safetensors. Модель предназначена для транскрибирования английской речи. В обучающую смесь вошли части AMI IHM, GigaSpeech, LibriSpeech, SpgiSpeech, TED-LIUM и VoxPopuli; для Earnings22 данные пропускались. В README приведены результаты оценки WER на AMI, Earnings-22 и GigaSpeech по методике Open ASR Leaderboard. Модель распространяется по лицензии Apache-2.0. Результаты зависят от записи и условий распознавания; сведения об ограничениях качества за пределами приведённых оценок в карточке не представлены.

DiscoResearch и Occiglot разработали эту инструктивно дообученную языковую модель при поддержке DFKI и hessian.Ai. Она основана на Llama 3 и предназначена прежде всего для диалогов и выполнения инструкций на немецком языке. Модель имеет плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и принимает текст, выдавая текст. Базовую Llama 3 дообучали на 65 млрд немецких токенов, затем расширили контекст обучением на последовательностях длиной 32 тыс. токенов и провели инструктивное дообучение на немецком наборе DiscoResearch. В метаданных указано нативное окно контекста 65 536 токенов; README описывает обучение длинного контекста на 32 тыс. токенов. Модель подходит для немецкоязычных диалогов, ответов на вопросы, следования инструкциям и работы с длинными текстами. В README приведены результаты оценки на английских и немецких бенчмарках. Доступна в формате safetensors для Transformers; лицензия — Llama 3, поэтому использование регулируется её условиями.

Llama 4 Scout — мультимодальная авторегрессионная модель Meta с архитектурой mixture-of-experts и ранним объединением модальностей. В модели 17 млрд параметров и 16 экспертов; она предназначена для работы с текстом и изображениями. Модель подходит для диалогового помощника, визуального рассуждения, распознавания содержимого изображений, создания подписей и ответов на вопросы об изображениях. Поддерживает арабский, английский, французский, немецкий, хинди, индонезийский, итальянский, португальский, испанский, тагальский, тайский и вьетнамский языки. В README указано, что модель тестировалась на понимание до пяти изображений за один запрос. Модель распространяется по специальной коммерческой лицензии Llama 4 Community License Agreement с ограничениями Acceptable Use Policy. Это статическая модель, обученная на офлайн-данных; качество ответов и работу в конкретных сценариях следует проверять отдельно. Возможности понимания изображений сверх пяти изображений за запрос требуют дополнительного тестирования и настройки.

Taephom/magnumL — языковая модель для диалоговой генерации текста, созданная слиянием двух моделей через mergekit методом Passthrough: anthracite-org/magnum-v2.5-12b-kto и DavidAU/Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC. Модель относится к семейству Mistral, использует плотную архитектуру MistralForCausalLM и содержит 22,4 млрд параметров. Опубликованные веса представлены в формате Safetensors; в конфигурации слияния указан тип bfloat16. Модель предназначена для общения и генерации текста, в том числе для творческого письма и ролевых сценариев. Метаданные указывают контекст до 1 024 000 токенов и возможность диалога. Базовая модель описана как многоязычная, однако конкретные поддерживаемые языки в карточке не перечислены. Модель обозначена как uncensored, поэтому может выдавать контент без обычных ограничений. Условия лицензирования в предоставленных данных не указаны.

Модель benchang1110/Qwen2.5-Taiwan-7B-Instruct разработана benchang1110 на основе Qwen/Qwen2.5-7B-Instruct. Это плотная авторегрессионная модель Qwen2ForCausalLM на 7,1 млрд параметров, дообученная с помощью LoRA на наборах инструкций на традиционном китайском языке, а затем выровненная методом DPO. В карточке описаны диалоги, написание текстов, суммаризация, перевод с английского на китайский и ролевые сценарии; модель также поддерживает многоходовое общение и интерфейс вызова инструментов. Модель рассчитана прежде всего на традиционный китайский Тайваня, также поддерживает английский. Контекстное окно составляет 32 768 токенов. В README приведены результаты оценивания на TMLU и TMMLU+ и примеры ответов, однако они не гарантируют качество для каждого запроса. Модель доступна под лицензией Apache 2.0. Автор отмечает, что системный промпт может менять предвзятость и позицию ответов. Как и другие языковые модели, она может выдавать ошибки; заявленные сценарии не подтверждают точность фактических ответов.

Qwen-SEA-LION-v4-8B-VL — мультимодальная модель на 8 млрд параметров, разработанная AI Products Pillar, AI Singapore при финансировании NRF Сингапура. Она основана на Qwen3-VL-8B-Instruct и дообучена методом SFT на примерно 9 млн инструкций и примеров вопросов и ответов для языков Юго-Восточной Азии. Модель использует архитектуру Qwen3-VL и предназначена для диалога с изображениями и текстом. Модель рассчитана на английский и семь языков региона: бирманский, индонезийский, филиппинский, малайский, тамильский, тайский и вьетнамский. Унаследованные от базовой модели возможности включают визуальные вопросы и ответы, описание изображений и использование инструментов; заявленная длина контекста — 256 тыс. токенов. Разработчики сообщают, что дообучение преимущественно на текстовых данных сохранило возможности базовой модели в задачах компьютерного зрения. Модель может галлюцинировать, давать нерелевантные или противоречивые ответы и не проверялась на устойчивость к состязательным запросам. Она не прошла настройку безопасности, поэтому разработчикам приложений следует самостоятельно оценить её поведение и при необходимости адаптировать меры безопасности. Лицензия — MIT.

SlimOrca-13B — языковая модель общего назначения, разработанная ajibawa-2023 и дообученная на базе Llama 2 от Meta на очищенной версии набора SlimOrca от Open-Orca. Это полная настройка 12,9-миллиардной плотной модели LlamaForCausalLM; модель распространяется в формате PyTorch и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста без обязательного системного промпта: она отвечает на вопросы, включая задания с выбором ответа, пишет статьи по краткому содержанию, анализирует тональность, сопоставляет контекст и гипотезу, составляет отзывы и генерирует художественные тексты. В карточке также заявлена генерация откровенного и нецензурированного контента. Обучение проводилось на 517 981 наборе диалогов SlimOrca и SlimOrca-ShareGPT; автор отмечает использование формата ShareGPT/Vicuna v1.1. Модель ориентирована на английский язык. Лицензия CC-BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий на условиях лицензии. Карточка приводит результаты отдельных тестов, но не даёт полного описания методики, поэтому они не позволяют гарантировать качество в конкретном сценарии; ответы могут содержать ошибки, а заявленная генерация откровенного контента требует осторожного применения.

QuantFactory/wiroai-turkish-llm-9b-GGUF — это квантизированная версия модели WiroAI/wiroai-turkish-llm-9b, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана WiroAI на базе Google Gemma 2 9B и дообучена методом supervised fine-tuning с применением LoRA на более чем 500 000 тщательно отобранных инструкций на турецком языке. Модель предназначена для генерации и редактирования текста, ответов на вопросы, суммаризации, анализа, рассуждений, преобразования контента и других задач обработки естественного языка на турецком языке. Она ориентирована на понимание турецкой культуры, идиом, локального контекста и актуальных тем; также заявлена поддержка других распространённых языков. Архитектура — decoder-only Transformer, размер базовой модели — 9 млрд параметров. Формат GGUF и квантизация позволяют использовать модель на настольных компьютерах, ноутбуках и в пользовательской облачной инфраструктуре, однако конкретные требования к памяти зависят от варианта квантизации. Сильными сторонами являются специализация на турецком языке и локальном контексте, а также возможность развёртывания на ограниченных ресурсах. В README приведены результаты на турецких версиях тестов MMLU, TruthfulQA, ARC, HellaSwag, GSM8K и Winogrande, но они помечены как непроверенные. Ограничения включают необходимость чётких структурированных инструкций, обязательную проверку ответов в критически важных сценариях и предварительную оценку аппаратных требований. Модель распространяется по лицензии Gemma; для доступа на Hugging Face требуется принять условия лицензии Google. Контекстное окно и точные параметры квантизации в предоставленных данных не указаны.

Это версия ALBERT base v2, дообученная twmkn9 на датасете SQuAD v2 для извлечения ответов на вопросы из текста. Модель принимает вопрос и контекст и определяет ответный фрагмент, а также может предсказать, что в контексте ответа нет. Модель построена на архитектуре ALBERT, содержит 136,3 млн параметров и рассчитана на контекст до 512 токенов. В README приведены результаты оценки на подмножестве dev SQuAD v2: exact match 78,7 и F1 81,9. Она подходит для поиска фактических ответов в документах и текстах, если вопрос и нужный контекст уже подготовлены. Ограничение — модель извлекает ответы из предоставленного контекста и не предназначена для свободной генерации; качество за пределами SQuAD-подобных данных может отличаться. Лицензия в предоставленных сведениях не указана.

apodex-1.0-2B-SFT-rebased — объединённая модель, созданная с помощью LazyMergekit на основе Qwen/Qwen3.5-2B-Base и apodex/Apodex-1.0-2B-SFT. Она предназначена для диалоговой работы с текстом и изображениями; архитектура Qwen3.5 — плотная, с 2 млрд параметров. Модель доступна в формате safetensors и поддерживает интерфейс вызова инструментов. Лицензия — Apache-2.0.

Arch-Agent-7B — языковая модель Katanemo для вызова функций и агентных приложений. Это дообученная плотная модель семейства Qwen2 на базе Qwen/Qwen2.5-Coder-7B-Instruct, содержащая 7,1 млрд параметров. Она генерирует ответы в формате, совместимом с вызовом внешних функций, и предназначена для многошаговых и многоходовых сценариев с выбором инструментов, планированием и координацией действий. Модель работает с текстом; README рекомендует использовать специальный формат промпта Arch-Agent для получения структурированного JSON-подобного вывода. Метаданные указывают контекст 32 768 токенов; заявленная в README оценка на BFCL проводилась с контекстом 64K и масштабированием YaRN. Подходит для построения ассистентов, которые взаимодействуют с API и инструментами, разбивают сложные запросы на шаги и продолжают работу с учётом результатов предыдущих вызовов. В основе — архитектура Qwen2ForCausalLM, веса доступны в формате safetensors для Transformers. Указана лицензия other; конкретные условия следует сверить с карточкой модели и лицензией базовой модели. README заявляет высокие результаты на BFCL, но не приводит в доступном тексте численные показатели; качество вызова функций зависит от соблюдения рекомендуемого формата промпта.

ssmits/Falcon2-8B-Czech — чешская текстовая модель семейства Falcon, созданная слиянием предварительно обученных языковых моделей с помощью mergekit и метода passthrough. В качестве исходной модели указана ssmits/Falcon2-5.5B-Czech; архитектура — плотная причинная модель FalconForCausalLM, файлы опубликованы в формате safetensors. По метаданным, модель содержит 11,8 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового взаимодействия на чешском языке; каталог также относит к поддерживаемым задачам ответы на вопросы и классификацию текста и токенов. Она распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества, поэтому практическую точность для конкретных сценариев следует проверять отдельно.

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.

Модель callgg/gemma-3-4b-it-bf16 основана на Gemma 3 4B IT от Google и предназначена для диалогов, генерации текста и ответов на вопросы по изображениям. Она принимает текст и изображения и выдаёт текст; в метаданных указана архитектура Gemma 3 для условной генерации с плотной сетью и поддержка чата и зрения. Репозиторий содержит веса в формате safetensors; README также сообщает о возможности конвертации в GGUF. Модель подходит для мультимодальных ассистентов, которым нужно описывать изображения или отвечать на вопросы о них, а также для обычного текстового общения. Используется лицензия Gemma. Сведения о размере контекста и поддерживаемых языках в предоставленных данных отсутствуют.

LeoLM 70b — открытая языковая модель, разработанная Björn Plüster и Christoph Schuhmann совместно с LAION и HessianAI. Это причинный декодерный трансформер семейства Llama, дообученный продолжением предобучения на большом корпусе преимущественно немецкоязычных и локально ориентированных текстов на базе meta-llama/Llama-2-70b-hf. Модель предназначена для генерации текста на немецком и английском языках, включая исследовательские и коммерческие сценарии работы с немецкоязычными LLM. Модель содержит 68,7 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Опубликована в формате safetensors и загружается через Transformers. Для запуска требуется значительный объём видеопамяти, вероятно, несколько устройств; квантизация может снизить требования к памяти. Распространяется по лицензии Llama 2 Community License Agreement.

Mungert/Llama-3.2-3B-Instruct-GGUF — это инструкционная языковая модель семейства Llama 3.2 в формате GGUF, разработанная на основе модели Meta. В README не указано, является ли Mungert автором конвертации или распространения модели, поэтому сведения о роли этого разработчика ограничены идентификатором репозитория. Модель предназначена для генерации текста и выполнения инструкций в языковых сценариях, включая диалоговые приложения и другие задачи text-generation. Заявлены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Размер модели составляет 3B параметров; архитектура, поддерживаемые модальности и размер контекста в README не указаны. Формат GGUF ориентирован на локальное или оптимизированное инференс-использование, однако конкретные требования к ресурсам и доступные варианты квантования не приведены. Модель может быть удобна для многоязычной генерации текста при ограниченных вычислительных ресурсах, но README не содержит результатов бенчмарков, подробностей обучения или оценки качества, поэтому её сильные стороны и ограничения нельзя надежно сравнить с другими моделями. Использование регулируется Llama 3.2 Community License от Meta: при распространении материалов или производных продуктов необходимо соблюдать условия лицензии, включая предоставление текста соглашения, указание «Built with Llama», атрибуцию и Acceptable Use Policy. Для продуктов с более чем 700 миллионами месячных активных пользователей предусмотрено отдельное лицензионное требование.

Карточка модели OpenMOSS-Team/MOSS-Audio-4B-Thinking на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-Audio-4B-Instruct, поэтому описание составлено по ней. MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

Карточка модели OpenMOSS-Team/MOSS-Audio-8B-Thinking на Hugging Face совпадает с карточкой OpenMOSS-Team/MOSS-Audio-4B-Instruct, поэтому описание составлено по ней. MOSS-Audio-4B-Instruct — открытая модель для понимания аудио, разработанная MOSI.AI, командой OpenMOSS и Shanghai Innovation Institute. Это вариант Instruct с аудиоэнкодером MOSS-Audio-Encoder и языковой основой Qwen3-4B; общий размер составляет около 4,6 млрд параметров. Аудио преобразуется в временные представления с частотой 12,5 Гц, которые объединяются с представлениями языковой модели для генерации текста. Модель принимает аудио и выполняет инструкции на его основе. Модель предназначена для распознавания речи с временными метками, ответов на вопросы и составления резюме по аудио, анализа говорящих, эмоций и звуковых событий, описания окружающей обстановки и понимания музыки. Архитектура с передачей признаков между слоями энкодера и временными маркерами поддерживает анализ акустических деталей и последовательности событий. В карточке семейства заявлена поддержка английского и китайского языков; результаты оценки относятся к семейству моделей и не гарантируют такое же качество именно для варианта 4B. Модель распространяется по лицензии Apache-2.0. Карточка описывает возможности семейства, но не приводит отдельные результаты оценки, требования к ресурсам или конкретные ограничения варианта 4B-Instruct.

nlpconnect/roberta-base-squad2-nq — дообученная модель на базе RoBERTa для извлечения ответов на вопросы из предоставленного текста. Разработчики обучили базовую RoBERTa на SQuAD 2.0 в течение двух эпох, а затем на подмножестве Natural Questions с короткими ответами в течение одной эпохи. Модель содержит 151,8 млн параметров, использует архитектуру RobertaForQuestionAnswering и принимает вопрос вместе с контекстом длиной до 514 токенов. Модель предназначена для поиска ответа в тексте и может воздержаться от ответа, если контекст его не подтверждает. В README указаны результаты на dev-наборе SQuAD 2.0: F1 83,44 и exact match 80,30. Эти показатели относятся к указанному набору; качество на других текстах может отличаться. Доступны веса PyTorch и Flax. Лицензия — Apache 2.0.

SambaLingo-Arabic-Base-70B — базовая двуязычная языковая модель SambaNova Systems на архитектуре Llama 2. Модель адаптирована от Llama-2-70b и обучена на 28 млрд токенов арабской части датасета Cultura-X; число параметров — 68,9 млрд, контекст — 4096 токенов. Для арабского языка расширен словарь токенизатора с 32 000 до 57 000 токенов. Модель предназначена для генерации текста на арабском и английском языках, а также для задач перевода. Для работы с базовой моделью рекомендуется few-shot prompting с примерами; для прямого диалога и вопросов разработчик предлагает использовать SambaLingo-Arabic-Chat. По README, модель показывает сильные результаты в perplexity и переводе на тесте FLORES-200. Модель распространяется по лицензии Meta Llama 2 Community License. Возможны галлюцинации, переключение между языками или диалектами, повторы, а также ошибки в коде и сложной математике; модель не предназначена для критически важных приложений и решений, влияющих на безопасность.

Zero-Mistral-24B-gguf — это квантованная GGUF-версия языковой модели Zero-Mistral-24B, разработанной ZeroAgency. Модель предназначена для генерации текста и диалоговых сценариев, включая русско- и англоязычное общение. В метаданных указаны задачи conversational и text-generation, а также связь с датасетом ZeroAgency/ru-big-russian-dataset. Модель рассчитана на запуск через llama.cpp; преобразование выполнено bethrezen с использованием llama.cpp версии b5083. Доступны варианты BF16, F16, IQ4_NL, IQ4_XS, Q4_K_M, Q6_K и Q8_0, включая некоторые варианты с параметром leave-output-tensors. Разные уровни квантования позволяют выбирать компромисс между качеством, размером и требованиями к ресурсам, однако конкретные характеристики производительности и качества для вариантов в README не приведены. Размер базовой модели составляет 24B параметров; сведения о длине контекста, архитектурных деталях, поддерживаемых модальностях помимо текста и результатах тестирования отсутствуют. Модель распространяется по лицензии MIT.

Zhi-Create-DSR1-14B — дообученная модель Zhihu на базе DeepSeek-R1-Distill-Qwen-14B, предназначенная прежде всего для творческого письма. Она генерирует тексты по запросу и показывает улучшенные результаты в тестах на написание рассказов и текстов разных стилей, форматов и длины. Модель также сохраняет возможности диалога, рассуждений, математики и ответов на общие вопросы. Это плотная авторегрессионная модель семейства Qwen2 с 14 млрд параметров и контекстом до 131 072 токенов. В обучении использовались SFT и DPO, а данные включали китайские и английские наборы для рассуждений и письма, а также материалы Zhihu. Указанные в карточке языки — китайский и английский; сценарии творческого письма в README проиллюстрированы китайским запросом. Модель подходит для создания рассказов, статей, деловых и учебных текстов, а также для редактирования и следования заданным требованиям к стилю и формату. README приводит сравнительные результаты бенчмарков, но они не гарантируют качество для конкретного запроса. Для локального развёртывания описаны конфигурации с мощными GPU. Лицензия — Apache 2.0.

AIFT-ko-orca-plat-Yi-ko-6b-v1.8 — корейская инструктивная языковая модель семейства Llama, опубликованная AIFT. Модель дообучена методом LoRA на базе открытых наборов KOR-OpenOrca-Platypus и примерно 40 тысяч примеров, собранных или подготовленных для обучения; базовая модель в доступных сведениях не названа. Модель предназначена для генерации ответов на инструкции и задач на корейском языке, включая вопросы по истории, науке и математике, машинное чтение, анализ отзывов, суммаризацию, грамматику и перевод между корейским и английским. В карточке указаны 5,9 млрд параметров, архитектура Llama с плотной causal language model, контекст 2048 токенов и формат safetensors. README сообщает, что обучающие данные закрыты; автор также отмечает, что часть данных MMLU была удалена из-за снижения качества в предыдущей версии. Модель распространяется по лицензии CC-BY-SA-4.0.

Apodex-1.0-4B-SFT-rebased — мультимодальная модель семейства Qwen3.5 с плотной архитектурой и 4 млрд параметров. Её создал dark-pen, объединив с помощью LazyMergekit модели Qwen/Qwen3.5-4B-Base и apodex/Apodex-1.0-4B-SFT методом arcee_fusion; веса сохранены в формате safetensors и типе bfloat16. Модель предназначена для диалоговых сценариев с текстом и изображениями, включая ответы на вопросы по визуальному содержимому. Метаданные также указывают на интерфейс вызова инструментов. Модель доступна по лицензии Apache-2.0.

BgGPT-Gemma-2-9B-IT-v1.0 — языковая модель INSAIT при Софийском университете, построенная на Gemma 2 9B. Это плотный decoder-only трансформер с 9 млрд параметров и контекстом 8192 токена; модель дообучена для следования инструкциям и диалога. Модель предназначена прежде всего для общения и генерации текста на болгарском языке, включая ответы на вопросы, рассуждения и решение учебных задач. Она также сохраняет возможности на английском. При непрерывном предварительном обучении использовалась стратегия Branch-and-Merge и около 100 млрд токенов, из них 85 млрд на болгарском; затем модель дообучили на болгарских инструкциях, составленных на основе реальных диалогов. Модель доступна по условиям Gemma Terms of Use. Для работы рекомендуется формат чата Gemma 2; README предупреждает, что Flash Attention снижает качество работы. Заявления о результатах на бенчмарках приведены авторами модели и не гарантируют качество на конкретных пользовательских задачах.

BharatGPT-Instruct E2B — мультиязычная языковая модель компании CoRover.ai для генерации текста и диалогов на основных языках Индии. Модель рассчитана на работу через библиотеку Transformers; репозиторий содержит веса в формате safetensors и поддерживает чат-взаимодействие. Модель обучалась на корпусе, включающем хинди, пенджаби, маратхи, малаялам, ория, каннада, гуджарати, бенгали, урду, тамильский и телугу, с акцентом на естественные разговорные данные Индии. В карточке приведены оценки на тестах понимания языка и RAG, включая вопросы по базе знаний и проверку релевантности; численные результаты относятся к заявленным разработчиком оценкам. Лицензия некоммерческая: модель предназначена для академического и исследовательского использования. Для коммерческого применения README предлагает обращаться к CoRover.ai. Карточка не приводит сведения о размере параметров или длине контекста.

dapack-language — языковой пакет на основе Qwen3.5-35B-A3B, подготовленный для генерации текста и общих языковых задач. Разработчик — R3n3r0; пакет использует архитектуру Mixture of Experts и сохраняет все эксперты, но хранит их с разной точностью: выбранные для языковых задач эксперты — в q2_K, остальные — в IQ2_XXS. Размер файла GGUF составляет 10,7 ГБ вместо 21,2 ГБ у полной модели. Пакет предназначен для диалога, рассуждений, вызова инструментов и перевода с английского на итальянский. В README приведены измерения на конкретных тестах: 82% сходимости на GSM8K, успешные 8 из 8 проб вызова инструментов и 100% на тесте перевода en→it. Это результаты тестов из карточки, а не гарантия качества на произвольных запросах. Для запуска требуется специальная среда dapack: стандартные сборки llama.cpp, Ollama и LM Studio пакет не загружают. README сообщает о резком снижении качества генерации кода и не рекомендует использовать пакет для этой задачи. Лицензия — MIT. Поддерживаемые языки по метаданным — английский и итальянский.

Hasanur525/deed_summarization_mt5_version_1 — дообученная Hasanur525 модель Google mT5-base для суммаризации текстов. Она построена на архитектуре MT5ForConditionalGeneration и содержит 291,2 млн параметров. Многоязычная базовая модель преобразует текст в текст; модель сохранена в формате safetensors. Модель предназначена для создания краткого содержания входного текста. В README приведены метрики на оценочном наборе: Loss 0,5863, ROUGE-1 1,0138, ROUGE-2 0,6875, ROUGE-L 1,0233, ROUGE-Lsum 1,0941 и средняя длина генерации около 288 токенов. Датасет указан как None, поэтому по карточке нельзя установить предметную область обучения или проверить приведённые значения метрик. Лицензия — Apache-2.0. README не сообщает об ограничениях применения или подтверждённых целевых языках; многоязычность относится к базовой модели и сама по себе не подтверждает качество суммаризации на каждом языке.

sandbox-ai/Llama-3.1-Tango-8b-f16 — дообученная модель семейства Llama 3.1, разработанная sandbox-ai на основе unsloth/meta-llama-3.1-8b-bnb-4bit. Это плотный трансформер с архитектурой LlamaForCausalLM примерно на 7,5 млрд параметров, предназначенный для генерации текста. В карточке приведены результаты оценки на задачах вопросов и ответов, классификации тональности и других языковых тестах, в том числе на испанском, каталанском и баскском языках. Модель принимает текст и генерирует текст; заявленная длина контекста — до 131 072 токенов, а README указывает максимальный объём вывода 4 000 токенов. Для запуска через Transformers в карточке рекомендованы две или более видеокарты NVIDIA Ampere или новее с 80 ГБ памяти каждая. Метаданные указывают лицензию Llama 3.1, тогда как README указывает Apache-2.0, поэтому условия распространения следует проверить по исходным условиям базовой модели и файлам репозитория.