III.5Управление персоналом и организацией

Gemma-SEA-LION-v4-27B-IT — языковая модель с инструктивной настройкой от AI Singapore, разработанная для языков Юго-Восточной Азии. Это плотная декодерная модель на архитектуре Gemma 3, дообученная на примерно 10 млн пар вопросов и ответов на бирманском, английском, индонезийском, кхмерском, лаосском, малайском, тагальском, тамильском, тайском и вьетнамском языках. Модель предназначена для диалогов, ответов на вопросы, следования инструкциям, суммаризации, анализа тональности, перевода и рассуждений; заявленная длина контекста — 128 тысяч токенов. Модель также сохраняет мультимодальные возможности Gemma 3 для понимания изображений и текста, включая визуальные вопросы и разбор документов, однако её дополнительное обучение выполнялось только на текстовой части, поэтому специальных улучшений в работе с изображениями не заявлено. Поддерживаются вызов функций и структурированные ответы. По оценке разработчиков, модель сильна в задачах для языков региона, но может галлюцинировать, выдавать нерелевантные ответы и не проверялась на устойчивость к состязательным запросам. Модель не прошла настройку безопасности; при использовании нужны собственные меры проверки и защиты. Лицензия — Gemma Terms of Use.

Saxo/Linkbricks-Horizon-AI-Japanese-Superb-V5-70B — языковая модель Linkbricks, дообученная директором по данным Юнсон Джи (Saxo) на базе V4. Это плотная модель семейства Llama с 69,5 млрд параметров, созданная посредством японского SFT и DPO. Она принимает текст и генерирует текст; заявлено контекстное окно до 128 тысяч токенов и поддержка вызова функций и инструментов. Модель предназначена для японского, корейского, китайского и английского языков. В карточке указано обучение на японских новостях и корпусе Википедии, многоязычных данных для перевода и суммаризации, а также примерах для вопросов и ответов, математики и логических рассуждений. Среди заявленных сценариев — анализ отзывов и публикаций в социальных сетях, программирование и написание текстов. Модель распространяется в формате Safetensors через Transformers по лицензии Apache-2.0. Карточка описывает заявленные возможности, но не приводит независимых оценок качества; результаты для отдельных задач и языков могут различаться.

Jais Family 30B 8K — плотная авторегрессионная языковая модель семейства Jais, опубликованная Inception Institute of Artificial Intelligence. Модель предназначена для генерации текста на арабском и английском языках; семейство оптимизировано для арабского и сохраняет сильные возможности английского. В карточке семейства указано, что модели этого варианта предварительно обучались с нуля, а базовые версии дообучались для диалога; конкретно этот репозиторий не обозначен как чат-вариант. Модель подходит для генерации и продолжения текста, ответов на вопросы, классификации тональности и обработки двуязычных документов, включая их краткое изложение. Архитектура — плотная модель JAISLMHeadModel на PyTorch, размер 30 млрд параметров, контекстное окно — 8192 токена. Для загрузки требуется пользовательский класс модели с включением trust_remote_code. Лицензия — Apache 2.0. Модель может ошибаться, воспроизводить предвзятость или выдавать оскорбительный контент; она не предназначена для критически важных решений без контроля человека и для работы с конфиденциальными данными. Уровень владения другими языками и диалектами не следует считать сопоставимым с арабским и английским.

COSMO-PRO-7B — созданная Aryyanthakrr объединением SLERP двух инструктивных языковых моделей Qwen2.5: Qwen2.5-7B-Instruct и Qwen2.5-Coder-7B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; в метаданных также указана поддержка интерфейса вызова инструментов. Модель подходит для ответов на вопросы, ведения диалогов и генерации кода в сценариях с контекстом до 32 768 токенов. Репозиторий использует формат safetensors, библиотеку Transformers. Данных о поддерживаемых естественных языках в карточке нет. Условия лицензии в предоставленных источниках не приведены.

Jais-2-70B-Chat — двуязычная языковая модель MBZUAI, Inception и Cerebras, обученная с нуля для диалогов и генерации текста на арабском и английском языках. Она рассчитана на современный литературный арабский, региональные диалекты и переключение между арабским и английским в одном сообщении. Это decoder-only Transformer с multi-head self-attention и 70 млрд параметров. Модель использует собственный арабоцентричный словарь размером 150 272 токена, RoPE и активацию Squared-ReLU; длина контекста — 8 192 токена. Подходит для чат-ассистентов, генерации и обработки двуязычных документов, анализа тональности и создания арабоязычного контента. В описанных авторами оценках модель показала конкурентные результаты на IFEval для арабского и английского и высокие результаты на AraGen-12-24. Авторы предупреждают, что её не следует применять для языков, отличных от арабского и английского, или для медицинских, юридических, финансовых и других критически важных решений без контроля человека. Лицензия — Apache-2.0.

Ling-lite-1.5-2506 — обновлённая разговорная языковая модель от inclusionAI для рассуждений, решения сложных задач, программирования и отладки кода. Она построена на архитектуре Bailing MoE и поддерживает генерацию текста в формате чата. В README указаны 16,8 млрд параметров, из которых активируются 2,75 млрд; метаданные Hugging Face указывают 794,8 млн параметров. В карточке также заявлена длина контекста 128K, тогда как метаданные сообщают 32 768 токенов. README описывает улучшения относительно Ling-lite-1.5 и приводит результаты на GPQA Diamond и LiveCodeBench 2408–2501. Модель принимает текст и генерирует текст. Опубликованные веса доступны в формате safetensors, библиотека для работы — Transformers. Лицензия — MIT. Языки в доступных сведениях не перечислены.

Linkbricks-Horizon-AI-Japanese-Base-32B — языковая модель, дообученная директором по данным Linkbricks Юнсоном Джи (Saxo) на базе Qwen/QwQ-32B-Preview. Модель Qwen2 с 32 млрд параметров предназначена для генерации текста и диалогов; обучение включало японское продолженное предобучение, SFT и DPO, а также данные на японском, корейском, китайском и английском языках. В README заявлено окно контекста 128 тыс. токенов, тогда как метаданные указывают нативный контекст 32 768 токенов. Модель рассчитана на многоязычные задачи, включая перевод, суммаризацию, анализ отзывов и публикаций в социальных сетях, написание текстов и кода, математические и логические рассуждения. Поддерживает интерфейс вызова функций и инструментов. Лицензия — Apache-2.0. README не приводит результаты сравнительных оценок, поэтому заявленные сильные стороны не дают основания судить о качестве на конкретных тестах.

Saxo/Linkbricks-Horizon-AI-Korean-Pro-8B — корейская разговорная языковая модель от Linkbricks, основанная на архитектуре Llama и содержащая 7,5 млрд параметров. По карточке, она дообучена на базе Saxo/Linkbricks-Horizon-AI-Korean-Advanced-8B-COT-boost; в цепочке обучения базовой модели использовались NousResearch/Hermes-3-Llama-3.1-8B, продолженное предобучение, SFT и DPO. Модель рассчитана прежде всего на корейский язык, также поддерживает английский, японский и китайский. Модель предназначена для диалога, генерации и написания текстов, перевода между корейским, китайским, английским и японским, суммаризации, анализа отзывов и публикаций, программирования, математических и логических задач. Указанное контекстное окно — 131 072 токена; доступны веса в формате safetensors, лицензия Apache-2.0. Карточка заявляет усиленную обработку многоязычных задач и сложных рассуждений; независимые показатели качества не приведены.

Qwen3.8-Flash-Next REAP-288 Q8E MLX — оптимизированная сборка базовой модели Qwen/Qwen3.8-Flash-Next, опубликованная пользователем sh0wie. Она предназначена для локального запуска на устройствах Apple с MLX и ориентирована прежде всего на генерацию текста, программирование и агентские сценарии. Мультимодальные веса vision tower сохранены, однако в README оценивалось только качество работы с текстом. Модель относится к классу примерно 180B параметров: 125B приходится на основную модель, ещё 51B — на n-gram embedding table. Архитектура содержит 48 слоёв, чередующих Gated DeltaNet и разреженное внимание Qwen, а MoE-маршрутизация использует top-10 экспертов. В каждом MoE-слое оставлено 288 из 512 экспертов после pruning методом REAP. Тензоры экспертов имеют 8-битное квантование, остальные компоненты, включая attention, embeddings и backbone, — 4-битное. Размер модели около 100 ГБ в памяти, но при потоковой загрузке n-gram table через NVMe может снижаться примерно до 70 ГБ. Сильной стороной сборки является повышенная точность представления экспертных тензоров и совместимость со стандартным mlx-vlm без патчей. При этом pruning остаётся основным источником потери качества: в тесте HumanEval модель получила 90,9%, уступив варианту с полностью 4-битными весами экспертов с результатом 91,5%, поэтому README не рекомендует её большинству пользователей. Поддерживается speculative decoding с отдельной MTP-моделью; заявленное ускорение зависит от оборудования и составляет примерно 1,5–2,6 раза на M5, тогда как на M4 оно близко к нейтральному. Модель распространяется по лицензии qwen-community-license-1.0.

GLM-4.6 — языковая модель компании Zhipu AI из семейства GLM-4 MoE, доступная в репозитории в формате safetensors для Transformers. Она предназначена для диалогов, программирования, рассуждений и агентных сценариев с вызовом инструментов и поиском. По сравнению с GLM-4.5 улучшены результаты в задачах кодирования и рассуждений, качество генерации интерфейсов и естественность стиля. Модель поддерживает контекст до 202 752 токенов и ориентирована прежде всего на английский и китайский языки. Модель подходит для генерации и объяснения кода, работы в агентных фреймворках, выполнения многошаговых задач с инструментами и поиска по запросу. В метаданных указано 23,4 млрд параметров и лицензия MIT. README приводит результаты сравнительных оценок, но не содержит подробностей о методике обучения или гарантий качества на конкретных прикладных задачах.

Chandra — модель оптического распознавания символов от Datalab, построенная на архитектуре Qwen3-VL. Она извлекает текст из изображений и PDF и преобразует документы в Markdown, HTML или JSON, сохраняя сведения о структуре и расположении элементов. Модель предназначена для распознавания печатного и рукописного текста, таблиц, форм с флажками, математических выражений, сложной вёрстки, изображений и диаграмм. В карточке заявлена поддержка более 40 языков. В бенчмарке olmOCR, приведённом разработчиками, Chandra v0.1.0 показала общий результат 83,1 ± 0,9; это собственное сравнение разработчиков. Модель распространяется под лицензией OpenRAIL.

Модель Linkbricks Horizon AI Korean Superb 27B разработана дата-сайентистом компании Linkbricks Джи Юнсоном (Saxo) на основе Google Gemma 2 27B Instruct. Это плотная причинно-следственная языковая модель Gemma 2 с 27,6 млрд параметров, дообученная на корейском языке этапами продолженного предобучения, обучения по инструкциям и DPO. Для обучения использовались крупный корпус корейских новостей, многоязычные данные и примеры для различных задач; токенизатор оставлен от базовой модели. Модель предназначена для диалогов и генерации текста, включая перевод между корейским, китайским, английским и японским языками, суммаризацию, ответы на вопросы, анализ отзывов и публикаций в соцсетях, программирование, письмо, математику и логические рассуждения. Метаданные указывают контекст 8192 токена; в README заявлено окно 128k, поэтому фактическую поддержку столь длинного контекста следует проверять в используемой конфигурации. Модель распространяется под лицензией Apache-2.0.

Yi-34B-200K-DARE-megamerge-v8 — языковая модель на 33,9 млрд параметров, созданная brucethemoose слиянием нескольких моделей Yi 34B 200K методом DARE TIES с помощью mergekit. Дополнительного дообучения при создании слияния не проводилось. Модель предназначена для генерации текста, диалогов и работы с длинным контекстом; автор ориентировал её на качество при контексте от 32 тысяч токенов. Максимальный заявленный нативный контекст — 200 000 токенов. В карточке приведён шаблон Orca-Vicuna; также может работать с ChatML и форматами, похожими на Alpaca. Автор отмечает, что подбор параметров генерации важен: рекомендует низкую температуру и MinP от 0,1, поскольку модель склонна к чрезмерно случайным ответам. Успешность слияния и смещения весов в пользу формата Vicuna автор обозначает как экспериментальную. Модель поддерживает английский язык. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

Dolphin-2.9.1-Phi-3-Kensho-4.5B — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и сообществом Cognitive Computations. Она основана на Phi-3-Mini-Instruct-4k и использует плотную авторегрессионную архитектуру MistralForCausalLM; при обучении применялся qLoRA, а слой PEFT может дублировать слои модели во время вывода, увеличивая число параметров. В метаданных указано 6,4 млрд параметров и контекст 4096 токенов. Модель предназначена для диалогов и выполнения инструкций, генерации кода и математических ответов, а также начальных агентных сценариев и вызова функций. Она использует формат запросов ChatML и обучалась на наборах Dolphin-2.9, OpenHermes-2.5, CodeFeedback-Filtered-Instruction, dolphin-coder, Samantha, Orca Math и других. Карточка заявляет поддержку английского языка. В репозитории доступны веса PyTorch и Safetensors. Лицензия MIT разрешает коммерческое использование. Карточка предупреждает, что фильтрация обучения повышает готовность модели выполнять запросы; перед предоставлением модели пользователям рекомендуется добавить собственный слой выравнивания. Контекст ограничен 4096 токенами.

inception42/jais-family-30b-16k-chat — чат-модель семейства Jais, созданного Inception Institute of Artificial Intelligence. Это дообученная для диалога версия базовой модели inceptionai/jais-family-30b-16k: автор описывает Jais Family как двуязычные англо-арабские большие языковые модели, оптимизированные для арабского языка и обладающие сильными возможностями на английском. Модель предназначена для диалоговых приложений, генерации и понимания текста, анализа тональности и суммаризации арабских и англоязычных документов. Модель имеет архитектуру декодера с авторской реализацией класса, для загрузки которой требуется включить trust_remote_code. В названии указаны размер 30B и контекст 16k; файлы представлены в формате safetensors. Метаданные помечают модель как чат-модель. Лицензия — Apache-2.0. Сильная сторона модели — ориентация на арабский язык при сохранении возможностей английского, включая диалоговые сценарии. Ограничения: ответы ориентированы на арабский и английский, возможны ошибки, предвзятость и оскорбительный либо вводящий в заблуждение контент; модель не предназначена для высокорисковых решений без контроля человека и обработки конфиденциальных данных.

Saxo/Linkbricks-Horizon-AI-Korean-Pro-12B — дообученная языковая модель компании Linkbricks Horizon-AI, подготовленная командой под руководством дата-сайентиста Юнсона Джи (Saxo). В карточке указано, что она создана на базе Saxo/Linkbricks-Horizon-AI-Korean-Advanced-12B и использует архитектуру Mistral; метаданные уточняют класс MistralForCausalLM, плотную архитектуру и размер 12,1 млрд параметров. Модель принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Модель ориентирована прежде всего на работу с корейским языком, а также на задачи с корейским, английским, японским и китайским языками: перевод между ними, суммаризацию, ответы на вопросы, анализ отзывов и публикаций в соцсетях. Карточка также заявляет усиленные возможности в написании текстов и кода, математике, логических задачах и сложном рассуждении. В README заявлено окно контекста 128 тыс. токенов, тогда как метаданные указывают 1 024 000 токенов; это расхождение не позволяет надёжно определить фактическую длину контекста. Модель распространяется в формате safetensors по лицензии Apache-2.0. Указанные сценарии и языки основаны на карточке и метаданных; независимые результаты оценки качества не приведены.

Llama 4 Maverick — мультимодальная инструкционная модель Meta на архитектуре авто-регрессионного Mixture-of-Experts с ранним объединением модальностей. Вариант Maverick включает 17 млрд параметров и 128 экспертов; модель работает через библиотеку Transformers и распространяется в формате safetensors. Модель предназначена для диалогового помощника и задач визуального рассуждения: она принимает текст и изображения, распознаёт и описывает содержимое изображений, отвечает на вопросы о них и поддерживает вызов инструментов через соответствующий интерфейс. Поддерживаемые языки: арабский, немецкий, английский, испанский, французский, хинди, индонезийский, итальянский, португальский, тайский, тагальский и вьетнамский. В README указано, что модель проверялась для понимания до пяти входных изображений. Модель подходит для коммерческого и исследовательского применения на условиях пользовательской Llama 4 Community License. Карточка отмечает статичный характер текущего чекпойнта и ограничивает заявленные сценарии поддерживаемыми языками и возможностями; результаты для большего числа изображений требуют отдельной проверки и настройки.

Llama-Sahabat-AI-v2-70B-IT — инструктивная языковая модель семейства Llama, разработанная PT GoTo Gojek Tokopedia Tbk и AI Singapore при участии Indosat Ooredoo Hutchison. Это плотная авторегрессионная модель-декодер с 69,5 млрд параметров, дообученная для следования инструкциям и диалогов на английском, индонезийском и региональных языках Индонезии. Заявленная длина контекста — 128 тыс. токенов в README и 131 072 токена в метаданных. Модель предназначена для генерации ответов в чате, вопросов и ответов, суммаризации, перевода, анализа тональности, распознавания токсичности, рассуждений и задач на знание местного контекста. В README перечислены индонезийский, яванский, сунданский, батак-тоба и балийский языки; метаданные также отмечают английский, индонезийский, яванский и сунданский. Модель распространяется в формате Safetensors по лицензии Llama 3.1 Community License. Модель может галлюцинировать, выдавать нерелевантные ответы и непоследовательно рассуждать, поэтому её ответы следует проверять. Для развёртывания в прикладных системах разработчикам рекомендуется самостоятельно настроить дополнительную безопасность.

VIDraft/Gemma-3-R1984-1B — диалоговая модель на базе Gemma 3, представленная как мультимодальная платформа с поиском в интернете и обработкой файлов. README указывает базовую модель Gemma-3-4B, тогда как метаданные связывают репозиторий с дообученной google/gemma-3-1b-it; поэтому происхождение и размер надёжнее определяются по метаданным: это дообучение плотной Gemma 3 на 1 млрд параметров. Модель использует Transformers, поддерживает чат и заявленный контекст до 8 000 токенов; метаданные указывают нативный контекст 32 768 токенов. Заявленные сценарии включают ответы на вопросы по изображениям и видео, анализ документов, сравнение материалов и исследовательские запросы с поиском через SERPHouse и цитированием источников. README описывает входные файлы PNG, JPG, JPEG, GIF, WEBP, MP4, PDF, CSV и TXT, однако эти возможности относятся к платформе и не подтверждены архитектурой текстовой модели в метаданных. Для веб-поиска требуется API-ключ SERPHouse; заявленный локальный запуск зависит от окружения и оборудования. Лицензия в метаданных — Gemma; README дополнительно упоминает MIT для агентной платформы.

LayoutLM Document QA — мультимодальная модель команды Impira для ответов на вопросы по документам. Она дообучена на наборах SQuAD 2.0 и DocVQA и предназначена для извлечения ответов из содержимого документов с учётом их визуальной структуры и расположения текста. Модель построена на архитектуре LayoutLMForQuestionAnswering, содержит 151,8 млн параметров и имеет контекст до 514 токенов. Для обработки документов в примерах использования предусмотрены PIL и pytesseract; модель доступна в форматах PyTorch, Safetensors и TensorFlow. Модель подходит для поиска ответов в PDF и других документах с текстовой разметкой. Карточка указывает английский язык. Лицензия — MIT.

Карточка модели neuralforgequantum/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

Qwen-SEA-LION-v4-32B-IT-4BIT — это 4-битная GPTQ-квантизированная версия языковой модели Qwen-SEA-LION-v4-32B-IT, разработанная AI Products Pillar из AI Singapore при финансировании Singapore NRF. Модель относится к декодерным LLM и предназначена для генерации текста и диалоговых сценариев, особенно связанных с языками и задачами Юго-Восточной Азии. Она продолжает предварительное обучение на базе Qwen3-32B и использует его токенизатор. Модель поддерживает контекст длиной до 32 768 токенов и работает с текстовыми данными. Заявлена поддержка бирманского, английского, индонезийского, кхмерского, лаосского, малайского, китайского, тагальского, тамильского, тайского и вьетнамского языков. Обучающие данные включают веб-тексты, код, открытые и синтетически созданные наборы данных; для ряда языков использовано около 100 миллиардов токенов. Квантизация снижает требования к памяти и позволяет запускать модель на потребительских GPU и, согласно README, на ноутбуке, при среднем снижении качества менее чем на 0,3% относительно исходной версии. К ограничениям относятся отсутствие специального safety-выравнивания, непроверенная устойчивость к adversarial prompting, возможные галлюцинации и нерелевантные или фактически неверные ответы. Модель обучалась преимущественно на текстовом бэкенде, поэтому заметных улучшений возможностей работы с изображениями по сравнению с Qwen3-32B не заявлено; фактическую точность следует проверять на целевых задачах. Модель распространяется по лицензии MIT.

T5-Base — языковая модель семейства Text-To-Text Transfer Transformer, разработанная Колином Раффелом, Ноамом Шазиром и соавторами. Она представляет задачи обработки естественного языка в едином формате: принимает текст и генерирует текст. По метаданным, модель содержит 123,8 млн параметров, имеет архитектуру T5ForConditionalGeneration и контекст до 512 токенов; доступна в форматах Flax, PyTorch, Safetensors и TensorFlow. Основная задача этой версии в каталоге — перевод. Авторы также описывают применение T5 для суммаризации документов, ответов на вопросы, классификации, анализа тональности, перефразирования и регрессии, если модель дообучена под конкретную задачу. Модель рассчитана на английский, французский, румынский и немецкий языки и предварительно обучена на корпусе C4 в рамках смеси задач. Лицензия — Apache 2.0. Модель общего назначения, поэтому качество для конкретной задачи зависит от подходящего формата запроса и, часто, от дообучения. README не содержит конкретных оценок качества или подробных сведений об ограничениях и рисках; контекст в 512 токенов ограничивает длину входа.

BgGPT-Gemma-3-4B-IT е многоезиков модел от серията BgGPT 3.0, адаптирана за български език от INSAIT върху Gemma 3. Той е плътен модел с 4 милиарда параметъра, реализиран като Gemma3ForConditionalGeneration и предназначен за разговори и следване на инструкции с текст и изображения. Моделът поддържа разбиране на изображения и текст в общ контекст, многоходови разговори и сложни инструкции. Посоченият в картата ефективен контекст е 131 000 токена. Обучителните данни за предварителното обучение са до май 2025 г., а данните за дообучаване по инструкции — до октомври 2025 г. Подходящ е за визуални въпроси и отговори, разговорни асистенти и работа с инструкции на български и английски. Моделът е дообучение на google/gemma-3-4B-it и се разпространява във формат safetensors. Лицензът е Gemma; при използване трябва да се спазват условията му. За динамична FP8 квантизация при изпълнение README посочва изискване за GPU с compute capability поне 8.9.

German-RAG-PHI-3.5-MINI-4B-ORPO-HESSIAN-AI — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой Avemio AI при поддержке Hessian AI. Это дообученная версия немецко- и англоязычной модели German-RAG-PHI-3.5-MINI-4B-SFT-HESSIAN-AI, настроенная методом ORPO для сценариев генерации с дополнением найденной информацией. Модель предназначена для ответов на вопросы по контексту и документам, извлечения релевантной информации, суммаризации и рассуждений на немецком и английском языках. В карточке указаны 3,7 млрд параметров и контекст до 131 072 токенов. По приведённым в README оценкам, она справляется с отдельными задачами извлечения и рассуждений, однако результаты зависят от задачи и набора данных. Модель доступна в формате safetensors. Метаданные указывают лицензию MIT; README указывает Apache 2.0, поэтому лицензию следует сверить с условиями репозитория перед использованием. Ответы могут содержать фактические ошибки и предвзятость, а модель без фильтрации способна генерировать вредный или чувствительный контент.

QuantFactory/Llama-3.1-8B-EZO-1.1-it-GGUF — квантизированная версия модели HODACHI/Llama-3.1-8B-EZO-1.1-it, созданная с помощью llama.cpp. Исходная модель разработана на базе Meta AI Llama 3.1 и дообучена компанией Axcxept co., ltd. для повышения качества работы с японскими задачами. Модель предназначена для генерации текста, диалоговых ассистентов и других сценариев, требующих следования инструкциям и многоязычной обработки, при этом основной акцент сделан на японском языке. Архитектура основана на Llama 3.1-8B-Instruct; заявлены языки японский и английский. Формат GGUF и квантизация ориентированы на запуск через совместимые инструменты, включая llama.cpp, однако конкретный уровень квантизации, размер файла и поддерживаемая длина контекста в карточке не указаны. Для обучения использовались отобранные данные из Japanese Wikipedia и FineWeb с последующим instruction tuning. Как и другие большие языковые модели, система может генерировать неточные, предвзятые или проблемные ответы, поэтому перед развёртыванием необходимы тестирование безопасности и настройка под конкретное применение. Использование регулируется Llama 3.1 Community License Agreement. Указанные рекомендации сообщать о коммерческом использовании и указывать авторство являются рекомендациями, а не юридическими требованиями.

Карточка модели Mikasa1123/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — открытая многоэтапно дообученная и объединённая версия модели Qwen3.8-27B, опубликованная пользователем biennequants на основе модели DavidAU. В README указаны языки английский и китайский, а также варианты GGUF-квантования с точностью 4 и 8 бит, включая версии с MTP и imatrix. Модель создана с применением методов Cold Fusion, Fable Fusion и инструментов Unsloth; заявленная цель — повысить способности к рассуждению и программированию, сократить объём внутренних рассуждений и ускорить генерацию на потребительском оборудовании. Модель предназначена для решения общих задач, анализа и рассуждений, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Автор заявляет о высоких результатах на тестах ARC-C и ARC-E, превосходстве базовых моделей в ряде бенчмарков и сохранении близкой производительности 4-битной версии к 8-битной, однако эти показатели представлены в README и не подтверждены независимой проверкой. К сильным сторонам относятся сокращённое «мышление», высокая детализация ответов и доступность квантованных вариантов для локального запуска; ограничения включают отсутствие точных сведений о размере контекста, мультимодальных возможностях и системных требованиях, а также потенциально неконтролируемый или откровенный характер ответов, на что указывают обозначения uncensored и heretic. Лицензия — Apache-2.0.

TeleOCR — компактная мультимодальная модель StarDoc-AI для разбора документов по изображениям. В метаданных указаны архитектура Qwen2.5-VL, 507,9 млн параметров, контекст 128 000 токенов и библиотека Transformers; README описывает модель как примерно 1,2-миллиардную. Эти сведения о размере расходятся между источниками. Модель предназначена для извлечения текста и структуры из цифровых и снятых камерой документов, включая искажённые страницы, таблицы и формулы. В README заявлены геометрически ориентированное моделирование, автоматическая генерация и проверка обучающих данных и поэтапное обучение. Модель принимает изображения документов и формирует текстовый разбор; в метаданных также отмечена поддержка чата. Заявлены результаты на нескольких тестах разбора документов, но они приведены авторами и сами по себе не гарантируют качество на конкретных данных. Модель опубликована под лицензией Apache-2.0. Для запуска README предлагает Transformers, PyTorch и Pillow; для полного разбора документов авторы отсылают к отдельному репозиторию.

QuixiAI выпустила WizardLM-1.0-Uncensored-CodeLlama-34b — дообученную на базе CodeLlama-34b языковую модель семейства Llama с 33,5 млрд параметров. Модель обучена на отфильтрованных данных WizardLM Evol Instruct V2 и использует формат запросов, совместимый со стилем Vicuna 1.1. Модель предназначена для генерации текста и кода, выполнения инструкций и диалоговых сценариев. Разработчик сообщает, что обучение было направлено на снижение отказов, уклончивых ответов и смещения; база CodeLlama, по описанию карточки, обеспечивает хорошие возможности для программирования. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 16 384 токенов. Метка «uncensored» не означает полного отсутствия ограничений: в README отмечены унаследованные этические установки LLaMA и отсутствие защитных механизмов. Модель распространяется по лицензии Llama 2; применяйте её с учётом условий этой лицензии и самостоятельно оценивайте генерируемый контент.