III.4Клиентская поддержка и customer success

Moist_Theia_21B — объединённая языковая модель, созданная сообществом mergekit из BeaverAI/NeMoist-21B-v1a и TheDrummer/Theia-21B-v2 методом SLERP. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и примерно 20,7 млрд параметров; репозиторий содержит веса в формате safetensors. Конфигурация с V-образным распределением коэффициента слияния сочетает вклад моделей в разных слоях. Модель предназначена для генерации текста и чат-диалогов. Её можно использовать для ролевых бесед, написания историй и творческих текстов, опираясь на назначение базовой Theia-21B-v2. В метаданных указан контекст до 1 024 000 токенов, однако фактическое качество на такой длине по имеющимся сведениям не подтверждено. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить с карточками исходных моделей и репозитория. Характеристики модели унаследованы от объединённых чекпойнтов, а специальных гарантий качества или независимой оценки в README нет.

AXCXEPT разработала дообученную версию Microsoft Phi-4, используя open-r1 и имитируя подход дистилляции DeepSeek-R1, чтобы получить модель для рассуждений. Модель предназначена для диалогов и генерации ответов, особенно на японском языке; английский можно использовать для более гибких ответов. Это плотная авторегрессионная модель семейства Phi-3 с 14,1 млрд параметров, рассчитанная на контекст до 16 384 токенов. Карточка указывает датасеты Bespoke-Stratos-17k и NuminaMath-TIR. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — MIT.

SambaLingo-Thai-Base — двуязычная языковая модель SambaNova Systems на архитектуре Llama 2 с 6,7 млрд параметров. Это предварительно обученный чекпойнт, адаптированный к тайскому языку дообучением на 38 млрд токенов тайской части корпуса Cultura-X; словарь токенизатора расширен с 32 000 до 57 000 токенов. Модель предназначена для генерации текста на тайском и английском языках, а также может использоваться в задачах перевода; авторы сообщают о сильных результатах по perplexity и оценке перевода FLORES-200. Модель принимает текст и генерирует продолжение. Контекст составляет 4096 токенов. Для работы рекомендуется генерация без сэмплирования; для эффективного использования базового чекпойнта нужны примеры в few-shot промпте. Для диалогов с прямыми вопросами разработчик рекомендует отдельную чат-версию SambaLingo-Thai-Chat. Модель может галлюцинировать, переключаться между языками или диалектами и повторять фразы; её возможности в программировании и сложной математике ограничены, а ответы могут содержать токсичный или неуместный контент. Не следует применять её в критически важных сценариях и для решений, затрагивающих безопасность людей. Использование регулируется лицензией Meta Llama 2 Community License Agreement.

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.

Strawberry-1.1 — дообученная компанией artindnr языковая модель для рассуждений на фарси и английском. Это причинная decoder-only модель семейства gpt_oss с архитектурой mixture-of-experts; она основана на artindnr/strawberry-1, которая, в свою очередь, дообучена на openai/gpt-oss-20b. В репозитории указаны 1,6 млрд параметров, контекст до 131 072 токенов и формат safetensors. Модель предназначена для многоязычных задач рассуждения, в том числе для работы с запросами, где одновременно используются фарси и английский. Она сохраняет управление языком рассуждений и следование инструкциям базовой модели, а для диалогов использует шаблон Harmony. Лицензия — Apache 2.0. Качество рассуждений на фарси может снижаться на технических темах, где иногда появляются английские слова или фразы. Возможны фактические ошибки и галлюцинации; отдельного обучения безопасности сверх унаследованного от базовых моделей не проводилось.

QuantFactory/Unichat-llama3-Chinese-8B-GGUF — это квантизированная версия модели UnicomLLM/Unichat-llama3-Chinese-8B, разработанной Центром инноваций в области ИИ China Unicom. Модель создана на базе Meta-Llama-3-8B и дообучена с использованием китайских инструкционных данных; её основное назначение — генерация текста и ответы на вопросы, особенно на китайском языке. Модель поддерживает английский и китайский языки, относится к классу text-generation и сохраняет исходный контекст длиной 8K токенов. Инструкционные данные охватывают различные области и отрасли и прошли ручной отбор. Квантизированный формат GGUF может быть удобен для локального запуска, однако README не содержит сведений о конкретном методе квантизации, требованиях к ресурсам или точных показателях производительности. Сильной стороной модели является специализация на китайских вопросах и ответах при сохранении возможностей базовой Llama 3. Ограничениями являются контекст 8K, отсутствие заявленной поддержки версии на 64K в текущем описании и нехватка подробных данных о качестве на разных задачах. Модель распространяется по лицензии Apache-2.0.

VietAI/vit5-base — предварительно обученная модель семейства T5, разработанная VietAI для работы с вьетнамским языком. Это Transformer-архитектура типа encoder-decoder с 126,8 млн параметров и контекстом до 512 токенов; доступны версии весов для PyTorch, TensorFlow и Flax. Модель предназначена для генерации текста по текстовому входу и может применяться к ответам на вопросы, суммаризации и переводу на вьетнамском языке. Для запуска доступны токенизатор и модель в библиотеке Transformers. Модель выпущена по лицензии MIT.

30B-Epsilon — инструктивная языковая модель CalderaAI, собранная из объединённых моделей и LoRA на базе семейства LLaMA. Она содержит 32,3 млрд параметров, принимает текст и выдаёт текст, поддерживает формат инструкций Alpaca и имеет контекстное окно 2048 токенов. Модель предназначена для следования инструкциям общего назначения, диалогов, творческого письма, ролевых игр и текстовых приключений. В состав вошли компоненты Manticore, Hippogriff, WizardLM Uncensored, Storytelling-LLaMa, SuperCOT и экспериментальная SuperHOT LoRA; автор описывает подбор компонентов по творческим способностям, логике, выводу, следованию инструкциям и устойчивости ответов. Модель позиционируется как нецензурируемая, поэтому ответы могут включать откровенное или нежелательное содержание. Карточка не указывает лицензию; условия использования следует проверять для исходных моделей и LoRA, входящих в состав.

AceGPT-v2-8B — генеративная языковая модель, разработанная исследователями KAUST, Китайского университета Гонконга в Шэньчжэне и Shenzhen Research Institute of Big Data. Это версия семейства AceGPT на 8 млрд параметров, полностью дообученная на базе Meta-Llama-3-8B; модель использует плотную архитектуру Llama и принимает и выдаёт текст. Она предназначена прежде всего для генерации и продолжения текста на арабском языке, включая ответы на вопросы и диалоговые сценарии; также оценивается на английских и китайских заданиях. Для оптимизированной диалоговой версии семейства существует отдельный вариант AceGPT-chat. Модель имеет контекст длиной до 8192 токенов и опубликована в формате safetensors. В README приведены результаты сравнительных тестов на арабских, английских и китайских бенчмарках. Лицензия — Apache-2.0.

beto-emotion-analysis — модель классификации текста, разработанная на основе BETO, испаноязычной версии BERT. Она дообучена на корпусе TASS 2020 Task 2 для распознавания эмоций в текстах на испанском языке. Модель содержит 137,1 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель подходит для автоматической разметки эмоциональной окраски испаноязычных текстов, например сообщений и публикаций. Доступны веса в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

ApolloRaines/DeepSeek-R1-Distill-Qwen-7B-Desyced — текстовая генеративная модель, разработанная Apollo Raines на основе DeepSeek-R1-Distill-Qwen-7B от DeepSeek. Это версия с посттренировочной модификацией весов, направленной на снижение склонности модели соглашаться с ошибочными утверждениями пользователя под социальным давлением. Модель предназначена для генерации текста, ответов на вопросы, рассуждений и диалоговых сценариев, где важна способность сохранять корректную позицию при попытках навязать неверный ответ. Модель сохраняет архитектуру, токенизатор, контекстное окно, знания, рассуждательные и разговорные возможности базовой модели; точные значения размера контекста и другие архитектурные параметры в README не указаны. Заявленный размер — 7B параметров. Доступны полноточные файлы Safetensors, а также квантованные форматы GGUF Q8_0 и Q4_K_M для запуска через llama.cpp, Ollama и LM Studio. В метаданных указан английский язык. По результатам тестов на устойчивость к противоречивым утверждениям доля ответов, сохранявших корректную позицию под давлением, выросла с 67% до 83%. Сильная сторона модели — уменьшенная склонность к лести и некритическому согласию, что может быть полезно при проверке фактов и поддержке принятия решений. При этом README не содержит независимых оценок общей точности, качества рассуждений или безопасности, а также предупреждает, что выпущенные модели могут иметь намеренно сниженные возможности и служить демонстрацией концепции. Лицензия указана как other, то есть используется лицензия базовой модели, но её конкретные условия в README не раскрыты.

Карточка модели elyza/ELYZA-japanese-Llama-2-7b-fast на Hugging Face совпадает с карточкой elyza/ELYZA-japanese-Llama-2-7b-instruct, поэтому описание составлено по ней. ELYZA-japanese-Llama-2-7b-instruct — языковая модель ELYZA на архитектуре Llama 2, предназначенная для генерации текста и инструкционного диалога. Модель расширяет способности Llama 2 к японскому языку дополнительным предварительным обучением; в карточке она указана как версия instruct семейства ELYZA-japanese-Llama-2-7b. Разработчики: Akira Sasaki, Masato Hirakawa, Shintaro Horie и Tomoaki Nakamura. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных указаны японский и английский языки; основное назначение — работа с японским текстом, включая ответы по инструкциям и генерацию. Модель распространяется по лицензии Llama 2. Карточка не приводит подробных оценок качества или ограничений; как и другие языковые модели, она может выдавать неточные или вымышленные сведения.

Leo Mistral Hessianai 7B Chat GGUF — языковая чат-модель, созданная LAION LeoLM и представленная в формате GGUF компанией TheBloke. Она основана на архитектуре Mistral и содержит около 7 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия, прежде всего на немецком и английском языках. Модель обучалась с использованием наборов данных OpenSchnabeltier, OASST-DE, Alpaca GPT-4 Deutsch, Evol-Instruct Deutsch, German Poems и German Songs. Это делает её ориентированной на немецкоязычные инструкции, ответы, диалоги и творческую генерацию текста. Для общения используется шаблон ChatML с системными и пользовательскими сообщениями. Репозиторий содержит квантизированные варианты GGUF с разрядностью от 2 до 8 бит, что позволяет запускать модель через llama.cpp и совместимые приложения, включая text-generation-webui, LM Studio, KoboldCpp и llama-cpp-python, в том числе с использованием CPU и GPU. Квантизация снижает требования к памяти, но может уменьшать точность по сравнению с исходной моделью; конкретные результаты тестирования и размер контекста в README не указаны. Модель предназначена для текстовых задач и не поддерживает заявленные мультимодальные сценарии. Лицензия модели — Apache 2.0.

G-R-A-V-I-T-Y/long-t5-local-base-ARv1 — дообученная модель на архитектуре LongT5, созданная на основе google/long-t5-local-base. Она предназначена для генерации текста по входному тексту и рассчитана на обработку последовательностей длиной до 4096 токенов. В репозитории указаны 123,8 млн параметров и формат safetensors. README сообщает результаты оценки: Loss 2,9303, Exact Match 18,0 и среднюю длину генерации 3,38 токена. Название модели содержит AR, однако карточка не раскрывает целевую задачу, обучающие данные или intended uses, поэтому конкретное назначение дообучения подтвердить нельзя. Базовая LongT5 описана как англоязычная модель для суммаризации и ответов на вопросы по длинным текстам. Модель распространяется по лицензии Apache-2.0. Применимость приведённых оценок ограничена тем, что README не сообщает набор данных и подробности оценки.

MGM-Omni-7B — мультимодальная чат-модель, разработанная авторами проекта MGM-Omni и представленная в одноимённой статье. Это компонент восприятия проекта, основанный на дообученной Qwen2.5-VL-7B-Instruct; модель имеет плотную архитектуру MGMOmniForCausalLM и 7,1 млрд параметров. Для работы с речевым выводом README указывает отдельную модель MGM-Omni-TTS. Модель предназначена для диалогов с текстом, изображениями, видео и аудио. Среди заявленных сценариев — понимание длинной речи, включая записи длительностью до часа, мультимодальные вопросы и ответы, а также совместная обработка нескольких типов входных данных. В экосистеме MGM-Omni также заявлены генерация длинной речи, потоковый аудиовывод и клонирование голоса по короткому образцу, но для речевого синтеза требуется отдельный компонент SpeechLM. Модель рассчитана на английский и китайский языки. Контекст составляет 128 000 токенов. Репозиторий содержит веса в формате safetensors, библиотека запуска — Transformers. Лицензия Apache-2.0. Описание возможностей и сравнительных результатов в README носит заявительный характер; заявленные речевые функции зависят от дополнительной модели MGM-Omni-TTS.

OpenThaiGPT 14b 1.5 Instruct — разговорная языковая модель на 14 млрд параметров, разработанная командой OpenThaiGPT для общения на тайском языке. Она основана на Qwen 2.5 и дообучена более чем на двух миллионах тайских пар инструкций. Модель поддерживает многоходовый диалог, вызов инструментов и сценарии с поиском по внешним данным (RAG); заявленный контекст по конфигурации — 32 768 токенов. В метаданных также указаны форматы Safetensors и GGUF. Модель подходит для ответов на вопросы о тайских реалиях, диалоговых помощников и интеграций, которым нужны ответы с привлечением внешних данных или вызовом API. В README приведены результаты тестов на тайских экзаменах и примеры развёртывания через Transformers и vLLM. Карточка указывает лицензию «other», но её конкретные условия в предоставленных данных не раскрыты.

SentiCSE — модель на базе RoBERTa-base, разработанная DILAB-HYU и дообученная для задач анализа тональности на датасете MR. Она предназначена для анализа английских текстов и представления их в виде эмбеддингов: пример в карточке показывает, что модель оценивает косинусное сходство между отзывами и предложениями о ресторане. Архитектура RoBERTa содержит около 151,8 млн параметров; заявленная длина контекста — 514 токенов. Модель может применяться для определения тональности текста и сравнения отзывов по смысловой близости. В метаданных также перечислены датасеты Rotten Tomatoes, SST-2, Amazon Polarity, IMDB и Yelp Polarity. Доступны веса в формате PyTorch. Лицензия в предоставленных данных не указана.

xLAM-8x22b-r-GGUF — квантованный вариант языковой модели Salesforce/xLAM-8x22b-r, подготовленный пользователем bartowski в формате GGUF с использованием llama.cpp и imatrix-калибровки. Модель обучалась на наборе Salesforce/xlam-function-calling-60k и предназначена для генерации текста, function calling, использования инструментов и построения LLM-агентов. Указанный язык — английский; формат взаимодействия предполагает шаблон <s>[INST] {prompt}[/INST]. Модель относится к семейству Mistral и имеет размер 8×22B; поддерживаемые модальности, размер контекста и дополнительные архитектурные параметры в README не указаны. Доступны варианты квантования от IQ1_M до Q8_0 с размером файлов примерно от 32,74 до 149,43 ГБ. Более высокие уровни квантования обычно обеспечивают лучшее качество, а отдельные варианты оптимизированы для ARM и CPU-инференса, однако требуют значительных ресурсов. Сильная сторона модели — специализация на вызове функций и применении инструментов, а также широкий выбор квантований для различных ограничений по памяти. К ограничениям относятся преимущественно англоязычная специализация, необходимость совместимого инференсного ПО и большой объём файлов; снижение точности при низких уровнях квантования также отмечено в README. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями для некоммерческих целей.

XORTRON-NXTXPRTXXL — мультимодальная разговорная модель на архитектуре Mistral3, созданная автором репозитория как раскрепощённая версия Mistral Medium 3.5 128B с помощью Heretic v1.3.0. Веса языковой модели изменены методом abliteration, а исходные башня зрения Pixtral и мультимодальный проектор восстановлены из mistralai/Mistral-Medium-3.5-128B. Модель принимает текст и изображения и предназначена для диалога и задач «изображение—текст». Чекпойнт использует архитектуру Mistral3ForConditionalGeneration; тензоры сохранены в FP16 Safetensors. README сообщает о снижении доли отказов с 93 из 100 у исходной версии до 8 из 100, а также приводит KL-дивергенцию 0,0329 относительно исходной модели. Карточка не описывает языки и длину контекста. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

A.X Encoder-base — разработанный SKT базовый энкодер для понимания корейских документов и корпоративного применения. Модель создана внутри компании: SKT отвечала за архитектуру, подготовку данных и обучение на собственной вычислительной инфраструктуре TITAN. Модель использует архитектуру ModernBERT и предназначена для классификации документов и других задач понимания корейского языка, включая оценку образовательной ценности, определение тематической области и уровня сложности. README сообщает о результатах на наборах KoBEST и KLUE и ускорении инференса до трёх раз по сравнению с более ранними моделями. Контекст составляет до 16 384 токенов; модель построена как энкодер с маскированным языковым моделированием. Для работы через Transformers требуется версия 4.51.0 или новее; для повышения эффективности на совместимом GPU можно использовать Flash Attention 2. Модель распространяется по лицензии Apache-2.0.

GEITje-ultra-sft — разговорная языковая модель, разработанная Bram Vanroy и дообученная методом supervised fine-tuning на базе Rijgersberg/GEITje-7B. Базовая модель основана на Mistral 7B и дополнительно обучалась на нидерландских данных; вариант ultra-sft содержит около 7,1 млрд параметров и предназначен для генерации текста в диалоге. Модель подходит для ответов на вопросы и ведения многоходового общения на нидерландском языке, а также для генерации кода и ответов на технические вопросы. Обучение охватывало около 240 млн токенов синтетических диалоговых данных, включая переведённые наборы Alpaca, Dolly и Stack Overflow, а также диалоги, созданные с помощью GPT-4 Turbo. В README указан контекст обучения 8192 токена; метаданные репозитория указывают нативный контекст 32768 токенов. Модель не проходила выравнивание с помощью DPO или других методов предпочтений; автор рекомендует использовать DPO-вариант. Ответы могут быть ошибочными, вводящими в заблуждение или оскорбительными. Лицензия CC-BY-NC-4.0 и происхождение обучающих данных исключают коммерческое использование согласно карточке модели.

GPT_124M-Instruct — компактная авторегрессионная модель генерации текста, разработанная Samkeet Sangai на основе GPT-2 и дообученная для следования инструкциям. В метаданных указаны 124 млн параметров по названию модели, англоязычная поддержка, библиотека Transformers и набор данных fineweb-edu. README также описывает обучение на примерах Alpaca в формате «инструкция — ответ» с контекстом до 1024 токенов, однако содержит расходящиеся сведения о данных и настройке модели. Модель предназначена для генерации ответов на инструкции, продолжения текста, диалогов, кратких пересказов и творческих текстов. Это decoder-only трансформер с причинным языковым моделированием; вход и выход — текст. Заявлены обучение в FP32 и возможность LoRA-настройки, но карточка не позволяет однозначно установить, какие из описанных вариантов относятся именно к опубликованным весам. Модель может галлюцинировать, воспроизводить смещения из обучающих данных и выдавать небезопасный или оскорбительный текст; она не имеет специальной настройки безопасности и не подходит для решений, требующих высокой достоверности, в частности в медицине, праве и финансах. Лицензия — MIT.

Jamba2 3B Turkish SFT v1 — дообученная для следования инструкциям и диалогов языковая модель семейства Jamba, опубликованная linguai. Это слитый с базовой моделью BF16-артефакт LoRA-дообучения serda-dev/Jamba2-3B-Turkish; в метаданных указано 2,3 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации ответов на инструкции и общения, прежде всего на турецком языке; в карточке также отмечен английский. Дообучение проведено на смеси из 35 800 проверенных и синтетически созданных турецких инструкций. Диагностическая оценка на 84 примерах дала правильность по смыслу и задаче 62/84, а соблюдение формата — 58/84; авторы предупреждают, что набор оценки пока не прошёл этапы фиксации, проверки пересечений и человеческого ревью, поэтому результаты не являются релизной оценкой. Для загрузки указано использование Transformers и BF16. Лицензия в предоставленных данных не указана.

LLaMAntino-2-chat-7b-hf-UltraChat-ITA — итальянская инструктивно дообученная языковая модель для диалогов, разработанная Pierpaolo Basile, Elio Musacchio, Marco Polignano, Lucia Siciliani, Giuseppe Fiameni, Giovanni Semeraro. Она основана на LLaMAntino-2-chat-7b, адаптированной для итальянского языка модели LLaMA 2 chat, и дообучена на итальянском переводе UltraChat с помощью QLoRA. Модель имеет архитектуру LLaMA 2, содержит 6,6 млрд параметров и принимает текстовые запросы, выдавая текст; контекст составляет 4096 токенов. Модель предназначена для италоязычного диалога и выполнения инструкций, в том числе для исследовательских сценариев обработки естественного языка. Для лучшего результата авторы рекомендуют использовать указанный в карточке шаблон диалога на основе формата LLaMA 2, адаптированный для итальянского языка. Оценка качества в карточке не приведена. Лицензия — Llama 2 Community License.

Magnum v4 27B — языковая generative-модель от anthracite-org, представленная в формате GGUF. Это дообученная версия Gemma 2 27B с ChatML-токенизацией, ориентированная на воспроизведение качества прозы и стиля ответов Claude 3, в частности Sonnet и Opus. Модель предназначена для текстовой генерации, диалогов и ролевых сценариев, включая интерактивное повествование, создание диалогов, описаний, действий и мыслей персонажей. Она поддерживает английский язык; в README также приведены шаблоны ChatML для использования с Transformers и SillyTavern. Архитектурные характеристики базовой модели включают 27 млрд параметров, однако размер контекста в доступных данных не указан. Модель обучалась на наборах диалоговых и литературных данных, включая синтетические ролевые тексты и инструкции. Сильной стороной модели заявлено качество прозы, близкое к Claude 3, а также пригодность для творческого письма и ролевого взаимодействия. Ограничения включают ориентацию преимущественно на английский язык, отсутствие заявленных мультимодальных возможностей и неизвестный размер контекстного окна. Репозиторий содержит GGUF-квантизации; оригинальные веса доступны отдельно. Лицензия указана как gemma, поэтому условия использования определяются соответствующей лицензией Gemma.

Карточка модели google/pegasus-billsum на Hugging Face совпадает с карточкой google/pegasus-xsum, поэтому описание составлено по ней. google/pegasus-xsum — англоязычная модель Pegasus для генерации кратких пересказов, основанная на архитектуре кодировщика-декодировщика и разработанная Jingqing Zhang, Yao Zhao, Mohammad Saleh и Peter J. Liu; карточку поддерживает @sshleifer. Модель содержит 366,8 млн параметров, принимает текст и выдаёт текст. Её основная специализация — абстрактная суммаризация, в частности создание короткого пересказа по исходному тексту; в материалах карточки приведены результаты на XSum, CNN/DailyMail и других наборах данных. При предобучении использовались C4 и HugeNews, смешанные и стохастически выбранные предложения-заполнители, а также изменённый SentencePiece-токенизатор с поддержкой символа новой строки. Заявленная длина контекста — 512 токенов. Доступны веса в форматах PyTorch, TensorFlow и Flax. Карточка не сообщает об ограничениях помимо длины контекста. Лицензия в предоставленных данных не указана.

Qwen3.8-27B-Heretic-ara — мультимодальная плотная модель на 27 млрд параметров, созданная разработчиком armand0e на основе Qwen/Qwen3.8-27B с помощью Heretic v1.2.0 и метода Arbitrary-Rank Ablation (ARA). Изменения затрагивают проекции внимания и MLP в слоях 9–64; README описывает её как версию с ослабленным отказом отвечать на запросы. По метаданным модель поддерживает диалог и обработку изображений, а её основной тег задачи — image-text-to-text. Модель предназначена для диалоговых сценариев с текстом и изображениями, в том числе для вопросов по содержимому изображений. В тестах автора на 100 вредоносных запросах отказов было 7 против 87 у исходной модели; измеренная KL-дивергенция на безопасных запросах составила 0,0528. Эти результаты относятся к указанным в README тестовым наборам и не гарантируют качество или безопасность в других сценариях. Лицензия в предоставленных данных не указана.

Suri Qwen 3.5 27B Uncensored — диалоговая модель Space Time на архитектуре Qwen3.5 с 27 млрд параметров. Это вариант без выравнивания, созданный на основе Qwen3.5 27B и предназначенный для общения, в том числе на чувствительные темы; метаданные также отмечают поддержку анализа изображений. В карточке указаны датасеты для китайского и английского языков. Модель работает с текстом и изображениями и выдаёт текстовые ответы. Разработчик сообщает, что снятие ограничений на чувствительных темах выражено слабее, чем у Suri Qwen 3.5 4B Uncensored. В репозитории указаны формат safetensors и библиотека Transformers; лицензия в предоставленных сведениях не описана.

ishikaa/acquisition_generator_AS_confidence_combined_qwen14b — текстовая генеративная модель на базе семейства Qwen2, предназначенная для задач генерации текста. Модель доступна через библиотеку Transformers и содержит 14B параметров. Модель поддерживает контекст до 32 768 токенов и может использоваться в приложениях, где требуется продолжение или создание текстовых последовательностей, включая диалоговые сценарии. По идентификатору модели можно предположить связь с генерацией материалов для acquisition и комбинированием confidence, однако README не содержит подтверждающего описания, методики обучения или результатов оценки. Разработчик, лицензия, поддерживаемые естественные языки, обучающие данные, показатели качества и специальные ограничения в доступных материалах не описаны. Перед использованием в прикладных системах модель следует протестировать на целевых данных, проверить устойчивость ответов и отдельно оценить риски фактических ошибок и нежелательного содержания.

Abin7/bangla-chinese-romania-hindi — объединённая языковая модель, созданная с помощью mergekit методом TIES. В качестве базовой использована FlagAlpha/Llama2-Chinese-7b-Chat; также в объединение вошли модели для бенгальского, румынского и хинди. Модель построена на архитектуре Llama с плотной авторегрессионной языковой моделью и содержит 6,6 млрд параметров. Модель предназначена для генерации текста и выполнения текстовых запросов. Состав объединения указывает на поддержку китайского, бенгальского, румынского и хинди; базовая модель BanglaLLM также рассчитана на английский язык. Контекст составляет до 4096 токенов. Данные README и метаданных не описывают отдельные прикладные области или условия лицензии, поэтому их нельзя указать.