IV.5Образование и развитие навыков

BattlescarZa/medibuddy-llm-9B — диалоговая языковая модель, разработанная BattlescarZa на основе VAGOsolutions/Llama-3.1-SauerkrautLM-8b-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, дообученная для генерации текста; карточка указывает использование Unsloth и Hugging Face TRL при обучении. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых текстовых сценариев. Базовая модель рассчитана на немецкий и английский языки, однако карточка этой производной модели не описывает отдельную медицинскую специализацию или подтверждённые медицинские возможности. Лицензия — Apache-2.0.

MobileVLM_V2-1.7B — компактная визуально-языковая модель из семейства MobileVLM V2, разработанного авторами проекта MobileVLM. Она принимает изображение и текстовый запрос и генерирует текстовые ответы, например описания изображения и ответы на вопросы о его содержимом. Модель создана на основе MobileLLaMA-1.4B-Chat для удобного развертывания; в карточке указано 1,3 млрд параметров, архитектура MobileLlamaForCausalLM и контекст 2048 токенов. Для MobileVLM V2 заявлены результаты на стандартных тестах визуально-языковых моделей на уровне или выше ряда более крупных моделей, однако README не приводит конкретные оценки для версии 1.7B. Модель доступна под лицензией Apache-2.0.

Muse-Glimmer-30B-8bit — мультимодальная модель для задач «изображение–текст», преобразованная сообществом mlx-community в формат MLX из базовой модели meta-models/Muse-Glimmer-30B с использованием mlx-vlm версии 0.6.12. Модель предназначена для сценариев, в которых требуется анализировать изображения и генерировать связный текст по визуальному содержимому, например описывать изображения. Из доступных данных известно, что модель имеет размер 30B параметров, представлена в 8-битном варианте и поддерживает работу с изображениями и текстом. Архитектура, список языков, размер контекстного окна, конкретные возможности и ограничения в README не указаны. Для использования требуется библиотека mlx-vlm и среда MLX; приведённый пример запуска рассчитан на генерацию текста по изображению. Модель распространяется по лицензии Apache-2.0. Подробные характеристики, результаты оценки и дополнительные сценарии использования следует уточнять в карточке исходной модели meta-models/Muse-Glimmer-30B.

OmniStep-new — модель семейства OmniSenter, разработанная Chris (Nous Girl) на базе архитектуры Qwen3. Это мультимодальная сборка для диалогов и следования инструкциям, понимания изображений и видео, а также генерации музыки по тексту и текстам песен. В README описаны текстовая основа Qwen3-8B, мультимодальные компоненты Cosmos и модули ACE-Step v1.5 turbo с языковой моделью, DiT и VAE; метаданные указывают 7,6 млрд параметров, контекст до 40 960 токенов и поддержку image-text-to-text. Модель сформирована слиянием весов Darwin Family из компонентов nvidia/Cosmos3-Nano и Qwen/Qwen3-8B; для распространения доступны GGUF F16 и safetensors. Лицензия — Apache-2.0. Модель предназначена для мультимодального чат-ассистента, анализа изображений и видео и создания музыки по текстовому описанию. README называет её базовой сборкой для прямого инференса или последующего обучения с учителем; отдельная агентная LoRA в эту модель не включена. В карточке заявлены генерация музыки и понимание видео, однако метаданные каталога подтверждают только задачи text-generation и image-text-to-text. Учитывая необычную объединённую архитектуру и расхождение числа параметров в README и метаданных, совместимость конкретных функций и сборок стоит проверять на практике.

Open Diffusion V1 (OD-v1) — модель генерации изображений по текстовому описанию, разработанная OpenSkyML. Она предназначена для создания изображений по запросам на естественном языке и доступна для использования через Diffusers, Gradio-демо и Docker-демо. В метаданных указаны поддержка английского, французского и русского языков, а также форматы Diffusers, PyTorch и SafeTensors. Модель распространяется по лицензии CreativeML-OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, архитектурные детали или известные ограничения качества; результат генерации зависит от текстового запроса.

Google PaliGemma 2 3B FT DOCCI 448 — мультимодальная модель на основе Gemma 2 и визуального энкодера SigLIP, дообученная на датасете DOCCI для изображений размером 448×448. Она принимает изображение и текстовый запрос и генерирует текст; семейство PaliGemma 2 поддерживает несколько языков. Репозиторий содержит веса в формате bfloat16 и использует библиотеку Transformers. Модель предназначена для описания изображений и других задач «изображение — текст». Её можно применять для генерации подписей к изображениям и ответов на вопросы о визуальном содержимом. Это однораундовая модель, а не чат-бот с многошаговым диалогом; качество зависит от ясности запроса, и ответы могут содержать фактические ошибки или отражать смещения обучающих данных. Лицензия — Gemma; авторы указывают исследовательское применение весов.

Bioaligned/Qwen3-30B-A3B-CoupledWelfare-deep — слитая версия модели на базе Qwen3-30B-A3B-Instruct-2507, подготовленная Bioaligned. Это диалоговая MoE-модель для генерации текста и ответов на инструкции; продолжительное предобучение (CPT) направлено на формирование «coupled-welfare» установки: учитывать последствия решений для благополучия людей, биосферы и сохранения возможностей самой модели. В карточке заявлено обучение только на корпусе данных, без RLHF и DPO. Модель принимает текст и генерирует текст. Архитектура — Qwen3 MoE; объём параметров по метаданным составляет 2,6 млрд, контекст — до 262 144 токенов. Репозиторий содержит слитые веса в формате Safetensors. Для использования адаптера вместо слитой версии карточка указывает Bioaligned/Qwen3-30B-A3B-CoupledWelfare-deep-qlora, применяемый к исходной базовой модели. Модель подходит для диалогов, генерации текста и рассуждений о решениях с учётом взаимосвязи человеческого благополучия, состояния биосферы и долгосрочных возможностей. Утверждение карточки о мировоззренческом эффекте описывает цель обучения, а не подтверждённую гарантию поведения. Подробные результаты и ограничения вынесены в карточку адаптера. Лицензия — Apache-2.0.

zhengbang0707/Qwen3.5-9B-meSFT — дообученная модель на базе Qwen/Qwen3.5-9B, обученная на наборе данных vlguard_Qwen3.5-9B_meSFT. Это мультимодальная плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают поддержку чата и зрения, а основная задача на Hugging Face — image-text-to-text. В карточке приведён результат оценки: loss 1.1224. Модель предназначена для диалоговых сценариев с изображениями, где требуется сформировать текстовый ответ по визуальному вводу. README не раскрывает конкретные целевые сценарии или ограничения; назначение дообучения можно связать с названием обучающего набора, но его содержание не описано. Лицензия указана как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

Qwen3-VL-8B-Abliterated-Caption-it-GGUF — мультимодальная модель для понимания изображений и генерации текста, разработанная prithivMLmods. Она является GGUF-версией дообученной модели Qwen3-VL-8B-Abliterated-Caption-it, созданной на основе Qwen3-VL-8B-Instruct и адаптированной для подробного, менее ограниченного описания изображений. Модель предназначена прежде всего для image captioning и image-to-text задач: формирования детализированных описаний изображений, включая сцены со сложным, чувствительным или неоднозначным содержанием. Указана поддержка языков English, Chinese и Thai, а также различных соотношений сторон и разрешений изображений. Модель относится к классу VLM и использует архитектуру Qwen3-VL с 8B параметров; для обработки изображений требуется совместимый mmproj-файл. Распространяется в многочисленных GGUF-квантизациях от IQ1 и Q2_K до Q8_0, а также в формате F16 размером 16,4 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. README не содержит результатов бенчмарков, точного размера контекста или подробностей аппаратных требований, поэтому производительность и пригодность для конкретных сценариев следует проверять отдельно. Модель и файлы распространяются по лицензии Apache-2.0.

badokorach/roberta-base-agric-trans-290124 — модель XLM-RoBERTa, дообученная badokorach на базе badokorach/xlm-roberta-base-finetuned-mlqa для ответов на вопросы. Она принимает вопрос и текстовый контекст и предназначена для извлечения ответа из контекста. Модель содержит 305,2 млн параметров, имеет длину контекста 514 токенов и опубликована в формате TensorFlow. Модель лицензирована по MIT. В карточке приведены Train Loss 0,7363, Validation Loss 0,0 и обучение в течение 9 эпох; датасет обучения не назван. Описание не уточняет специализацию на сельском хозяйстве или переводе, поэтому такие сценарии нельзя подтвердить по доступным сведениям.

Tess-M-v1.1 — экспериментальная версия универсальной серии больших языковых моделей Tess от migtissera. Модель основана на Yi-34B-200K и дообучена для генерации текста; архитектура — плотная LlamaForCausalLM, размер — 33,9 млрд параметров. Контекстное окно составляет 200 000 токенов. Модель предназначена для диалогов и других задач генерации текста общего назначения. В README указаны стабильная версия Tess-M-v1.3 и формат промпта с ролями SYSTEM, USER и ASSISTANT. Репозиторий содержит веса Safetensors. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами репозитория. Версия v1.1 помечена автором как экспериментальная и устаревшая; для использования рекомендована Tess-M-v1.3. Специализированные области и дополнительные языки в доступных сведениях не указаны.

ClaudioItaly/Book-Gut12B — объединённая языковая модель, созданная с помощью mergekit методом SLERP из nbeerbower/Stella-mistral-nemo-12B-v2 и nbeerbower/mistral-nemo-gutenberg-12B-v2. Модель основана на плотной архитектуре MistralForCausalLM, содержит 12,1 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. Модель может подойти для написания и продолжения текста, в том числе книжного, а также для общения в формате чата. Она принимает и выдаёт текст; заявленная длина контекста составляет 1 024 000 токенов. Модель распространяется в формате safetensors по лицензии MIT.

microsoft/git-base-textcaps — модель семейства GIT (Generative Image-to-text), разработанная Microsoft и дообученная на наборе TextCaps. Это трансформер-декодер, который обрабатывает токены изображения, полученные из CLIP, и генерирует текстовые токены. Модель содержит 80,1 млн параметров и рассчитана на контекст до 1024 токенов. Основное назначение этой версии — создание подписей к изображениям, в том числе с распознаванием текста, встречающегося на изображении. Семейство GIT также применимо к визуальным вопросам и ответам и классификации изображений через текстовую генерацию, однако эти сценарии не заявлены как специализация данного чекпойнта. В карточке указан английский язык. Модель принимает изображения и текстовый контекст и выдаёт текст. Ограничение: это специализированная версия для TextCaps, поэтому её качество на других задачах и типах изображений может отличаться; подробные результаты оценки приведены в статье. Лицензия — MIT.

drbaph/HiDream-O1-Image-FP8 — вариант модели HiDream-O1-Image в смешанной точности FP8, подготовленный для запуска через ComfyUI. В README указано, что исходная модель разработана командой HiDream-ai и использует архитектуру Pixel-level Unified Transformer (UiT) с 9 млрд параметров: она работает с пикселями, текстом и условиями задачи в общем пространстве токенов, без внешнего VAE и отдельных текстовых энкодеров. По метаданным модель связана с архитектурой Qwen3-VL и использует библиотеку Diffusers. Модель предназначена для создания изображений по текстовому описанию, редактирования изображений по инструкциям, персонализации по нескольким референсам и генерации раскадровок. README заявляет генерацию с разрешением до 2048 × 2048, поддержку длинного текста и многоязычного текста на изображениях, а также встроенного агента рассуждения для уточнения компоновки перед генерацией. FP8-вариант хранит веса в формате float8_e4m3fn, сохраняя отдельные чувствительные слои в более высокой точности; в README для него указано около 10 ГБ видеопамяти и небольшое снижение качества относительно вариантов BF16 и FP16. Для работы рекомендуется ComfyUI с пользовательским узлом HiDream_O1-ComfyUI. Модель распространяется по лицензии MIT. Заявления о качестве и сравнении с другими моделями приведены в README как результаты исходной модели; отдельная независимая оценка именно этой FP8-квантизации не описана.

Карточка модели FreedomIntelligence/HuatuoGPT-7B на Hugging Face совпадает с карточкой FreedomIntelligence/HuatuoGPT-13b-delta, поэтому описание составлено по ней. HuatuoGPT-13b-delta — языковая модель семейства LLaMA с 12,9 млрд параметров, представленная проектом HuatuoGPT. Репозиторий направляет к проекту, но не содержит подробностей о назначении и обучении именно этой версии. Модель использует архитектуру LlamaForCausalLM, принимает текст и генерирует текст. В метаданных указано контекстное окно 2048 токенов и формат PyTorch. Лицензия — Apache-2.0.

Craftly-Image-2.1 — модель генерации изображений по текстовому описанию, представленная как разработка Craftly AI Labs. В README она описана как диффузионный трансформер в латентном пространстве (DiT) с flow-matching планировщиками, текстовым энкодером CraftlyVision-7B-Instruct и 16-канальным пространственным VAE. Модель предназначена для фотореалистичной генерации, рендеринга текста на изображениях и создания сложных пространственных композиций. Заявлена поддержка динамического соотношения сторон и разрешения до 2K; метаданные указывают английский и китайский языки. Репозиторий содержит формат Diffusers и веса Safetensors. В README приведён пример запуска с bfloat16 на CUDA. Лицензия указана как other, поэтому условия использования следует проверять в файлах репозитория.

Kandinsky 2.1 — модель генерации изображений по тексту, разработанная Арсением Шахматовым, Антоном Разжигаевым, Александром Николичем, Игорем Павловым, Андреем Кузнецовым и Денисом Димитровым. Она предназначена для создания изображений по запросам, а также для редактирования и преобразования изображений под текстовым управлением и интерполяции между изображениями. Модель сочетает подходы unCLIP и латентной диффузии: включает трансформерный image prior, диффузионную UNet и декодер MoVQGAN. CLIP-кодировщик преобразует текст и изображения в эмбеддинги; image prior связывает эти пространства, а диффузионная часть формирует изображение. Для обучения использовались данные LAION и дополнительные высококачественные изображения с описаниями. Модель доступна в формате Diffusers и поддерживает работу через библиотеку diffusers. Репозиторий распространяется по лицензии Apache-2.0. Это генеративная модель, поэтому результат зависит от формулировки запроса и может не соответствовать ему точно; описание не приводит отдельных гарантий качества для конкретных сценариев.

Llama3-Omphalos-12B — объединённая модель на архитектуре Llama, созданная автором репозитория с помощью LazyMergekit на основе bluuwhale/L3-SthenoMaidBlackroot-8B-V1 и Casual-Autopsy/L3-Umbral-Mind-RP-v1.0-8B. Модель содержит 11,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и чат-диалогов; базовые модели ориентированы на ролевые диалоги и написание историй. В репозитории указаны веса Safetensors. Лицензия в предоставленных данных не указана.

ccdv/lsg-bart-base-4096-arxiv — модель ccdv, дообученная для суммирования научных статей из набора scientific_papers, в частности статей arXiv. Она использует архитектуру BART с механизмом Local-Sparse-Global attention для обработки длинных последовательностей и рассчитана на контекст до 4096 токенов. В метаданных указано 95,2 млн параметров; README сообщает примерно о 145 млн параметров и шести слоях энкодера и декодера, поэтому оценки размера расходятся. Модель принимает текст статьи и генерирует её краткое содержание. README приводит результаты ROUGE на тестовом наборе и показывает, что настройки внимания с разным размером блока дают разные показатели качества и затрат ресурсов. Для работы требуется Transformers версии 4.36.1 или новее и включение trust_remote_code=True, поскольку используется пользовательский файл моделирования. Лицензия в предоставленных данных не указана.

Это диалоговая языковая модель на архитектуре Qwen3 с 7,6 млрд параметров, созданная дообучением Qwen/Qwen3-8B командой yileitu на наборе aligned_5w_data_from_upsampled_M2_FFT_upsampled_50k_20260130_194206. Модель предназначена для генерации текста в диалоговом формате; каталог также отмечает поддержку общения. Модель принимает текст и генерирует текст. Контекстное окно составляет 40 960 токенов. В карточке не описаны специализация обучающего набора, результаты оценки или конкретные сценарии, поэтому назначение модели можно определить только как общее текстовое общение и генерацию. Лицензия указана как other, без уточнения условий в доступных данных.

Это GGUF-пересборка BF16 модели NOESIS-Qwen3-TTS-1.7B-Talker-Combo-LLM2-ASR2, подготовленная mradermacher. Базовая модель AMAImedia объединяет Qwen3-TTS Talker и языковые адаптеры для многоязычного синтеза речи в системе дубляжа NOESIS; в репозитории представлены статические варианты GGUF и мультимодальные дополнения mmproj. Модель предназначена для преобразования текста в речь, включая сценарии многоязычного дубляжа и клонирования голоса. В тегах указаны поддержка 112 языков, voice cloning и zero-shot voice cloning. Для запуска GGUF нужны совместимые средства; README содержит варианты файлов и общие указания по их использованию, но не описывает точную процедуру синтеза или условия клонирования голоса. Репозиторий распространяется по лицензии Apache-2.0. Данных о размере контекста и конкретных ограничениях качества в карточке нет.

SciLitLLM-7B — языковая модель Uni-SMART для понимания научной литературы. Она создана на основе Qwen2-7B с помощью продолженного предварительного обучения и supervised fine-tuning, чтобы расширить знания модели в научной области и улучшить выполнение инструкций для профильных задач. Архитектура — плотная Qwen2 с 7,1 млрд параметров; модель поддерживает чат и контекст до 131 072 токенов. Модель предназначена для работы с научными текстами и показала улучшение средних результатов на бенчмарках SciAssess и SciRIFF относительно ведущих LLM менее чем с 15 млрд параметров. В карточке не перечислены конкретные поддерживаемые языки и отдельные задачи помимо генерации текста. Лицензия — MIT.

hung200504/test-bert-3 — дообученная модель на архитектуре BERT для извлечения ответов на вопросы из текста. Она основана на hung200504/test-bert-2 и содержит 136,7 млн параметров; максимальная длина контекста составляет 512 токенов. Модель предназначена для сценариев, где нужно найти ответ на вопрос в предоставленном фрагменте текста. В README указан результат Loss 11,6031 на наборе оценки, но набор данных и подробности оценки не описаны. Базовая модель охарактеризована в каталоге как англоязычная, поэтому основным языком модели считается английский. Весы представлены в формате PyTorch; лицензия в предоставленных данных не указана.

VACE-Wan2.1-1.3B-Preview — модель Tongyi Lab для создания и редактирования видео, дообученная на базе Wan2.1-T2V-1.3B. Она объединяет генерацию видео по референсным изображениям, редактирование видео по видео и редактирование с маской. Можно комбинировать сценарии, например перемещать или заменять объекты, анимировать изображения и расширять видео. Модель принимает текстовый запрос и, в зависимости от сценария, видео, маску и изображения; результатом служит видео. В README для этой версии указан ориентир размера ролика около 81 кадра при разрешении 480 × 832; поддерживаются и другие разрешения, но оптимальные результаты ожидаются в заданном диапазоне. Метаданные указывают английский и китайский языки. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Voxtral-Mini-3B-2507-estonian-GGUF — GGUF-квантизированная версия модели Voxtral-Mini-3B-2507-estonian, разработанной TalTechNLP и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для мультимодальной работы с аудио, включая распознавание эстонской речи, транскрипцию, перевод и задачи понимания аудиосодержимого. Заявлены эстонский и английский языки. Модель относится к семейству Voxtral и имеет размер около 3 млрд параметров; точные сведения об архитектуре и размере контекстного окна в README не указаны. Для работы с аудио доступны отдельные мультимодальные компоненты mmproj в вариантах Q8_0 и f16. Представлены квантизации от Q2_K до Q8_0, а также вариант f16; размеры файлов составляют примерно от 1,8 до 8,1 ГБ. В README рекомендуются Q4_K_S и Q4_K_M как быстрые варианты, а Q8_0 описан как вариант с лучшим качеством. К сильным сторонам относятся поддержка аудио и эстонского языка, мультимодальные сценарии и широкий выбор уровней квантизации для подбора баланса между качеством, скоростью и требованиями к памяти. Ограничения включают отсутствие подробных данных о точности, контекстном окне, архитектуре и поддерживаемых режимах вывода; качество зависит от выбранной квантизации. Модель распространяется под лицензией Apache-2.0.

Elizabeth Mwangi выпустила дообученную модель распознавания речи на базе Whisper large-v3. Это второй этап дообучения модели ElizabethMwangi/whisper-large-v3-swahili-afrivoice-cv на наборе CDLI Kenyan Swahili Nonstandard Speech; модель предназначена для транскрибации нестандартной речи на суахили, включая дизартричную речь, заикание и другие атипичные речевые особенности. Модель принимает аудио и выдаёт текст. В карточке приведены результаты оценки: общий WER 0,2932 и CER 0,1289; средний WER составляет 0,3011. Для речи лёгкой, умеренной и тяжёлой степени выраженности указаны WER 0,203, 0,253 и 0,333 соответственно. Модель распространяется под лицензией Apache-2.0.

Zyphra ZR1-1.5B-GGUF — это набор квантизированных вариантов текстовой генеративной модели ZR1-1.5B, разработанной Zyphra и подготовленной пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая задачи, связанные с математикой и программированием; среди использованных датасетов указаны AI-MO/NuminaMath-CoT, codeparrot/apps, deepmind/code_contests, BAAI/TACO и MatrixStudio/Codeforces-Python-Submissions. Заявленный язык — английский. В набор входят версии с разными уровнями квантизации — от BF16 до 2-битных вариантов, с размером файлов примерно от 0,75 до 3,56 ГБ. Более качественными и рекомендуемыми автор считает варианты Q6_K_L, Q6_K, Q5_K_L, Q5_K_M, Q4_K_L, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; версии с меньшей разрядностью экономят оперативную память, но снижают качество. Архитектура исходной модели, максимальная длина контекста, точное число параметров и поддерживаемые модальности в README не указаны; из идентификатора и названия следует размер класса 1,5B, но дополнительные характеристики подтверждены не были. Модель можно запускать через LM Studio, llama.cpp и другие проекты на его основе. Приведён специальный формат промпта с ролями system, User и Assistant, поэтому при использовании следует придерживаться указанной шаблонной структуры. Основные ограничения — небольшая ёмкость модели, возможное ухудшение качества в квантизированных версиях и отсутствие данных о производительности, безопасности и поддержке языков помимо английского. Лицензия — MIT.

C4AI Command R+ 08-2024 — большая авторегрессионная языковая модель семейства Cohere, опубликованная Cohere и Cohere For AI; данная версия размещена Unsloth. Модель содержит 103,8 млрд параметров, использует архитектуру Transformer с grouped-query attention и принимает текст, выдавая текст. Контекстное окно — 128K токенов. Модель предназначена для диалогов, ответов на вопросы, суммаризации, рассуждений и генерации с опорой на предоставленные документы (RAG). Она обучена работать с инструментами в несколько шагов, например для поиска информации и автоматизации составных задач. Поддерживает 23 языка, включая английский, русский, китайский, арабский, японский и другие; оценивалась на 10 языках. Модель дообучена с помощью supervised fine-tuning и обучения предпочтениям. Для использования возможностей работы с инструментами рекомендуется соблюдать специальный шаблон диалога; отклонение от него может снизить качество. Лицензия CC-BY-NC-4.0 запрещает коммерческое использование и требует соблюдения Acceptable Use Policy C4AI.

GigaChat 3.5 Reasoning — текстовая модель компании-разработчика GigaChat, представленная в репозитории ai-sage как дообучение базовой модели GigaChat3.5-432B-A28B-base. Это модель Mixture-of-Experts с 432 млрд параметров и 28 млрд активных параметров; репозиторий содержит веса BF16 для дообучения и собственной квантизации. Архитектура сочетает Multi-head Latent Attention и линейные слои GatedDeltaNet, а три MTP-головы поддерживают спекулятивное декодирование. Контекст — до 262 144 токенов. Модель предназначена для диалогов и выполнения инструкций с усиленными возможностями рассуждения: особенно в математике, программировании, следовании инструкциям и структурированном выводе. Обучение включает онлайн RL на доменных экспертах и их объединение с помощью on-policy distillation. Поддерживаются русский и английский языки, а также вызов функций. Для запуска в README описана интеграция с SGLang. Лицензия — MIT. Репозиторий содержит веса BF16, предназначенные для дообучения и квантизации; для инференса README указывает отдельную модель GigaChat3.5-432B-A28B-Reasoning. Это крупная модель, для запуска которой нужна соответствующая вычислительная инфраструктура. Приведённые в карточке результаты бенчмарков зависят от указанных протоколов оценки.

unsloth/Qwen3-VL-4B-Thinking-GGUF — GGUF-версия мультимодальной модели Qwen3-VL-4B-Thinking, разработанной командой Qwen и подготовленной Unsloth с исправлениями шаблона чата. Модель предназначена для обработки текста и изображений, визуального понимания и рассуждений, анализа документов, OCR, STEM- и математических задач, пространственного анализа, понимания видео, а также взаимодействия с графическими интерфейсами и инструментами. Модель имеет плотную архитектуру с 4 млрд параметров и относится к reasoning-ориентированной версии Thinking. Заявлена поддержка контекста длиной 256K токенов с возможностью расширения до 1M, а также обработки изображений, видео и текста. Среди архитектурных особенностей указаны Interleaved-MRoPE для временных и пространственных измерений, DeepStack для объединения многоуровневых визуальных признаков и выравнивание текста с временными метками для анализа событий в видео. OCR поддерживает 32 языка, однако полный перечень языков в README не приведён. Сильные стороны модели — сочетание языкового и визуального понимания, мультимодальное рассуждение, работа с длинным контекстом, пространственными отношениями, видео и сложными визуальными документами. Ограничения, связанные с точностью, вычислительными требованиями и конкретными параметрами GGUF-квантизации, в README не описаны; фактические возможности зависят от используемого варианта файла и среды запуска. Модель распространяется по лицензии Apache-2.0.