IV.9Медиа, журналистика, культура, архивы и игры

sd-dreambooth-library/fashion — модель генерации изображений по текстовому описанию для библиотеки DreamBooth. Карточка показывает использование StableDiffusionPipeline из библиотеки diffusers; репозиторий содержит модель в форматах Diffusers и PyTorch. В примере изображение создаётся по текстовому запросу. Модель предназначена для генерации изображений по промптам. Репозиторий опубликован под лицензией Apache-2.0. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или специальные ограничения применения.

FlexiViT Base 1000ep In21k — модель классификации изображений и визуальная backbone-модель. Её обучили авторы статьи FlexiViT на ImageNet-1k в JAX, затем Ross Wightman перенёс веса в PyTorch; репозиторий содержит формат PyTorch и safetensors. Модель включает 102,6 млн параметров и рассчитана на изображения размером 240 × 240 пикселей. Модель предназначена для классификации изображений и получения визуальных эмбеддингов, которые можно использовать в последующих задачах компьютерного зрения. Архитектура FlexiViT основана на Vision Transformer и поддерживает работу с разными размерами патчей. Лицензия — Apache-2.0. Это готовый чекпойнт для применения и экспериментов с компьютерным зрением. В карточке указано обучение на ImageNet-1k; отдельные ограничения качества или области применения не описаны.

bunnycore/Gemma2-9b-Max — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная автором bunnycore методом Model Stock с помощью mergekit. В основу слияния вошла bunnycore/HyperGemma-2-9B, также использованы модели для диалогов о психическом здоровье, gemma2-9B-sunfall-v0.5.2, uncensored LoRA и gemma-2-9b-it-abliterated. Модель содержит 9 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; принимает и выдаёт текст. Указанный родной контекст — 8192 токена. Модель может быть полезна для открытых диалоговых ответов и генерации текста, в том числе на темы психического здоровья. Карточка не сообщает результатов оценки качества или конкретных языков. Файлы представлены в формате safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

Gryphe/Gemma-4-26B-A4B-StyleTune — дообученная Gryphe версия Gemma 4 26B A4B Instruct, предназначенная прежде всего для творческого письма и ролевых диалогов с менее шаблонным стилем. При дообучении изменён только один тензор — выходной слой lm_head; остальные веса и возможности базовой модели, по заявлению автора, сохранены. В сравнении с базовой instruct-моделью на наборе из 200 ролевых запросов автор сообщает о снижении частоты клише на 54% и о низком совпадении триграммного словаря. Модель работает в формате safetensors и использует встроенный шаблон чата Gemma 4. Она принимает текст и выдаёт текст; в метаданных указан английский язык. Базовая Gemma 4 описана как мультимодальная модель, но README этого тюнинга говорит только о текстовом стиле, поэтому мультимодальные возможности этой версии здесь не подтверждены. Автор отмечает, что релиз заменён версией V2 и рекомендует использовать её. Лицензия — Apache-2.0.

Gemma4-Gutenberg-31B — мультимодальная модель семейства Gemma 4 от автора nbeerbower, дообученная на базе google/gemma-4-31B-it для генерации художественной прозы. ORPO-настройка на предпочтениях литературного текста усиливает внимание к внутреннему миру персонажей и темпу повествования, предпочитая их статичным описаниям и шаблонным оборотам. Обучение затронуло текстовый декодер; визуальная и аудиокомпоненты базовой модели сохранены. Модель предназначена прежде всего для написания и продолжения художественных текстов в литературной манере. Также она сохраняет мультимодальные возможности базовой модели для диалогов и анализа изображений. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Литературный уклон является предпочтением стиля, а не гарантией качества или соответствия конкретному жанру. Дообучение ориентировано на англоязычные тексты; качество работы на других языках не описано.

GenD (PE) — модель семейства GenD для классификации изображений и выявления дипфейков. Она соответствует варианту PE из таблицы 2 работы «Deepfake Detection that Generalizes Across Benchmarks»; автор README позиционирует её как детектор, рассчитанный на обобщение между бенчмарками. Модель принимает изображения и выдаёт метки классов. Репозиторий использует Transformers и хранит веса в формате safetensors. Лицензия — MIT. README не раскрывает размер модели, поддерживаемые наборы данных и численные показатели качества.

HardCoReNAS E.MIIL Green IN1K — модель компьютерного зрения для классификации изображений и извлечения визуальных признаков. Она основана на архитектуре HardCoReNAS и обучена авторами соответствующей работы на ImageNet-1k с их «зелёной» схемой обучения. Модель содержит 8,1 млн параметров, требует входные изображения размером 224 × 224 пикселя и имеет вычислительную сложность 0,4 GMACs. Модель можно использовать для присвоения изображению класса из набора ImageNet-1k, извлечения карт признаков и получения эмбеддингов изображений. Она предназначена для сценариев классификации и построения визуальных представлений; сведений о поддержке текстового ввода или генерации изображений нет. Доступна под лицензией Apache-2.0.

ChrisColeTech/hunyuan3d-mini — сборка компактной модели Hunyuan3D-2mini от Tencent для генерации 3D-сеток по изображению. В репозитории находятся веса shape DiT на 0,6 млрд параметров, а также компоненты Hunyuan3D-2.0-turbo и отдельные конвейеры delight и paint для подготовки и текстурирования мешей; веса не переобучались. Основной сценарий — получить лёгкую треугольную сетку из одного RGB(A)-изображения с предметом на простом фоне. Генерация меша занимает примерно 6–18 секунд на RTX 5090, а типичный размер результата составляет около 0,7 МБ. Выход img2mesh — сетка GLB без текстуры; текстурирование выполняется отдельным этапом и занимает около 85 секунд в описанной конфигурации. Модель ориентирована на черновики, предпросмотр и массовую генерацию, где важны скорость и компактность. Она сохраняет силуэт, пропорции и крупные элементы, но сглаживает мелкий рельеф; загромождённый фон ухудшает геометрию. Репозиторий распространяется по лицензии сообщества Tencent Hunyuan3D; условия распространения и коммерческого использования следует сверять с лицензией upstream.

Это репакетированная без изменения данных весов модель hunyuan3d-dit-v2-mini от Tencent, подготовленная для небольшого слота генерации формы в конвейере Hunyuan3D-Swift / Modelr MLX. Модель использует архитектуру DiT с flow matching и создаёт 3D-форму по изображению; для генерации применяется CFG с 30 шагами. Веса сохранены в формате FP16 в файле safetensors, рядом поставляется конфигурация DiT и VAE для загрузчика MLX. Модель предназначена для создания 3D-мешей по входному изображению через пакет Hunyuan3D-Swift и его CLI `hy3d`; результат можно сохранить, например, в GLB. Размер исходного чекпойнта — 0,6 млрд параметров. Репозиторий распространяется по лицензии `other`; конкретные условия лицензии в карточке не раскрыты.

InfinityKuno-2x7B — экспериментальная языковая модель на основе объединения Endevor/InfinityRP-v1-7B и SanjiWatsuki/Kunoichi-DPO-v2-7B. Разработчик объединил эти модели в архитектуру MoE с заявленным размером 2×7B; метаданные указывают архитектуру Mixtral, класс MixtralForCausalLM и 7,1 млрд параметров. Репозиторий содержит веса Safetensors, а карточка также упоминает вариант GGUF. Модель предназначена для генерации текста и ролевых диалогов; README указывает форматы промптов Alpaca, Extended Alpaca и Roleplay-Alpaca. Метаданные отмечают английский язык и контекст длиной 32 768 токенов. В карточке приведены результаты оценки на Open LLM Leaderboard, включая средний балл 72,32. Модель помечена как экспериментальная и как не подходящая для всех аудиторий; метаданные также содержат тег NSFW. Лицензия — Apache-2.0.

LeViT-128 — модель компьютерного зрения семейства LeViT, представленная авторами статьи «LeViT: a Vision Transformer in ConvNet's Clothing for Faster Inference» и выпущенная в репозитории Facebook. Она предварительно обучена на ImageNet-1k для классификации изображений с разрешением 224×224 и предсказывает один из 1000 классов ImageNet. Модель предназначена для распознавания объектов и сцен на изображениях, в том числе в сценариях, где важна быстрая обработка. Архитектура сочетает идеи Vision Transformer и свёрточных сетей; карточка указывает реализацию PyTorch. Лицензия — Apache-2.0.

LISA-13B-llama2-v1 — мультимодальная модель проекта LISA, разработанного исследовательской группой JIA-Lab под руководством Xin Lai и соавторов. Она построена на основе LLaVA и Llama 2 13B и предназначена для reasoning segmentation: по изображению и сложному текстовому запросу модель определяет целевой объект или область, формирует сегментационную маску и может дать текстовое объяснение результата. Проект поддерживает визуальные вопросы, использование мировых знаний, сложное рассуждение и многошаговый диалог.

Azazelle/Llama-3-Nerdy-RP-8B — объединённая языковая модель на архитектуре Llama, созданная автором Azazelle с помощью mergekit и метода Model Stock. В слияние вошли несколько моделей Llama 3 и адаптеров, в том числе варианты, ориентированные на ролевой формат, длинные истории, понимание намерений и диалоговые инструкции. Размер модели — 7,5 млрд параметров, контекст — до 8192 токенов; модель распространяется в формате safetensors и работает через Transformers. Модель предназначена для генерации текста, прежде всего ролевых диалогов и историй, а также ответов в чате. Её сильная сторона — сочетание нескольких специализированных вариантов, что может быть полезно для творческого письма и следования ролевому формату. Карточка не содержит сведений о лицензии или подробных оценках качества, поэтому условия использования и пригодность для конкретных задач следует проверять отдельно. Основана на Llama 3 и производных моделях; базовая лицензия может влиять на использование объединённых весов.

vantagewithai/LTX2.3-10Eros-1.5-GGUF — это версия в формате GGUF модели TenStrip/LTX2.3-10Eros, опубликованная vantagewithai для использования в ComfyUI. Модель предназначена для генерации видео из изображений (image-to-video) с управляемым описанием начальной сцены, движений, изменений композиции и аудио. Модель основана на LTX 2.3 и связана с Sulphur-2-base. Версия 1.5 представляет собой модификацию версии 1.4 с изменённой обработкой attention-gates, чтобы улучшить явное движение и анатомические детали, сохранив более стабильную структуру и стиль следования подсказкам версии 1.4. Она рассчитана на строгие, подробные и директивные текстовые запросы, а также лучше работает с гибридными DMD-настройками и совместимыми LoRA. Точные размер модели, архитектура, поддерживаемые языки, длина контекста и полный набор модальностей в README не указаны. Сильными сторонами заявлены более стабильные результаты, лучшее следование длинным и детализированным запросам, а также расширенная вариативность движений. Ограничения включают необходимость тщательной доработки промптов, возможные проблемы с анатомией и зависимость от специализированных рабочих процессов, узлов ComfyUI и LoRA. Лицензия в README не указана.

Карточка модели MLXBits/ltx-2.3-10eros-v1.2-dmd-mlx-q8 на Hugging Face совпадает с карточкой reallusion4free/ltx-2.3-10eros-v1.2-dmd-mlx-q8, поэтому описание составлено по ней. LTX-2.3 10Eros v1.2 DMD MLX q8 — производная модель для генерации видео из текстового описания или изображения. Её подготовил reallusion4free на основе TenStrip/LTX2.3-10Eros: дистилляция JoyAI Echo DMD объединена с базовыми весами, после чего линейные слои трансформера квантованы до int8. Пакет предназначен для запуска через ltx-2-mlx на компьютерах Apple Silicon; архитектура относится к семейству AudioVideo. Веса трансформера занимают около 19,2 ГБ, дополнительно включены коннекторы и нейросетевой пространственный апскейлер. Текстовый энкодер Gemma 3 12B в пакет не входит и загружается отдельно. Модель рассчитана на создание видео по промпту и, согласно тегам, по изображению с текстовым управлением. Доступен только distilled-режим: пути dev-модели и режимы one-stage, two-stage и two-stages-hq недоступны. В README модель обозначена как предназначенная для взрослых; запрещается использовать её для незаконного контента и изображения реальных людей без согласия. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

LW-DETR Tiny — компактная модель обнаружения объектов на изображениях из семейства Light-Weight Detection Transformer. Архитектура сочетает Vision Transformer с чередованием оконного и глобального внимания, свёрточный блок-проектор и неглубокий декодер DETR с деформируемым cross-attention. Модель представлена в формате Safetensors и доступна для использования через Transformers. Модель предназначена для обнаружения и локализации объектов с балансом скорости и точности, в том числе в сценариях реального времени. В описании указаны предварительное обучение на Objects365 и заключительное обучение на COCO 2017; конкретные размеры, число классов и показатели качества для этой версии не приведены. Репозиторий распространяется по лицензии Apache-2.0.

MambaOut Kobe — модель компьютерного зрения для классификации изображений и извлечения признаковых карт и эмбеддингов. Она разработана авторами работы «MambaOut: Do We Really Need Mamba for Vision?» и предварительно обучена на ImageNet-1k. Модель содержит 9,1 млн параметров; указанные вычислительные затраты составляют 1,5 GMACs. Размер изображения при обучении — 224 × 224, при тестировании — 288 × 288. Модель подходит для распознавания объектов и категорий на изображениях, а также как компактная визуальная основа для извлечения признаков. Репозиторий предоставляет веса PyTorch в формате safetensors и использует библиотеку timm. Модель распространяется по лицензии Apache-2.0.

ChrisColeTech подготовил вариант MiniMax Music 3 в формате GGUF на основе MiniMaxAI/MiniMax-Music3. Это генеративная модель музыки с авторегрессионным текстовым энкодером и трансформером DiT с flow matching: она создаёт цельные стереопесни с вокалом по описанию музыки и тексту песни. В README заявлены длительность до пяти минут и формат аудио 44,1 кГц; рекомендуемые параметры генерации — 30 шагов и guidance 1,7. Модель подходит для создания песен с заданными жанром, темпом, тональностью, настроением, вокалом и аранжировкой. В тексте песни можно задавать структуру с помощью тегов вроде [verse], [chorus] и [outro]. Репозиторий включает варианты GGUF F16, Q6_K и Q8_0, а также файл safetensors; README описывает компоненты текстового энкодера, трансформера и аудиокодека. Для работы с GGUF в ComfyUI требуется обновлённый загрузчик GGUF. Модель ориентирована на генерацию музыки, а не на транскрибацию или анализ аудио. README приводит пример скорости на RTX 5090, но фактическое время зависит от оборудования и настроек. Лицензия указана как other, поэтому перед использованием следует проверить условия лицензии исходной модели MiniMax Music 3.

MiniMax Video Prompt Enhancer — текстовая модель на 2,6 млрд параметров, разработанная geocine путём дообучения LiquidAI/LFM2.5-2.6B. Она переписывает краткую идею ролика в структурированный промпт для видеогенератора MiniMax H3: описывает кадры и планы, работу камеры, звуковую среду и музыку. Модель рассчитана на заданный формат запроса ChatML и режимы T2VA, I2VA, FL2VA, L2VA, а также сценарии с описаниями референсных кадров, видео и аудио. Модель принимает текст и выдаёт текстовый промпт; сами изображения, видео и аудио она не генерирует и принимает описания референсов в виде текста. Карточка указывает контекст длиной 131 072 токена и поддержку английского языка. По заявленным в README испытаниям, корректность формата составила 100% при жадном декодировании и 98,4% при температуре 0,7; результаты относятся к указанной проверке и не гарантируют качество для произвольных запросов. Модель оптимизирована для структуры промптов MiniMax, а не для свободного диалога. Лицензия указана как other, конкретные условия использования следует сверить с карточкой репозитория.

MiniMax Video Prompt Enhancer 2.6B — GGUF — это компактная модель генерации текста, разработанная geocine и дообученная на базе LiquidAI LFM2.5-2.6B. Она предназначена для преобразования черновых идей в структурированные промпты для видеогенератора MiniMax H3, включая описание кадров, камеры, звукового окружения и музыки. Модель имеет около 2,6 млрд параметров и поставляется в формате GGUF для запуска через llama.cpp, в том числе на CPU. Доступны варианты квантования Q4_K_M, Q8_0 и F16; рекомендуемый Q4_K_M занимает около 1,7 ГБ. Модель работает с англоязычным текстом, ожидает запросы в формате ChatML и поддерживает сценарии T2VA, I2VA, FL2VA, L2VA, редактирования и продолжения видео, а также работу с текстовыми описаниями изображений, видео и аудио. Размер контекста в README не указан. Сильными сторонами являются высокая точность соблюдения требуемого формата: заявлен показатель прохождения проверок 100% при greedy-декодировании и 98,4% при sampling. Это специализированный prompt rewriter, а не универсальная диалоговая модель, поэтому для стабильной работы ей необходимы точный системный промпт и заданная структура пользовательского сообщения. Лицензия указана как lfm1.0; тип лицензии обозначен как other.

MiniMax Video Prompt Enhancer — дообученная Liquid AI модель на архитектуре LFM2 для преобразования кратких идей в структурированные текстовые промпты для генерации и редактирования видео в MiniMax H3. Она оформляет описание в ожидаемую моделью схему со сценами, движением камеры, звуковым окружением и музыкальным сопровождением. Поддерживаются режимы T2VA, I2VA, FL2VA, L2VA и сценарии full-reference rewrite; входные кадры, клипы и аудио описываются текстом в заданном формате ChatML. Модель содержит 444,6 млн параметров, использует библиотеку Transformers, формат весов safetensors и имеет контекстное окно 128 000 токенов. Карточка ориентирует её на англоязычные запросы и задаёт специальные шаблоны system prompt и user message. Лицензия указана как other, без уточнения условий в доступных данных. Модель предназначена для подготовки промптов, а не для открытого диалога или генерации самого видео. Она оптимизирована под структуру MiniMax H3; длинные или сложные описания с большим числом сцен могут обрабатываться неполно и требовать постобработки.

Карточка модели camel911/Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC на Hugging Face совпадает с карточкой DavidAU/Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC, поэтому описание составлено по ней. DavidAU разработал Mistral-Nemo-2407-12B-Thinking-Claude-Gemini-GPT5.2-Uncensored-HERETIC как дообученную версию Mistral Nemo Instruct 12.1B с использованием наборов данных, основанных на рассуждениях Claude, Gemini и GPT-5.2. Это плотная авторегрессионная языковая модель семейства Mistral для генерации текста и диалога; карточка описывает её как модель с пошаговым рассуждением и ориентиром на компактные ответы с развёрнутой прозой. Модель предназначена для творческого письма, продолжения сцен и сюжетов, ролевого общения, а также ответов в диалоге. В карточке заявлен контекст до 1 024 000 токенов; сама карточка рекомендует окно не менее 4k, предпочтительно 8k и выше. Указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Репозиторий содержит веса safetensors; метаданные указывают библиотеку Transformers. Модель настроена на генерацию откровенного, грубого и хоррор-контента, поэтому её ответы могут включать ненормативную лексику и взрослые темы. Автор не приводит условий лицензии в предоставленной карточке; перед использованием следует проверить лицензию репозитория на Hugging Face.

Modelshoot Style — модель генерации изображений по текстовому описанию, созданная автором карточки на основе Stable Diffusion 1.5 методом DreamBooth и обученная на разнообразных фотографиях людей. Она предназначена для создания портретов и изображений людей в полный или средний рост с одеждой и эстетикой модной фотосъёмки. Для вызова стиля автор рекомендует добавлять в промпт фразу «modelshoot style», а также указывать персонажа и место действия; модель лучше работает с высоким вертикальным соотношением сторон. Модель доступна в формате Diffusers с весами safetensors и распространяется по лицензии CreativeML OpenRAIL-M. При удалённом от камеры персонаже качество лица обычно снижается, а сходство знаменитостей может быть хуже; обучение на разрешении 512×512 также ограничивает детализацию, которую автор предлагает улучшать с помощью inpainting.

jiaqikunyang выпустил дообученный классификатор изображений для определения подлинности лицевых изображений и выявления дипфейков. Модель основана на Vision Transformer google/vit-base-patch16-224 и содержит 113,2 млн параметров; она относит изображение к одному из двух классов: fake или real. Модель реализована на PyTorch и Hugging Face Transformers, веса опубликованы в формате safetensors и распространяются по лицензии MIT. Модель предназначена для проверки отдельных изображений лица. В README для тестовой выборки указаны accuracy 77,52%, F1 78,77% и AUC 84,80%. Обучение проводилось пять эпох на наборе из 2041 изображения; классификатор не различает типы подделок и не обрабатывает видео. Ограниченный размер обучающих данных может снижать качество на новых источниках и условиях съёмки.

Gemma4-Gutenberg-31B-Heretic-GGUF — GGUF-квантизация модели Gemma4-Gutenberg-31B-Heretic, разработанной nbeerbower и подготовленной bartowski. Модель ориентирована прежде всего на генерацию художественного текста, включая прозу, художественную литературу, научную фантастику, фэнтези, романтические и приключенческие сценарии. Обучение или дообучение связано с наборами данных Gutenberg и DPO, включая коллекции художественных текстов и предпочтений пользователей. Модель имеет размер 31B параметров и распространяется в нескольких вариантах квантизации, от bf16 до Q3 и IQ4. Доступны файлы GGUF, предназначенные для запуска через llama.cpp и совместимые приложения, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. В README указан английский язык. Архитектура, точный размер контекста и подтверждённый набор поддерживаемых модальностей не описаны; тег image-text-to-text сам по себе не позволяет достоверно подтвердить полноценную работу с изображениями. Сильные стороны модели — специализация на художественном письме, большой размер и широкий выбор квантизаций, позволяющий выбирать между качеством и требованиями к памяти. Ограничения включают высокие системные требования для крупных вариантов, возможное снижение качества при более агрессивной квантизации и отсутствие в предоставленных данных подробных результатов оценки. Для работы требуется совместимое ПО с поддержкой данной модели и формата GGUF. Модель распространяется по лицензии Apache-2.0.

nougatJawiCharJawi — дообученная модель bustamiyusoef для преобразования изображений с текстом на яви в текст. Она построена на архитектуре vision-encoder-decoder и предназначена для распознавания символов яви на изображениях. В README приведён результат на наборе оценки: loss 1,9076; описание обучающих данных и дополнительные сведения о качестве отсутствуют. Модель опубликована в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

elprofessor67/om-logistics-pod-v7-8b — дообученная модель elprofessor67 на базе elprofessor67/om-logistics-pod-v3. Это мультимодальная модель семейства Qwen3-VL для диалога с текстом и изображениями; карточка указывает поддержку vision и интерфейса вызова инструментов. Модель предназначена для задач image-text-to-text, то есть для формирования текстового ответа по текстовому запросу и изображению. Модель обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не уточняет специализацию, размер параметров или длину контекста, поэтому их нельзя надёжно описать.

Helsinki-NLP/opus-mt-tc-bible-big-sem-deu_eng_fra_por_spa — модель машинного перевода проекта OPUS-MT, разработанная группой Language Technology Research Group Хельсинкского университета. Это архитектура Marian transformer-big с 163,3 млн параметров, доступная для Transformers в форматах PyTorch и safetensors; контекст составляет до 1024 токенов. Модель переводит с семитских языков на немецкий, английский, французский, португальский и испанский. В перечень исходных языков входят арабские разновидности, амхарский, древнееврейский и другие семитские языки, включая исторические и малоресурсные. Её можно применять для перевода текстов и материалов на этих языках на один из поддерживаемых европейских языков. Модель обучена в рамках OPUS-MT на данных OPUS. Качество может различаться между языками и тематиками, особенно для малоресурсных и исторических языков; перевод требует проверки человеком в критически важных сценариях. Лицензия — Apache-2.0.

Qliphoth 12B v1.2 — экспериментальная слитая языковая модель от OccultAI для диалоговой генерации, творческого письма и ролевых сценариев. Она создана методом mergekit на основе Mistral-Nemo-Instruct-2407 и ряда дообученных и слитых моделей; архитектура — плотная MistralForCausalLM, размер — 12,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживает шаблон диалога ChatML и заявленный контекст до 1 024 000 токенов. В README отмечены творческий стиль и разнообразные, подробные ответы. У модели бывают отказы, а ответы и устойчивость могут зависеть от шаблона диалога; для этой версии заявлена поддержка только ChatML. Языки и специализированные предметные области в материалах не определены. Модель распространяется в формате safetensors; сведения о лицензии отсутствуют.

Peganum — экспериментальная слитая языковая модель на архитектуре Qwen2.5, опубликованная Nohobby. Она предназначена прежде всего для ролевых диалогов и генерации текста; автор отмечает немного меньше отказов по сравнению с другими настройками Qwen и не замечает явного снижения производительности из-за abliteration. Модель использует формат ChatML и содержит 32 млрд параметров; заявленная длина контекста — 131072 токена. В карточке указано слияние нескольких вариантов Qwen2.5-32B, включая RPMax, EVA-Instruct, Qwen2.5-Instruct и abliteration-вариант; для одного из этапов описан task arithmetic. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Автор характеризует работу как пробное слияние, поэтому качество и поведение могут зависеть от сценария и настроек генерации.