IV.5Образование и развитие навыков

InternVL3-78B-GGUF — мультимодальная большая языковая модель семейства InternVL3, подготовленная Unsloth на основе OpenGVLab/InternVL3-78B. Модель предназначена для обработки текста и изображений, мультимодального восприятия и рассуждений, а также для сценариев с использованием инструментов, GUI-агентами, промышленным анализом изображений и восприятием 3D-сцен. Указанный вариант распространяется в формате GGUF. Архитектура модели следует схеме ViT-MLP-LLM: визуальная часть использует InternViT-6B-448px-V2_5, языковая — Qwen2.5-72B, объединённые через MLP-проектор. Размер модели — 78B параметров. Модель поддерживает мультимодальные входы и заявлена как многоязычная, однако точный перечень языков и размер контекстного окна в README не указаны. Обучение связано с набором данных OpenGVLab/MMPR-v1.2. К сильным сторонам относятся сочетание крупной языковой и визуальной подсистем, развитые возможности мультимодального анализа и рассуждений, а также поддержка специализированных агентных и визуальных задач. Ограничения включают высокие требования к вычислительным ресурсам, характерные для модели такого размера, и отсутствие в README подробных данных о производительности, контекстном окне и языковом покрытии. Лицензия указана как other с названием qwen; приведена ссылка на лицензию Qwen2.5-72B-Instruct.

Карточка модели shtilev/medical_embedded_v6 на Hugging Face совпадает с карточкой sentence-transformers/paraphrase-multilingual-mpnet-base-v2, поэтому описание составлено по ней. paraphrase-multilingual-mpnet-base-v2 — многоязычная модель Sentence Transformers, обученная командой sentence-transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768, пригодные для семантического поиска, сравнения сходства и кластеризации текстов. Архитектура основана на XLM-RoBERTa; модель содержит 305,2 млн параметров и поддерживает контекст до 514 токенов. Модель подходит для поиска семантически близких фрагментов и группировки текстов на разных языках. Она доступна в форматах PyTorch, Safetensors, TensorFlow, ONNX и OpenVINO. Лицензия — Apache-2.0. Результат модели — векторное представление текста, поэтому для получения оценки сходства или поиска требуется сравнить векторы подходящим методом.

Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic-GGUF — GGUF-квантизации модели Qwythos-9B-Claude-Mythos-5-1M, разработанные независимым автором LLMfan46 на базе модели llmfan46/Qwythos-9B-Claude-Mythos-5-1M-uncensored-heretic. Модель предназначена для генерации текста, задач рассуждения, работы с длинным контекстом, function calling и tool use, а также агентских, кибербезопасностных и биомедицинских сценариев. Заявлена поддержка английского языка и контекста до 1M токенов; библиотека — Transformers. Архитектура и точные параметры квантизации в README не указаны, однако размер базовой модели составляет 9B параметров. Это декензурированная версия, полученная с помощью Heretic v1.2.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA), применённого к компонентам attn.o_proj, attn.out_proj и mlp.down_proj. По приведённым данным, частота отказов снизилась до 11 из 100 против 73 из 100 у исходной модели, при KL divergence 0,0123; при этом заявлено сохранение качества. В тесте MMLU исходная модель показала точность 77,03%, но отдельные результаты именно этой версии не приведены. Сниженная склонность к отказам может быть полезна для исследовательских и специализированных сценариев, но также повышает риски небезопасной генерации, поэтому необходимы контроль применения и проверка результатов. Модель распространяется по лицензии Apache-2.0.

GigaChat 3.5 Ultra Base — базовая языковая модель семейства GigaChat, опубликованная ai-sage. Это предварительно обученный чекпойнт для продолжения обучения и генерации текста; для диалогового использования с выполнением инструкций в README рекомендуется отдельная instruct-версия. Модель предназначена для многоязычных сценариев, рассуждений, программирования и агентных систем с использованием инструментов. По README, архитектура — MoE с 432 млрд параметров всего и 28 млрд активных параметров, гибридным вниманием MLA и GatedDeltaNet и двумя головами Multi-Token Prediction. Указаны поддержка контекста до 131 072 токенов и языки русский и английский. Метаданные указывают 25 млрд параметров, поэтому размер модели в источниках расходится. Репозиторий содержит веса Safetensors; лицензия — MIT. Большой контекст, MoE и гибридное внимание рассчитаны на эффективную генерацию при длинных запросах, а README сообщает о сильных результатах на тестах кода, математики и рассуждений. Для запуска такой крупной модели требуется кластерная инфраструктура. Это базовая, а не выровненная instruct-модель: её поведение в диалоге и следование инструкциям может быть ограничено.

LongCat-2.0-INT8 — 8-битная версия крупной разреженной MoE-языковой модели LongCat-2.0, разработанная командой Meituan LongCat. Модель предназначена для генерации текста, понимания кода, редактирования репозиториев, автоматизированного выполнения задач и агентских рабочих процессов. В метаданных Hugging Face указаны 42,1 млрд параметров и контекст до 262 144 токенов; README базовой модели описывает архитектурные технологии LongCat Sparse Attention, N-gram Embedding и поддержку многотокенного предсказания.

Dingdust/NeoHorse-1-9B-heretic — текстовая причинная языковая модель на архитектуре Qwen3.5, дообученная TokenRhythm на базе Qwen/Qwen3.5-9B и подготовленная для текстового инференса. Она рассчитана на диалог, следование инструкциям, программирование, рассуждения, использование инструментов и работу в агентных сценариях. По данным карточки, модель содержит 7,2 млрд параметров, поддерживает контекст до 262 144 токенов и распространяется в формате Safetensors; визуальные веса в этой версии отсутствуют. Модель предназначена для локального развёртывания через SGLang или vLLM с OpenAI-совместимым интерфейсом. В отчёте авторов приведено сравнение на десяти бенчмарках, однако примеры развёртывания для этой перепакованной версии ещё не проверены на GPU. Метаданные указывают лицензию Apache-2.0. Тег «heretic» и результаты теста отказов указывают на снижение частоты отказов по сравнению с исходной моделью, поэтому поведение при запросах с потенциально небезопасным содержанием может быть менее ограничительным.

Qwen3.8-27B-Uncensored-GPTQ-Int4-sym-G128-MTP-BF16 — это квантизированная версия модели JonathanColetti/Qwen3.8-27B-Uncensored, созданная на базе Qwen/Qwen3.8-27B. Модель предназначена для генерации текста, включая программирование, работу с прозой и вызов инструментов. Она разработана для эффективного запуска на видеоускорителях Intel Arc через vLLM XPU и поддерживает speculative decoding благодаря сохранённой в формате BF16 MTP-голове. Модель использует GPTQ-квантизацию до 4 бит с симметричными группами размера 128; 400 тензоров весов представлены в целочисленном формате I32, а 15 MTP-тензоров сохранены в BF16. Размер репозитория составляет около 19 ГБ. Заявлены языки English и Chinese. Архитектура основана на гибридной GDN/Mamba-конфигурации Qwen3.8, максимальный проверенный контекст — 120 532 токена, при заявленном лимите до 131 072 токенов. Сильные стороны модели — существенно меньшие требования к памяти по сравнению с BF16-версией, поддержка Intel Arc/XPU, длинного контекста, MTP и высокая измеренная скорость генерации на Intel Arc Pro B70: до 68,5 токена в секунду для кода и 52,4 токена в секунду для прозы. Ограничения включают отсутствие формальных оценок качества, калибровку без примеров кода, необходимость специальных патчей vLLM и режима с одной последовательностью при использовании MTP. Префиксное кэширование не даёт выигрыша, а FP8 KV-кэш обязателен для контекста 128K на GPU с 32 ГБ памяти. Поведение «uncensored» унаследовано от исходной модели и не проходило количественной проверки. Указана лицензия Apache-2.0.

Xiaomi-OCR-0 — компактная мультимодальная модель для распознавания и понимания документов, разработанная SeerRay Lab на основе Qwen3.5-0.8B-Base. Это плотная vision-language модель с 0,8 млрд параметров, дообученная на корпусе примерно из 170 млн примеров OCR-задач; для запуска используется библиотека Transformers, веса опубликованы в формате safetensors. Модель принимает изображения документов и текстовые запросы, а в ответ формирует текст: распознаёт и структурирует содержимое страниц, включая таблицы и формулы, отвечает на вопросы по документам и извлекает ключевые поля. В карточке приведены результаты на наборах для стандартных, искажённых и переснятых документов, OCR-вопросов, распознавания формул и таблиц. Заявленные показатели являются результатами разработчиков и не гарантируют качество на конкретных данных. Модель рассчитана на задачи OCR и анализа документов, в том числе чеков, сканов, фотографий и рукописного текста. Длина контекста и поддерживаемые естественные языки в предоставленных данных не указаны. Лицензия — Apache-2.0.

Карточка модели usama1111/e5-pak-legal-constitutional на Hugging Face совпадает с карточкой intfloat/multilingual-e5-base, поэтому описание составлено по ней. Multilingual-E5-base — многоязычная модель для получения эмбеддингов текста, разработанная авторами технического отчёта Multilingual E5. Она основана на XLM-RoBERTa-base и продолжительно обучена на смеси многоязычных наборов данных. Модель имеет 12 слоёв, размер эмбеддинга 768 и около 305,2 млн параметров; поддерживает до 512 токенов текста и доступна в форматах PyTorch, Safetensors, ONNX и OpenVINO. Модель предназначена для поиска по смыслу, сопоставления предложений и текстов, семантической близости, поиска парафразов и межъязыкового поиска. Для асимметричного поиска используйте префиксы «query: » и «passage: », а для симметричных задач и извлечения признаков — «query: »; без префиксов качество может снизиться. Поддерживается около 100 языков, включая русский, хотя для языков с малым объёмом данных качество может быть ниже. Лицензия — MIT.

Модель deman539/legal-ft-snowflake-l-94559c3c-e86d-40df-86f3-b60b1e6a59e8 — дообученная версия Snowflake/snowflake-arctic-embed-l, разработанная автором репозитория на базе Sentence Transformers. Она кодирует предложения и абзацы в плотные векторы размерности 1024 для семантического поиска, сравнения сходства текстов и поиска перефразировок. В README также перечислены кластеризация и классификация текстов как возможные сценарии использования. В основе — BERT с пуллингом CLS-токена и нормализацией векторов; сходство измеряется косинусной близостью. Максимальная длина входа составляет 512 токенов. Модель обучалась на 156 парах предложений и документов; README приводит результаты оценки поиска на тестовом наборе, но они не характеризуют качество на других данных. Данных о лицензии в предоставленных источниках нет.

LightOnOCR-2-1B-bbox-soup — объединённая модель LightOnAI на 1 млрд параметров для распознавания и разбора документов. Это плотная vision-language модель семейства Mistral 3, принимающая изображения страниц и выдающая текст; вариант bbox-soup объединяет улучшения OCR с обучением на локализацию текста и предназначен также для вывода ограничивающих рамок. Модель подходит для преобразования PDF-страниц, сканов и фотографий документов в текст с естественным порядком чтения, обработки таблиц и форм, а также локализации текста на изображении. В карточке заявлены улучшения для французского языка, документов arXiv, сканов и обработки LaTeX. Для PDF рекомендуется предварительно рендерить каждую страницу в PNG или JPEG с максимальной стороной около 1540 пикселей. README сообщает о высокой скорости и результатах на OlmOCR-Bench, но численные сравнения в карточке приведены неполно, поэтому их следует сверять с публикацией. Для работы требуется версия Transformers из исходного кода, ещё не включённая в стабильный выпуск. Модель распространяется по лицензии Apache-2.0.

unsloth/GLM-4.7 — вариант GLM-4.7, опубликованный Unsloth с исправлениями шаблона чата. Это англо-китайская языковая модель для генерации текста и диалогов, рассчитанная в том числе на программирование, агентные сценарии с вызовом инструментов и сложные рассуждения. Модель имеет архитектуру GLM4 MoE и 23,4 млрд параметров; заявленная длина контекста — 202 752 токена. Поддерживаются английский и китайский языки. Модель подходит для многошаговой работы с кодом и терминалом, генерации интерфейсов и слайдов, диалогов и задач, где нужно вызывать инструменты. README описывает чередование рассуждений и действий, сохранение контекста рассуждений между ходами и управление режимом рассуждения на уровне хода. Репозиторий содержит веса safetensors и предназначен для использования с Transformers, vLLM и SGLang; для llama.cpp указано использовать шаблон Jinja. Лицензия — MIT. Заявленные сильные стороны — программирование, агентное использование инструментов и математические рассуждения. Качество ответов и результатов на конкретных задачах может различаться; для агентных сценариев README рекомендует включать сохранение рассуждений. Показатели в карточке приведены на бенчмарках и не гарантируют результат в прикладном сценарии.

GOT-OCR 2.0 — мультимодальная модель для распознавания текста в изображениях, представленная командой авторов, перечисленных в карточке проекта General OCR Theory. Она реализует подход OCR-2.0 как единую сквозную модель и предназначена для извлечения текста из изображений; в метаданных также указана поддержка задач генерации текста и image-text-to-text. Модель использует плотную архитектуру GOTQwenForCausalLM и содержит 463,8 млн параметров. Она принимает изображения и выдаёт текст; карточка заявляет мультиязычную поддержку. Для запуска README приводит пример инференса через Hugging Face Transformers на GPU NVIDIA. В метаданных указан контекст 32 768 токенов, хотя его практическая роль для OCR в README не раскрыта. Модель опубликована под лицензией Apache-2.0. README не приводит количественных оценок качества или подробностей о поддерживаемых языках и форматах OCR, поэтому применимость к конкретным языкам и типам документов следует оценивать отдельно.

Карточка модели dshive/Kimi-K2.6 на Hugging Face совпадает с карточкой moonshotai/Kimi-K2.6, поэтому описание составлено по ней. Kimi K2.6 — открытая мультимодальная агентная модель компании Moonshot AI для сложных задач программирования, проектирования интерфейсов, автономного выполнения многошаговых задач и координации групп агентов. В карточке Hugging Face указана архитектура семейства Kimi K2.5 для условной генерации, а README описывает MoE-модель с 1 трлн параметров, из которых активны 32 млрд. Модель принимает текст, изображения и видео; заявленная длина контекста в описании испытаний составляет 262 144 токена. Модель предназначена для создания и изменения кода, генерации интерфейсов по текстовым и визуальным запросам, а также выполнения задач с инструментами и параллельными агентами. По данным README, она может координировать до 300 подагентов и 4 000 шагов и рассчитана на работу с языками программирования, включая Rust, Go и Python. Метаданные Hugging Face отмечают чат-возможность и задачи генерации текста и преобразования изображений в текст. Указана лицензия other; её конкретные условия следует проверять в репозитории модели. README сообщает о нативной INT4-квантизации и рекомендует vLLM, SGLang и KTransformers для запуска.

MOTHER CORE V3 — языковая модель MediaStream AI (MSAI), разработанная MediaStream AI Limited в Великобритании. Это плотный трансформер с архитектурой MotherCoreForCausalLM и примерно 6,7 млрд параметров по метаданным (в README указано около 6,9 млрд). Контекст модели — 4096 токенов; для работы используется библиотека Transformers и пользовательский код модели через trust_remote_code. Модель предназначена для генерации текста и агентных сценариев: пошаговых рассуждений, вызова инструментов, поиска и синтеза ответов по документам с цитатами, многошаговых рабочих процессов, генерации кода и документов. В README заявлены навыки работы с математикой, научными и общими вопросами, а также вертикальными задачами в финансах, комплаенсе, страховании и управлении рисками. Упоминается обучение на английском, валлийском, ирландском и шотландском гэльском; метаданные подтверждают английский. README сообщает о результате 81 из 105 задач на внутреннем агентном бенчмарке и низкой склонности к деградации, но это оценка разработчика. Известные ограничения: маршрутизация по форматам файлов бывает неточной, арифметические ответы следует проверять, а знания модели ограничены временем обучения. Лицензия обозначена как other, без уточнения условий в предоставленных данных.

Chitrapathak-1 — мультиязычная OCR-модель от Krutrim AI Labs для распознавания текста на изображениях документов. Она использует мультимодальную архитектуру LLaVA-типа: визуальный энкодер CLIP ViT-L/14-336, двухслойный MLP-проектор и языковую модель Krutrim-1 7B. Модель преобразует документ в текст напрямую; для плотных страниц применяет разбиение изображения на фрагменты с учётом его пропорций и общий обзор страницы. Модель предназначена для транскрибирования печатных документов на хинди, санскрите, бенгальском, маратхи, тамильском, телугу, каннада, малаялам, пенджаби и ория. По карточке, обучение включало мультимодальное предварительное обучение проектора и последующую настройку на OCR-данных: визуальный энкодер оставался замороженным, а на втором этапе совместно обучались проектор и языковая модель. Модель представлена в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в материалах проекта.

Это текстовая Sentence Transformer модель Voctree, дообученная на базе microsoft/harrier-oss-v1-270m. Она преобразует предложения и абзацы в плотные векторы размерности 640 и предназначена для поиска и сравнения текстов по косинусному сходству. Архитектура включает Gemma3TextModel, пулинг последнего токена и нормализацию эмбеддингов. Модель принимает текст, поддерживает контекст до 32 768 токенов и обучалась на 18 851 паре текстов с использованием MultipleNegativesRankingLoss. Примеры данных включают соответствия между английскими и корейскими названиями товаров, что указывает на пользу для многоязычного поиска. В карточке не указана лицензия, поэтому условия использования определить нельзя.

Unsloth/Nanonets-OCR-s — модель оптического распознавания символов на основе Qwen2.5-VL, представленная в формате safetensors и рассчитанная на преобразование изображений документов в структурированный Markdown. Она предназначена для извлечения текста и элементов сложной вёрстки с последующей обработкой в системах на базе LLM. Модель распознаёт формулы и записывает их в LaTeX, извлекает таблицы в Markdown или HTML, описывает изображения, а также отмечает подписи, водяные знаки и состояния флажков в формах. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст до 128 000 токенов. В метаданных указан английский язык. Репозиторий Unsloth обозначен как дообучение nanonets/Nanonets-OCR-s; карточка также заявляет улучшенную точность версии Unsloth Dynamic 2.0, но не приводит сопоставительных результатов. Модель подходит для оцифровки деловых и юридических документов, форм, таблиц и страниц с математическими формулами, а также для подготовки содержимого документов к поиску и обработке LLM. Сведения о лицензии в предоставленных данных отсутствуют.

Prox 7B SFT — языковая модель OpenVoid AI, дообученная на данных о программировании, взломе и кибербезопасности. В основе лежит Mistral-7B-v0.2; модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для генерации и объяснения кода, создания документации, ответов на вопросы о методах взлома и кибербезопасности, а также помощи в программных проектах. Карточка указывает английский язык. Обучающий набор OpenVoid AI описан как собственный набор материалов по программированию и взлому. Модель распространяется по лицензии Apache-2.0. Ответы модели могут быть ошибочными и требуют проверки специалистом; авторы не рекомендуют полагаться на неё в критически важных задачах безопасности и использовать для незаконной деятельности.

Модель Sentence Transformers, дообученная автором arjveer на Snowflake/snowflake-arctic-embed-l для сопоставления текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 1024; близость можно оценивать косинусным сходством. Модель основана на BERT, использует pooling по CLS-токену и нормализацию векторов, принимает последовательности длиной до 512 токенов. Подходит для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В README приведены результаты оценки поиска на наборе из 156 примеров, однако этих данных недостаточно для вывода о качестве на широком спектре юридических задач. Лицензия в предоставленных данных не указана.

unsloth/Qwen3.6-27B-UD-MLX-6bit — это 6-битная MLX-квантизированная версия модели Qwen3.6-27B, разработанной командой Qwen и подготовленной для распространения Unsloth. Модель предназначена для локального запуска в экосистеме MLX и относится к классу причинных языковых моделей с vision encoder, поэтому поддерживает работу с текстом и изображениями. Модель содержит 27 млрд параметров, 64 слоя и имеет нативную длину контекста 262 144 токена с заявленной возможностью расширения до 1 010 000 токенов. Архитектура сочетает Gated DeltaNet, Gated Attention и FFN; модель обучалась на этапах предварительного и последующего обучения. Основные сценарии применения включают агентное программирование, работу с фронтенд-задачами, анализ репозиториев и итеративную разработку с сохранением контекста рассуждений. Данные о поддерживаемых языках в README не указаны. К сильным сторонам относятся большой контекст, сочетание языковых и визуальных возможностей, оптимизация для MLX и акцент на задачах программирования. Ограничения связаны с необходимостью совместимого MLX-окружения и потерями точности, которые могут быть обусловлены 6-битной квантизацией; количественная оценка таких потерь в README не приведена. Модель распространяется по лицензии Apache-2.0.

Puffyn/Qwen3.8-27B-OBLITERATED — текстовая генеративная модель на базе Qwen/Qwen3.8-27B, разработанная для локального запуска и исследовательских сценариев, где требуется минимизация встроенных отказов и защитных ограничений. Согласно README, модель ориентирована на генерацию текста, программного кода, ответы на сложные и потенциально ограниченные запросы, а также на использование в агентских системах, coding agent и фреймворках для тестирования безопасности. Разработчик и точное происхождение производной модели в README явно не раскрыты; указано имя базовой модели Qwen и идентификаторы вариантов OBLITERATED/OBLITERATUS. Модель относится к семейству Qwen3 и имеет размер 27B параметров. Поддерживается текстовая модальность; сведения о языках и максимальной длине контекста в предоставленных данных отсутствуют. Доступны форматы GGUF, Safetensors и MLX. В версии V3 заявлены итеративная модификация весов и метод abliteration, удаляющий направления, связанные с отказами; авторы сообщают о сохранении близкой к исходной производительности, но с потерей 2,1 процентного пункта по MMLU относительно базовой модели. README также заявляет работоспособную генерацию кода в 20 из 20 проверенных сценариев и совместимость с режимом рассуждений. Сильной стороной модели считается снижение жёстких отказов и защитных отговорок при сохранении значительной части возможностей базовой Qwen3.8-27B. Ограничения включают возможное снижение качества по сравнению с исходной моделью, склонность к зацикливанию без правильно настроенного repetition_penalty и потенциальные риски использования модели без встроенных защитных механизмов. Для запуска рекомендуются temperature 0, repetition_penalty 1.15, не менее 2048 новых токенов и пустой системный промпт; для агентских сценариев предлагаются более короткие ответы и периодическое суммирование контекста. Лицензия — Apache-2.0.

Модель IonGrozea/whisper-medium_ro-80mel — дообученная Ion Grozea версия OpenAI Whisper Medium для распознавания румынской речи. Это плотная модель архитектуры WhisperForConditionalGeneration с 455,8 млн параметров; на вход принимает аудио, представленное 80-канальной мел-спектрограммой, и преобразует его в текст. Модель обучена на объединённом румынском корпусе объёмом около 445 часов, включавшем Echo, VoxPopuli и RODigits. В карточке указаны WER 0,0656 и CER 0,0228 на 25 348 валидационных примерах общей длительностью 52,75 часа; оценка выполнена с beam search ширины 5. Модель подходит для транскрибирования румынской речи, включая записи из новостных и цифровых речевых корпусов. Опубликованные веса представлены в форматах PyTorch и Safetensors. Лицензия — Apache-2.0.

ColPali v1.3 HF — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B и стратегии ColBERT. Эта версия предназначена для загрузки через Transformers или Sentence Transformers; веса преобразованы из чекпойнта vidore/colpali-v1.3-merged. Модель формирует многовекторные представления страниц и текстовых запросов, чтобы находить релевантные страницы по их визуальному содержимому. Подходит для поиска по PDF и другим документам с визуально значимой структурой: например, когда важны таблицы, схемы или расположение элементов. Обучение проводилось на англоязычных парах «запрос — страница»; README сообщает о проверке переноса на другие языки, однако основное внимание уделено языкам с большими ресурсами. Для воспроизведения обученного формата запросов в Transformers нужно установить префикс «Query: » у процессора. Лицензия — Gemma; применяются условия лицензии Gemma.

NuExtract-1.5-tiny — разработанная NuMind модель извлечения структурированной информации, дообученная на Qwen/Qwen2.5-0.5B на частном высококачественном наборе данных. Она принимает текст документа и JSON-шаблон с нужными полями и генерирует заполненную структуру; модель настроена на точное извлечение, поэтому старается сохранять формулировки исходного текста. Модель построена на плотной архитектуре Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. README заявляет поддержку английского, французского, испанского, немецкого, португальского и итальянского языков, а также работу с длинными документами. Репозиторий содержит веса Safetensors; лицензия — MIT. Модель подходит для извлечения полей из документов и преобразования неструктурированного текста в JSON. Для более стабильного извлечения рекомендуется температура, равная нулю или близкая к ней. Русский язык среди заявленных языков не указан; качество извлечения в README не охарактеризовано численными результатами.

Ornith-1.5-9B — плотная языковая модель с 9 млрд параметров, разработанная командой Ornith AI. Она относится к семейству Ornith-1.5 и создана для эффективного развертывания на одной GPU; для мобильных устройств предусмотрен отдельный квантованный вариант Ornith-1.5-9B-Mobile. Модель предназначена для генерации текста, программирования и решения задач, требующих многошагового рассуждения и работы с инструментами. В основе обучения лежит расширенный цикл самоулучшения: модель совместно оптимизирует генерацию задач, построение scaffold и rollouts решений с использованием reinforcement learning. В отличие от подхода с фиксированным набором созданных людьми задач и вручную разработанными harness, система автоматически генерирует новые тренировочные задачи и ищет эффективные стратегии их решения. Ornith-1.5 развивает Ornith-1.0, который был построен на базе Qwen3.5 и Gemma4 с дополнительным continued pretraining, mid-training и post-training. К сильным сторонам относятся компактный для современных моделей размер, возможность развертывания на одной GPU и заметные результаты в задачах программирования: в README указаны оценки 70,6 на SWE-bench Verified, 47,5 на SWE-bench Pro и 46,2–47 на Terminal-Bench 2.1 в зависимости от используемого агента. Данные о поддерживаемых языках, размере контекста, мультимодальности и конкретных архитектурных компонентах не приведены, поэтому их характеристики нельзя установить по этой карточке. Модель распространяется по лицензии MIT.

mradermacher/Qwen3.5-KETI-HAECHI-27B-i1-GGUF — GGUF-квантизированная версия модели KETI-NLP/Qwen3.5-KETI-HAECHI-27B, подготовленная mradermacher. Модель ориентирована на корейский и английский языки и относится к мультимодальным vision-language моделям. Она предназначена для задач image-text-to-text, распознавания текста на изображениях, работы с материалами культурного наследия, использования инструментов и сценариев с длинными цепочками рассуждений. Поддерживаются текстовые и визуальные входные данные; для работы с изображениями могут потребоваться отдельные файлы mmproj из статического репозитория. Размер базовой модели составляет 27B параметров. Репозиторий содержит варианты GGUF-квантизации от IQ1_S до Q6_K размером примерно от 7,2 до 22,2 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Более агрессивные варианты могут заметно снижать качество; Q4_K_M обозначен как рекомендуемый по сочетанию скорости и качества. Точный размер контекста и архитектурные детали в README не указаны. Модель распространяется по лицензии Apache-2.0. К ограничениям относятся зависимость качества от выбранного уровня квантизации, необходимость дополнительного multimodal-компонента для обработки изображений и отсутствие в README подробных результатов оценки, характеристик контекста и требований к аппаратному обеспечению.

tvall43/Qwen3.6-14B-A3B-VibeForged-v2-GGUF — это мультимодальная квантизированная версия модели tvall43/Qwen3.6-14B-A3B-VibeForged-v2, основанной на восстановленной и дообученной версии прореженной Qwen3.6-35B-A3B-heretic. Модель распространяется в формате GGUF для запуска через llama.cpp и совместимые инструменты, включая LM Studio, Ollama и text-generation-webui. Разработчик описывает её как MoE-модель с 14B параметров, созданную с использованием QLoRA после дообучения на тысячах практических сессий vibecoding и данных Evol-Instruct для программирования. Модель предназначена прежде всего для генерации текста и кода, рассуждений, работы с инструментами и сценариев локального программирования. В ходе дообучения акцент сделан на строгих границах рассуждений в формате <think>...</think> и чистом JSON-синтаксисе вызова инструментов. Поддерживаются текстовая и визуальная модальности: в репозитории доступны мультимодальные проекторы mmproj в форматах F16 и Q8_0, унаследованные от базовой модели. В метаданных указан английский язык; размер контекста в README не указан. Доступны варианты F16, Q8_0, Q6_K, Q4_K_M, Q3_K_M, Q2_K и MXFP4_MOE, что позволяет выбирать между качеством, размером и скоростью в зависимости от ресурсов. Q8_0 требует около 15 ГБ памяти, а Q4_K_M ориентирован на локальный запуск примерно на 8 ГБ VRAM; характеристики других вариантов зависят от среды выполнения. Ограничения включают возможное снижение качества в сильно сжатых вариантах и необходимость поддержки MXFP4_MOE со стороны inference-движка. Модель распространяется по лицензии Apache-2.0.

jordyvl/scibert_scivocab_uncased_sentence_transformer — модель на базе BERT, упакованная для библиотеки Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерности 768 для семантического поиска и кластеризации. В метаданных указаны 137,1 млн параметров и контекст до 512 токенов; модель доступна в форматах PyTorch и safetensors. Модель предназначена для получения эмбеддингов текстов, сравнения семантической близости, поиска и группировки текстов. Название указывает на использование SciBERT с научным словарём, однако карточка не сообщает отдельные результаты оценки или поддерживаемые языки. Условия лицензии в предоставленных данных не указаны.

MaziyarPanahi/speechless-code-mistral-7b-v2.0-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из Mistral-7B-Instruct-v0.2 и speechless-code-mistral-7b-v2.0. Она предназначена для генерации текста и ответов на инструкции, с акцентом на задачи программирования благодаря одной из исходных моделей. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст; метаданные отмечают поддержку чата. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Карточка не описывает специальные языковые ограничения или результаты оценки качества, поэтому пригодность для конкретного языка и точность ответов о коде могут различаться.