IV.5Образование и развитие навыков

bling-falcon-1b-0.1 — инструктивно дообученная языковая модель серии BLING от llmware, созданная на базе tiiuae/falcon-rw-1b. Это плотная авторегрессионная модель Falcon примерно с 1,7 млрд параметров и контекстом 2048 токенов; она работает с текстом и рассчитана на запуск локально на ноутбуке, в том числе на CPU без специальной квантизации. Основной язык модели — английский. Модель предназначена для локальных прототипов и автоматизации сценариев RAG: ответов на вопросы по предоставленному контексту, извлечения ключей и значений и базового суммирования. В опубликованном тесте RAG-Instruct-Benchmark-Tester указана оценка 89 из 100; качество суммирования охарактеризовано как связное и экстрактивное, а в тестовых прогонах галлюцинаций не наблюдалось. Эти результаты относятся к описанному тесту и не гарантируют точность в других задачах. Лицензия — Apache 2.0.

KAI-7B-Instruct-v0.1 — диалоговая языковая модель Keynote Technology на 7,1 млрд параметров с архитектурой MistralForCausalLM. Это дообученная инструктивная версия семейства KAI-7B, основанного на KAI-7B и Mistral-7B; в обучении использовалась смесь наборов данных для чата и выполнения инструкций, включая PLANE-2K и RedPajama-Data-V2. Модель принимает текст и генерирует текст, поддерживает сценарии чата, следование инструкциям и работу с кодом. Заявленная длина контекста — 32 768 токенов. Модель предназначена для развёртывания в приложениях, которым нужны диалоговые ответы, выполнение текстовых инструкций и помощь с кодом. Карточка заявляет улучшенное следование инструкциям, но не приводит независимых оценок качества. Лицензия — Apache 2.0; разработчик отдельно запрещает использовать модели KAI для разжигания ненависти против людей или групп.русский язык явно не заявлен среди поддерживаемых языков.

KwaiCoder-AutoThink-preview-GGUF — квантизированная версия языковой модели для генерации текста и программного кода, разработанная Kwaipilot и подготовленная в формате GGUF пользователем bartowski. Модель предназначена для локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp, включая сценарии программирования, генерации и анализа кода, а также мультиязычной работы с текстом. В репозитории представлены варианты от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3_K, а также IQ-квантизации. Размер файлов составляет примерно от 18,32 до 81,14 ГБ. Квантизация выполнена с использованием imatrix на базе llama.cpp. Для работы требуется применять указанный шаблон диалога с токенами system, user и assistant; в начале ответа предусмотрен маркер <judge>. В README указана поддержка multilingual, однако конкретный список языков, архитектура исходной модели, число параметров и размер контекста не приведены. Сильной стороной модели является широкий выбор уровней квантизации: старшие варианты обеспечивают высокое качество, а Q4 и Q3 позволяют снизить требования к памяти. Ограничения связаны с большими требованиями к объёму оперативной или видеопамяти, возможной потерей качества при использовании низкобитных вариантов и отсутствием в README подробных оценок производительности. Модель распространяется по лицензии kwaipilot-license; лицензия обозначена как other, а её текст доступен в файле LICENSE.

ZwZ-7B — мультимодальная модель восприятия изображений, разработанная inclusionAI на базе Qwen2.5-VL-7B-Instruct. Она дообучена с помощью дистилляции Region-to-Image и обучения с подкреплением, чтобы точнее распознавать мелкие детали на изображении за один проход, без увеличения отдельных областей во время вывода и без вызова инструментов. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и принимает изображения и текстовые запросы, выдавая текстовые ответы. Контекст — до 128 000 токенов; в карточке указан английский язык. Модель предназначена для визуальных вопросов и ответов, подсчёта объектов, OCR, определения цветов и структурных или материальных характеристик, а также идентификации объектов. По заявлению авторов, она показывает высокие результаты среди открытых моделей на базе Qwen2.5-VL-7B в задачах детального восприятия. Для общего мультимодального понимания в некоторых случаях предпочтительнее базовая модель; для изображений очень высокого разрешения важно подходящее предварительное преобразование. Лицензия — Apache 2.0.

Code-Writer-V2-Obliterated-BF16 — модель на базе Qwen3.5, опубликованная groxaxo. Согласно README, это результат слияния базовой модели llmfan46/Qwen3.5-27B-Writer-V2-uncensored-heretic с LoRA-адаптером для программирования; веса сохранены в BF16 без квантизации. Метаданные указывают архитектуру Qwen3.5 с плотной моделью типа Qwen3_5ForConditionalGeneration и формат safetensors. В README заявлен размер 27 млрд параметров и контекст до 200 000 токенов; эти значения не подтверждены метаданными. Модель предназначена для генерации кода и творческих текстов, а также для работы с длинными запросами, например с крупными фрагментами кодовой базы или рукописями. Метаданные классифицируют её как text-generation и отмечают поддержку чата и кода. README описывает визуальный модуль, но указывает, что обработка изображений не проверена; поэтому основное подтверждённое назначение — текстовое. Естественный язык в метаданных карточки — английский. Модель выпущена по лицензии Apache-2.0. Возможны неточные или неподходящие ответы; результаты кода и текста следует проверять. Визуальные сценарии требуют отдельной проверки совместимости и качества.

bartowski/huihui-ai_Qwen3-Coder-Next-abliterated-GGUF — набор GGUF-квантизаций модели Huihui-Qwen3-Coder-Next-abliterated, разработанной huihui-ai. Квантизации выполнены bartowski с использованием llama.cpp и метода imatrix. Модель относится к классу text-generation и предназначена для локального запуска генеративных сценариев, включая работу с кодом и текстом. Модель доступна в различных вариантах квантования от Q3 до Q8, включая Q4_K_M, Q5_K_M, Q6_K и Q8_0. Размер файлов варьируется примерно от 42,67 до 84,81 ГБ; некоторые варианты разделены на несколько файлов. Для запуска указаны llama.cpp, LM Studio, koboldcpp, Jan AI, Text Generation Web UI и LoLLMs. Используется шаблон диалога ChatML с маркерами system, user и assistant. README не сообщает точные архитектурные характеристики исходной модели, число параметров, контекстное окно, поддерживаемые языки или модальности, поэтому эти сведения нельзя достоверно определить. Более низкие уровни квантования экономят память, но могут снижать качество; варианты Q5 и выше обозначены как высококачественные, а Q4_K_M — как стандартный вариант для большинства сценариев. Модель имеет статус abliterated и uncensored, что может означать изменённые ограничения поведения по сравнению с исходной моделью. Лицензия — Apache-2.0.

InternVL3-8B-hf — реализация мультимодальной модели InternVL3 в формате Hugging Face Transformers, опубликованная OpenGVLab. Это плотная модель класса InternVLForConditionalGeneration с 8 млрд параметров, предназначенная для диалогов и генерации ответов по тексту и визуальным входам. Репозиторий поддерживает пакетный инференс с изображениями и чередующимися изображениями, видео и текстом; возможно также текстовое использование без изображения. Модель подходит для описания изображений и видео, визуальных вопросов и ответов, мультимодального рассуждения, а также сценариев GUI-агентов и анализа промышленных изображений. Семейство InternVL3 заявляет улучшенное по сравнению с InternVL 2.5 мультимодальное восприятие и рассуждение, а также возможности работы с инструментами и 3D-визуальным восприятием. Реализация рассчитана на библиотеку Transformers и поддерживает разные реализации attention, включая SDPA и FlashAttention 2. Это дообученная версия OpenGVLab/InternVL3-8B-Instruct. Карточка связывает семейство с мультиязычными сценариями, но не перечисляет конкретные языки. Лицензия указана как other; точные условия использования следует сверить с лицензией исходного проекта. Числовой размер контекста в доступных данных не приведён.

Это экспериментальная версия MiniMax M3 от Spark Arena: веса модели представлены в формате NVFP4 с калибровкой, которая пока дорабатывается, а REAP сокращает модель на 25%, чтобы разместить её на двух узлах DGX Spark вместо четырёх. Базовая MiniMax M3 — мультимодальная модель примерно с 428 млрд параметров, из которых активируется около 23 млрд; она использует разреженное внимание MiniMax Sparse Attention и заявленный контекст до 1 млн токенов. Модель предназначена для диалогов с изображениями и видео, программирования и агентных сценариев с вызовом инструментов. В README отмечены возможности анализа длинного контекста и ускорения обработки, однако качество этой экспериментальной сборки и влияние REAP на него проверены не полностью. Для правильного применения калибровки NVFP4 требуется совместимая поддержка в среде запуска. Лицензия указана как other; конкретные условия использования в предоставленных данных не раскрыты.

OpenGCM-v2 — модель с 9 млрд параметров от NitrAI, дообученная на базе Qwen/Qwen3.5-9B для рассуждений, программирования и агентных сценариев. В карточке заявлено окно контекста базовой модели до 262 тыс. токенов; модель представлена в формате safetensors, поддерживает чат и интерфейс вызова инструментов. Для обучения использовался DoRA, а данные включали 597 примеров с трассами работы кодовых агентов, математическими рассуждениями и системным анализом, дистиллированными из ответов нескольких крупных моделей. Модель предназначена для пошагового решения математических задач, анализа кода и проверки исправлений, а также выполнения многошаговых инструкций и агентных задач с инструментами. В README приведены результаты на небольших наборах задач, поэтому они не дают надёжной оценки обобщающего качества. Автор отмечает возможный сдвиг контекста и нестабильность при очень длинной генерации; рекомендуются низкая температура и структурированные системные подсказки. Модель помечена как устаревшая, автор рекомендует перейти на Polaris. Лицензия — Apache-2.0.

trohrbaugh/Qwen3.6-27B-heretic-ara — производная модель семейства Qwen3.6, опубликованная пользователем trohrbaugh. Это 27-миллиардная плотная модель с языковой частью и энкодером изображений; веса представлены в формате Safetensors и совместимы с Transformers и рядом движков инференса. Карточка описывает изменение модели методом abliteration: в приведённом сравнении доля отказов снизилась с 99 до 4 из 100, а KL-дивергенция относительно исходной модели составила 0,0469. Модель предназначена для диалогов с текстом и изображениями, программирования, работы с репозиториями и сценариев с агентами и вызовом инструментов. Исходная карточка Qwen3.6 указывает контекст 262 144 токена с возможностью расширения до 1 010 000 токенов; для этой производной модели отдельное подтверждение сохранения максимума не приведено. Языки перечислены в опущенной части README, поэтому их нельзя достоверно указать. Модель лицензирована по Apache-2.0. Снижение частоты отказов может означать ослабление встроенных ограничений безопасности; результаты в карточке основаны на небольшом сравнении и сами по себе не подтверждают качество или безопасность в иных сценариях.

Qianfan-OCR — мультимодальная vision-language модель для анализа документов, разработанная командой Baidu Qianfan. Это end-to-end модель с 4 млрд параметров, предназначенная для преобразования изображений документов в Markdown и выполнения задач OCR, анализа структуры и расположения элементов, извлечения таблиц, понимания графиков, ответов на вопросы по документам и извлечения ключевой информации. Представленная версия распространяется в формате GGUF и была создана с использованием llama.cpp. Архитектура включает vision-энкодер Qianfan-ViT с 24 Transformer-слоями и поддержкой изображений разрешением до 4K, языковую модель Qwen3-4B с контекстом 32K токенов, расширяемым до 131K, а также двухслойный cross-modal adapter. Модель поддерживает OCR на 192 языках. Опциональный режим Layout-as-Thought позволяет сначала сформировать структурированное описание макета с ограничивающими рамками, типами элементов и порядком чтения, что полезно для сложных и неоднородных страниц; для простых документов этот режим можно отключать ради снижения задержки. Сильными сторонами модели являются единый подход к распознаванию и пониманию документов, поддержка сложной структуры, таблиц и многоязычного OCR. В заявленных результатах она получила 93,12 на OmniDocBench v1.5, 79,8 на OlmOCR Bench и 880 баллов на OCRBench; производительность достигает 1,024 страницы в секунду при W8A8-квантизации на одной GPU A100. Ограничения включают зависимость качества и скорости от разрешения изображений, сложности макета и выбранного режима обработки; конкретные требования к оборудованию для GGUF-версии в карточке не указаны. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3.8-2.4T-A95B-GGUF — квантованная версия открытой модели Qwen3.8-2.4T-A95B, подготовленная Unsloth с использованием подхода Unsloth Dynamic 2.0. Модель разработана командой Qwen и предназначена для генерации текста, программирования, профессиональных и исследовательских задач, а также для долгих многошаговых агентских сценариев. README указывает совместимость исходных артефактов с Transformers, vLLM, SGLang и TokenSpeed. Это причинная языковая модель с архитектурой Mixture of Experts: 2,4 трлн параметров всего, из которых активируется 95 млрд. Она содержит 92 слоя, скрытое измерение 8192 и 512 экспертов, из которых для обработки токена маршрутизируются 10 экспертов и один общий. Архитектура сочетает Gated DeltaNet и Gated Attention, а также поддерживает Multi-Token Prediction. Нативная длина контекста составляет 262 144 токена и может быть расширена примерно до 1 010 000 токенов. Управление глубиной рассуждений выполняется параметром reasoning_effort, а контекст рассуждений из предыдущих сообщений может сохраняться через preserve_thinking. Сильные стороны модели — высокий заявленный уровень для сложного кодирования, профессиональной работы, исследований, планирования и автономного выполнения задач, а также большой контекст и возможность настройки рассуждений. Ограничения включают крайне большой общий размер модели и соответствующие требования к памяти и инфраструктуре; конкретные требования зависят от выбранного GGUF-кванта и конфигурации запуска. В README не указаны поддерживаемые языки и точные параметры доступных квантований. Лицензия обозначена как qwen3.8-max; условия следует уточнять в файле LICENSE.

Qwen3.8-Flash-Next-MLX-SSD-Stream — подготовленная для mlx-serve версия модели Qwen3.8-Flash-Next, разработанная garnermccloud на базе весов Qwen, с таблицей FP8 от RadixArk и поддержкой Apple MLX. Модель предназначена для локального высокоскоростного инференса на Mac с unified memory, особенно для генерации кода, технических текстов, задач рассуждения, структурированных вызовов инструментов и работы с длинным контекстом. Она поддерживает текстовые, графические и видео-входы, а также OpenAI Chat Completions, Responses, Anthropic Messages и Ollama API. Архитектура включает Transformer и vision-компоненты примерно на 125 млрд параметров, из которых около 6 млрд активны на токен, а с учётом PLE-таблицы и MTP-весов логический общий объём составляет около 180 млрд параметров. Реализованы Mixture-of-Experts, sparse attention, n-gram embedding, native MTP и контекст до 262 144 токенов. Основные компоненты используют BF16, маршрутизируемые эксперты и MTP — Q4 affine, vocabulary head — Q6 affine, а 51,2-гигабайтная n-gram-таблица хранится в FP8 и потоково читается с SSD, снижая требования к unified memory. На Apple M4 Max с 128 ГБ заявлена скорость декодирования около 71–74 токенов в секунду в отдельных сценариях и prefill до 280,7 токена в секунду на длинном контексте. Сильные стороны модели — сочетание качества BF16-ядра, ускорения MTP, мультимодальности, большого контекста и возможности запускать конфигурацию с крупной таблицей без полного размещения в памяти. Ограничения — значительный размер подготовленного репозитория около 127 ГБ, зависимость от SSD и специализированного движка mlx-serve, а также оптимизация прежде всего под Apple Silicon; приведённые показатели относятся к M4 Max с 128 ГБ памяти. Модель распространяется по Qwen Community License; веса Transformer и vision предоставлены Qwen, таблица — из checkpoint RadixArk, а подготовленная конфигурация и поддержка SSD Stream — проектом garnermccloud/mlx-serve.

Matryoshka Text Embedding v1 — мультиязычная модель эмбеддингов текста на базе энкодера XLM-RoBERTa, дообученная с применением Matryoshka Representation Learning. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и извлечения документов; поддерживает семь размерностей эмбеддинга от 64 до 1024, что позволяет выбирать компромисс между качеством, скоростью и объёмом хранения. Максимальная длина последовательности — 8194 токена по метаданным модели; README указывает 8192 токена. Модель предназначена для поиска по научной литературе, правовым и медицинским документам, веб-страницам и каталогам товаров, а также для рекомендаций и индексации больших коллекций. В карточке заявлена поддержка более 100 языков; метаданные отдельно перечисляют английский, арабский, немецкий, испанский, французский, китайский, русский, турецкий, корейский, японский, итальянский, португальский и нидерландский. Метаданные указывают 658,7 млн параметров, тогда как README приводит около 568 млн. Модель выпущена hasankursun и дообучена на FacebookAI/xlm-roberta-base. Для лучшего соответствия исходному качеству используют полную размерность или крупные векторы; усечение уменьшает требования к хранению и вычислениям, но может снизить качество. Лицензия CC-BY-NC-4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение.

Это дообученная модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, опубликованная под именем legalvn/paraphrase-multilingual-MiniLM-L12-v2-500. Архитектура основана на BERT с усреднением токенных представлений; модель содержит 124,3 млн параметров и преобразует предложения и абзацы в плотные векторы размерности 384. Метаданные указывают на контекст до 512 токенов, а карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для вычисления семантического сходства по косинусной близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Примеры обучающего набора и многоязычная базовая модель указывают на поддержку вьетнамского и других языков; конкретный полный перечень языков в карточке не приведён. Лицензия в предоставленных данных не указана.

HunyuanOCR-1.5 — компактная специализированная модель компьютерного зрения и языка для распознавания и обработки текста на изображениях. Карточка описывает её как разработку команды Hunyuan; репозиторий Evan-613/HunyuanOCR содержит веса модели HunyuanOCR-1.5. По метаданным, модель использует плотную архитектуру Hunyuan-VL с 463,5 млн параметров, работает через Transformers и имеет контекстное окно до 131 072 токенов. Модель предназначена для разбора документов, обнаружения и распознавания текста на изображениях, извлечения информации и перевода текста с изображений. README также указывает на поддержку OCR для редких и древних письменностей и вопросов по нескольким изображениям. Веса доступны в формате safetensors; для развёртывания описаны Transformers, vLLM и конвертация в GGUF для llama.cpp. README указывает лицензию как other, поэтому конкретные условия использования по имеющимся данным определить нельзя.

unsloth/DeepSeek-R1-0528-GGUF — это GGUF-квантизированное представление модели DeepSeek-R1-0528, разработанной DeepSeek и опубликованной в формате GGUF командой Unsloth. Модель предназначена для локального запуска и инференса через совместимые инструменты, включая llama.cpp, а также для задач, требующих углублённого рассуждения. DeepSeek-R1-0528 ориентирована на решение математических задач, программирование, общую логику и сложные аналитические запросы. По сравнению с предыдущей версией заявлены улучшения глубины рассуждений и инференса, снижение частоты галлюцинаций, расширенная поддержка function calling и более качественная работа в сценариях vibe coding. Для модели указан язык English; модальность — текстовая. Размер и архитектура базовой модели в предоставленных данных не указаны. Модель использует чат-шаблон, совместимый с оригинальной DeepSeek-R1; для генерации рекомендуется temperature 0.5–0.7 и Top_P 0.95. Основное преимущество — усиленные способности к сложному рассуждению, программированию и математике; в README также сообщается о результатах, приближающихся к ведущим моделям в ряде бенчмарков. Ограничения включают необходимость корректной настройки шаблона чата и параметров генерации, а также зависимость характеристик от выбранного уровня GGUF-квантизации и аппаратного обеспечения. Лицензия — MIT.

DeepSeek-V4.1-Flash — мультимодальная модель DeepSeek для диалогов, рассуждений и агентных задач. Она принимает изображения и текст и авторегрессионно генерирует текст. По README, модель обучена с нуля и использует архитектуру Causal Encoder-Decoder с 40 слоями и Mixture-of-Experts; в ней 552 млрд параметров backbone, а при обработке токенов активируется 8 млрд параметров на этапе prefill и 16 млрд при генерации. Модель поддерживает контекст до одного миллиона токенов и управляемый уровень усилий рассуждения от 1 до 100. Среди заявленных архитектурных решений — сжатие KV-кэша, разреженное внимание, условная память Engram и спекулятивное декодирование. Модель ориентирована на сценарии с длинным контекстом и агентным выполнением задач, включая работу с кодом и визуальными данными. Метаданные указывают форматы safetensors FP8 и библиотеку Transformers; лицензия — MIT. README отмечает, что для релиза не предоставлен Jinja-шаблон чата, а для запуска локально предлагается обратиться к инструкциям в папке inference.

MiniMax-M1-40k — открытая по весам языковая модель MiniMax AI для рассуждений, генерации текста и работы в агентных сценариях. Она использует гибридную архитектуру Mixture-of-Experts с механизмом lightning attention и обучалась с подкреплением на задачах от математических рассуждений до программной инженерии. Вариант 40k рассчитан на бюджет рассуждений до 40 тысяч токенов; метаданные указывают 21,6 млрд параметров и контекст до 10 240 000 токенов. Модель подходит для решения сложных математических задач, написания и анализа кода, работы с длинными документами и использования инструментов через интерфейс function calling. В карточке приведены результаты тестирования на математических, программных, агентных и длинноконтекстных задачах; авторы рекомендуют температуру 1,0 и top_p 0,95. Модель принимает и генерирует текст. README описывает её как модель общего назначения, но не перечисляет поддерживаемые естественные языки. Лицензия репозитория — Apache-2.0. Для воспроизведения результатов стоит учитывать, что оценки SWE-bench получены на выбранном подмножестве задач с описанной авторами методикой.

MiMo-V2.6-Flash-RL — мультимодальная модель генерации текста Xiaomi из серии MiMo-V2.6, обученная с подкреплением для агентных сценариев и самоулучшения. Карточка описывает семейство как разреженную MoE-архитектуру с обработкой текста, изображений, видео и аудио и контекстом до 1 млн токенов; указаны визуальный и аудиокодировщики, а также спекулятивный декодер. Метаданные репозитория, однако, описывают загруженную модель как плотную 12-миллиардную MiMoV2ForCausalLM в формате safetensors FP8, а pipeline_tag задаёт генерацию текста. Модель предназначена для диалогов, работы с инструментами, программирования и продолжительных агентных задач, а мультимодальные возможности семейства рассчитаны на понимание изображений, видео и аудио. В отчёте Xiaomi описаны обучение смешанным RL на задачах кодирования, общих агентов, визуального анализа и кибербезопасности, а также методы оценки траекторий и дистилляции. По карточке указана лицензия MIT. Поскольку сведения о размере и архитектуре в README относятся к серии, а метаданные конкретного репозитория расходятся с ними, характеристики репозитория следует считать более конкретными для загруженного чекпойнта.

MiniCPM5-Vision-2B — мультимодальная модель компьютерного зрения и языка, опубликованная ewin-reg. Она сочетает визуальный энкодер SigLIP-SO400M-Patch14-384 с языковой основой openbmb/MiniCPM5-2B через обучаемый проектор и использует динамическое разбиение изображений на фрагменты. Языковая часть содержит 2 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для анализа изображений высокого разрешения, распознавания текста в документах, извлечения табличных данных и ответов на вопросы по изображениям и диаграммам. В README описано дообучение с LoRA и учебная программа, включающая DocVQA и ChartQA; метаданные также указывают визуальную привязку. Карточка заявляет поддержку английского и китайского языков. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Заявленные результаты обучения и оценки приведены в README, однако его таблица бенчмарков неполна, а независимые показатели качества не представлены. Для обработки изображений высокого разрешения применяется разбиение на фрагменты, поэтому подробные изображения могут требовать больше вычислительных ресурсов.

Mistral Medium 3.5 — плотная языковая модель на 128 млрд параметров от Mistral AI, обученная следовать инструкциям. Она принимает текст и изображения и выдаёт текст. Модель предназначена для агентных сценариев, программирования и решения сложных задач. Поддержка изображений позволяет использовать модель для вопросов по визуальным материалам наряду с текстовыми запросами. В доступных сведениях нет деталей о контекстном окне, поддерживаемых языках и лицензии, поэтому эти характеристики не описываются.

unsloth/Qwen3.6-27B — мультимодальная модель с открытыми весами, основанная на Qwen/Qwen3.6-27B и дообученная после предварительного обучения. Она предназначена для диалогов, программирования, агентных сценариев и работы с изображениями; модель поддерживает вызов инструментов и рассчитана на разработчиков, использующих Transformers и совместимые среды запуска. Архитектура — плотная причинная языковая модель с визуальным энкодером, 27 млрд параметров; контекст составляет 262 144 токена и может расширяться до 1 010 000 токенов. Модель принимает текст и изображения и генерирует текст. В карточке отмечены улучшения в работе с кодом, включая фронтенд-задачи и рассуждение по репозиториям, а также сохранение контекста рассуждений между сообщениями. README упоминает текстовый, графический и видеоввод, однако метаданные классифицируют модель только как image-text-to-text. Указанная лицензия — Apache-2.0.

Qwythos-9B-Claude-Mythos-5-1M-GGUF — это GGUF-квантизации модели Qwythos-9B-Claude-Mythos-5-1M, разработанной Empero. Модель предназначена для запуска в llama.cpp, Ollama, LM Studio, jan, KoboldCpp и других совместимых средах. Она создана на основе Qwen3.5-9B и дообучена более чем на 500 миллионах токенов трасс Claude Mythos и Claude Fable с использованием внутреннего инструмента Empero AI rethink. Модель ориентирована на рассуждения, агентские сценарии, вызов функций, анализ кибербезопасности и биомедицинских задач. Она поддерживает нативный function calling по спецификации Qwen3.5, английский язык и контекст до 1 048 576 токенов благодаря масштабированию RoPE YaRN. Это мультимодальная модель с поддержкой изображений: для обработки изображений требуется отдельный файл vision projector mmproj, унаследованный от Qwen3.5-9B. Заявлены возможности описания изображений, OCR, чтения графиков и таблиц, понимания интерфейсов и документов, а также базового пространственного анализа. Доступны варианты квантизации от Q4_K_M до Q8_0 и BF16, включая версии с MTP для спекулятивного декодирования. Q4_K_M указан как рекомендуемый компромисс между размером и качеством. Сильными сторонами являются большой контекст, рассуждения, поддержка инструментов и локального мультимодального запуска. Ограничения включают зависимость производительности и качества от выбранной квантизации, поддержки MTP конкретным рантаймом и наличия отдельного vision projector для изображений; подробные результаты оценки и полное описание возможностей находятся в карточке базовой модели. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-Coder-32B-Instruct-GGUF — это квантизированная версия инструкционной языковой модели Qwen2.5-Coder-32B-Instruct, разработанной Qwen и подготовленной в формате GGUF компанией Second State Inc. Модель предназначена для генерации текста и работы с программным кодом, включая сценарии чат-взаимодействия и задачи, где требуется понимание или создание кода. В README указан английский язык, а для общения используется шаблон ChatML. Модель имеет размер 32 млрд параметров и поддерживает контекст до 128 000 токенов при запуске через LlamaEdge. Доступны варианты с разной степенью квантизации — от Q2_K до Q8_0, а также F16; размер файлов составляет примерно от 12,3 до 34,8 ГБ, причём варианты Q4_K_M, Q5_K_M и Q5_K_S обозначены как рекомендуемые благодаря балансу между качеством и размером. Более сильная квантизация уменьшает требования к ресурсам, но может заметно снижать качество. Модель подходит для локального развёртывания и использования через LlamaEdge версии 0.14.14 или новее, включая запуск как сервиса или командного приложения. README не указывает мультимодальные возможности, поэтому модель следует рассматривать как текстовую. Распространение осуществляется по лицензии Apache 2.0.

Qwen3.5-9B-Qworus-V2 — гибридная языковая модель для генерации текста, разработанная на основе объединения моделей empero-ai/Qwen3.8-9B-Distill и ornith-ai/Ornith-1.5-9B. Модель создана методом 50/50 DARE-TIES merge и предназначена для задач программирования, рассуждений, вызова инструментов, планирования, проектирования и ответов на вопросы. Модель доступна через Transformers и ориентирована на text generation. Указан размер 9B; поддерживаются форматы Safetensors и GGUF. Для GGUF предоставлены варианты квантования Q4_K_L для систем с ограниченными ресурсами и Q6_K_L для более высокой точности. В этих вариантах слои токенов и вывода повышены до Q8_0, а тензоры ssm_* используют BF16 или Q8_0 для повышения точности на длинных контекстах. Для квантований imatrix обучена на смеси данных, включающей код, бизнес-тексты, математику и Wikipedia. Модель не является полностью uncensored по умолчанию, поскольку обе исходные модели не были uncensored. В README не указаны поддерживаемые языки, максимальная длина контекста и лицензия, поэтому эти характеристики нельзя определить по имеющимся данным.

Chandra-OCR-2-GGUF — набор квантованных файлов модели Chandra-OCR-2, разработанной Datalab и опубликованной пользователем prithivMLmods. Это мультимодальная модель для распознавания изображений и PDF-документов с преобразованием содержимого в структурированный Markdown, HTML или JSON при сохранении информации о расположении элементов. Она предназначена для обработки финансовой и научной документации, исторических сканов, многоязычных форм и других сложных документов в автоматизированных AI-конвейерах. Модель поддерживает более 90 языков и рассчитана на работу с текстом, таблицами, математическими формулами, рукописным текстом, элементами форм, включая флажки, широкими макетами документов, изображениями и диаграммами. Заявлены улучшения по сравнению с Chandra 1 в разборе формул, реконструкции сложных таблиц с объединёнными ячейками, распознавании рукописного текста, извлечении диаграмм и создании описаний изображений. В README указаны результаты 85,9% на бенчмарке olmocr и 77,8% по многоязычной оценке, однако архитектура, число параметров и размер контекста не приведены. Репозиторий содержит варианты GGUF от BF16 и F16 до квантований Q2_K–Q8_0 размером примерно от 2,12 до 9,7 ГБ, а также отдельные мультимодальные проекторы. Это позволяет выбирать компромисс между размером файлов, требованиями к ресурсам и качеством, но README не содержит подробных сравнений качества квантованных вариантов или требований к оборудованию. Модель доступна для локального запуска через HuggingFace Transformers и vLLM, а также через размещённые сервисы и playground. Лицензия обозначена как other, без уточнения условий и ограничений использования.

joshuapb/fine-tuned-matryoshka-100 — англоязычная модель Sentence Transformers, дообученная автором на основе BAAI/bge-base-en-v1.5 с использованием MatryoshkaLoss и MultipleNegativesRankingLoss. Она кодирует предложения и абзацы в плотные эмбеддинги для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации текста. Архитектура основана на BERT: модель использует CLS-пулинг и нормализацию, создаёт векторы размерностью 768, а сходство можно оценивать косинусной мерой. Обучение Matryoshka позволяет использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64; максимальная длина входа — 512 токенов. Модель содержит 136,7 млн параметров и распространяется по лицензии Apache-2.0.

Ling-3.0-flash — разговорная языковая модель компании Inclusion AI для генерации текста, рассуждений и выполнения агентных задач. В README описана гибридная линейная архитектура MoE с чередованием Kimi Delta Attention и gated MLA; заявлены 124 млрд параметров всего и 5,1 млрд активных на токен. Метаданные Hugging Face указывают размер 3,5 млрд параметров, поэтому точный размер модели по источникам расходится. Модель предназначена для задач программирования, следования инструкциям, математических рассуждений, работы с длинным контекстом и агентных сценариев, включая исследование и многошаговые рабочие процессы. Заявленное контекстное окно — 262 144 токена. README сообщает о тестировании на бенчмарках для кодирования и агентов, но это не гарантирует аналогичное качество в конкретных приложениях. Модель принимает текст и генерирует текст; сведений о поддержке других модальностей нет. Лицензия — MIT.

NVIDIA Nemotron Nano 12B v2 VL — мультимодальная модель NVIDIA на архитектуре Transformer с визуальным энкодером CRadioV2-H и языковой частью NVIDIA Nemotron Nano 12B v2. Модель содержит 12,6 млрд параметров и принимает текст, изображения и видео; контекст вместе с ответом — до 128 тысяч токенов. Для изображений поддерживается до четырёх входных кадров или страниц за запрос, для видео — от 8 до 128 кадров с частотой 2 кадра в секунду. Модель предназначена для мультимодального анализа документов, визуальных вопросов и ответов, суммаризации изображений и видео, а также рассуждений по визуальному содержимому. Подходит для извлечения сведений из счетов, чеков и руководств, а также для обработки нескольких страниц документа за один запрос. README указывает английский как поддерживаемый язык; обучающие данные включают также китайский и другие языки для отдельных визуальных задач, что не подтверждает полноценную поддержку этих языков в диалоге. Модель выдаёт текст, поддерживает чат и интерфейс вызова инструментов. Для обработки видео кадры необходимо извлечь заранее; видео декодирование не входит в модельный пайплайн. Указаны ограничения по числу и разрешению изображений, а также ориентация на системы с GPU NVIDIA. README заявляет готовность к коммерческому использованию, однако в метаданных лицензия обозначена как other, поэтому конкретные условия следует проверить в лицензии репозитория.