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

V-JEPA 2.1 ViT-g/16 384 — конвертированная упаковка видеомодели Meta AI в формате Hugging Face для библиотеки Transformers. Репозиторий содержит энкодер и предиктор с исходными весами Meta; в энкодере объединённые проекции QKV разделены на отдельные матрицы query, key и value без изменения весов. В README указан размер 1,07 млрд параметров, а метаданные каталога — 1,3 млрд. Модель обучена с иерархической самодистилляцией представлений последних четырёх уровней, поддерживает обработку видео с разрешением 384×384 и извлечение многоуровневых признаков. Модель предназначена для извлечения признаков из видеоклипов и как основа для обучения проб классификации видео. Также доступны промежуточные представления энкодера и предиктор для masked prediction. Пространственно-временные токены формируются с сеткой 24×24 и временным измерением в половину числа кадров; интерполяция RoPE позволяет использовать другие разрешения и неквадратные кадры. Число токенов быстро растёт с длиной клипа, поэтому длинные видео требуют значительных вычислительных ресурсов. Классификационная голова и attentive pooler инициализируются заново и требуют обучения. Лицензия — MIT.

espnet/voxcelebs12_rawnet3 — модель распознавания и сравнения говорящих, обученная Jungjee по рецепту VoxCeleb в ESPnet. Она принимает аудио и предназначена для задач верификации говорящего: оценки того, принадлежат ли два аудиофрагмента одному человеку. В репозитории указана архитектура RawNet3; веса представлены в формате PyTorch, лицензия — CC BY 4.0. В карточке приведён результат на тесте: EER 0,739% и minDCF 0,05818. Модель связана с многоязычным набором данных VoxCeleb, однако карточка не уточняет конкретные языки речи или длину аудио для применения. Для использования требуется ESPnet2 и совместимое окружение PyTorch.

Abduqayum/whisper-uzbek-medium-callcenter — модель распознавания речи на узбекском языке, созданная дообучением Whisper-medium на узбекском STT-датасете объёмом около 780 часов. Она предназначена для преобразования речи в текст, в том числе телефонных записей и звонков с узкополосным звуком, шумом и реверберацией. Обучение включает аугментацию телефонного аудио и примеры тишины и неречевых звуков, чтобы снизить появление выдуманного текста на таких фрагментах. Модель содержит 455,8 млн параметров, использует архитектуру Whisper и доступна для Transformers в формате safetensors. В описанных автором оценках WER составил 7,88% на FeruzaSpeech, 13,37% на Common Voice 17.0 uz и 14,40% на FLEURS uz; перед подсчётом нормализовались числа, регистр, апострофы и пунктуация. Модель настроена на узбекскую латиницу; транскрипция кириллицей не является целевой. В обучающих транскрипциях, автоматически полученных с помощью Gemini, возможны ошибки. Лицензия — Apache-2.0.

wikibert-ViFactCheck-FC — классификатор на базе TurkuNLP/wikibert-base-vi-cased, дообученный BaoNhan для проверки утверждений по полному контексту статьи на наборе ViFactCheck. Модель принимает утверждение на вьетнамском языке вместе с текстом статьи и относит пару к одному из трёх классов: утверждение подтверждается, опровергается или имеющихся сведений недостаточно. Архитектура — BERT для классификации последовательностей; в репозитории указаны 128,7 млн параметров, библиотека Transformers и файлы safetensors. Метаданные указывают контекст до 512 токенов; при обучении использовалась максимальная длина 256 токенов. Модель предназначена для проверки фактов, когда исходная статья уже известна. В опубликованной оценке на ViFactCheck средний Macro-F1 составил 0,6229, а точность — 0,6225 по трём запускам. Поиск статей в интернете не входит в проверяемую задачу: модель не извлекает доказательства, а длинный контекст статьи может обрезаться. Авторы характеризуют её как исследовательский классификатор, а не автоматический арбитр истины; возможны уверенные ошибочные ответы. Лицензия в предоставленных данных не указана.

FPHam разработал Writing_Partner_Mistral_7B — разговорную модель-помощник для работы над художественными текстами. Она предназначена прежде всего для обсуждения писательского процесса: помогает продумывать сюжет, персонажей и имена, а также даёт советы по сценам и диалогам. Модель может предложить примеры текста, но её основное назначение — быть собеседником и помощником автора. Это плотная языковая модель Mistral с 7,1 млрд параметров, работающая через генерацию текста и поддерживающая диалог и следование инструкциям. В карточке указаны английский язык, контекст до 32 768 токенов и формат safetensors. Модель использует шаблон общения ChatML и распространяется по лицензии Apache-2.0.

Astrea-RP-v1-3B — текстовая генеративная модель для диалогов и ролевого общения, опубликованная Aryanne. Это плотная причинная языковая модель семейства StableLM Epoch с 2,7 млрд параметров и контекстом до 4096 токенов. В README рекомендован формат промпта Vicuna, но автор отмечает, что можно использовать и другие форматы. Модель создана слиянием task arithmetic из euclaise/Ferret-3B, stabilityai/stablelm-zephyr-3b, euclaise/Echo-3B и Aryanne/Astridboros-3B; веса опубликованы в формате safetensors. Карточка указывает английский язык. Автор предполагает, что к модели применима лицензия StableLM Zephyr для некоммерческого использования, поэтому условия лицензирования слияния требуют проверки перед применением.

BibTexer — специализированная языковая модель PleIAs для извлечения библиографических ссылок из неструктурированного текста и преобразования их в записи BibTeX, пригодные для загрузки в библиографические базы данных. Модель обучена на разнообразных библиографических стилях, в том числе представленных в Zotero, и на повреждённых текстах с переносами строк и артефактами оцифровки. Модель предназначена для обработки библиографий на европейских языках и поддерживает многоязычные стили и форматы. Это DeBERTa-v2 с 306 млн параметров, настроенная для классификации токенов; максимальный контекст составляет 512 токенов. Лицензия — Apache-2.0. README описывает преобразование ссылок в BibTeX, но не приводит количественных оценок качества.

BlackSheep-Mistral-RP-7B-GGUF — это набор квантизированных GGUF-версий текстовой генеративной модели BlackSheep-Mistral-RP-7B, разработанной TroyDoesAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска и генерации текста, включая сценарии roleplay, через совместимые инструменты, например LM Studio или llama.cpp. В основе лежит модель класса Mistral с размером 7B параметров; доступны варианты от F16 до низкобитных Q2–Q8 и IQ-квантизаций. Размер файлов составляет примерно от 3 до 14,48 ГБ в зависимости от варианта. README указывает специальный формат приглашений с конструкциями [INST] и [/INST]. Поддерживаются только текстовые входы и выходы; сведения о языках и размере контекстного окна не приведены. Основное преимущество набора — возможность выбрать баланс между качеством генерации, потреблением памяти и производительностью локального запуска. Варианты Q5–Q6 и Q4_K рекомендуется использовать как высококачественные, тогда как более сильное сжатие экономит память за счёт снижения качества. Модель распространяется по лицензии Artistic-2.0.

Модель swap-uniba/bloom-1b7-it разработана исследовательской группой SWAP кафедры информатики Университета Бари Альдо Моро. Это плотная авторегрессионная языковая модель семейства BLOOM с примерно 2,1 млрд параметров и контекстом до 4096 токенов. Она предназначена для генерации текста на итальянском языке и адаптирована к нему продолжением предобучения исходной BLOOM-1b7 на примерно 2,8 млн документов из итальянской Википедии; в описании обучения также указаны LoRA и SFT. Модель подходит для генерации и продолжения итальянских текстов, в том числе на энциклопедические темы. Карточка указывает лицензию bigscience-bloom-rail-1.0. Обучение на материалах Википедии и адаптация к итальянскому языку могут ограничивать качество на других языках и в темах, слабо представленных в обучающих данных.

tue-mps/coco_panoptic_eomt_large_640 — модель сегментации изображений на архитектуре EoMT (Encoder-only Mask Transformer), разработанной для Vision Transformer. Архитектура представлена в статье «Your ViT is Secretly an Image Segmentation Model», отмеченной на CVPR 2025. Модель содержит около 402,7 млн параметров и предназначена для паноптической сегментации изображений на основе COCO. Модель выделяет объекты и области на изображении, объединяя семантическую и экземплярную сегментацию. EoMT использует ViT с компактным mask transformer и не требует специализированного декодера или модуля слияния пиксельных признаков; одна архитектура поддерживает семантическую, экземплярную и паноптическую сегментацию с соответствующей постобработкой. Репозиторий содержит веса PyTorch в формате Safetensors и использует библиотеку Transformers. Модель принимает изображения и выдаёт сегментационные маски и разметку объектов. Карточка не сообщает отдельные ограничения качества или список поддерживаемых языков; текстовые языки для этой задачи не требуются. Лицензия — MIT.

facebook/convnextv2-nano-22k-384 — свёрточная модель для классификации изображений, разработанная командой Facebook AI. ConvNeXt V2 использует полностью свёрточный masked autoencoder FCMAE и слой Global Response Normalization (GRN); эта версия предварительно обучена с FCMAE и дообучена на ImageNet-22K для изображений размером 384×384. Модель предназначена для распознавания объектов и отнесения изображений к классам ImageNet-22K. Её можно применять как готовый классификатор или использовать как основу для дальнейшей настройки под другие задачи компьютерного зрения. Доступны веса PyTorch, Safetensors и TensorFlow. Модель распространяется по лицензии Apache-2.0.

DarkForest-20B-v1.0 — слитая языковая модель на архитектуре Llama, опубликованная TeeZee. По README, при создании объединили microsoft/Orca-2-13b и KoboldAI/LLaMA2-13B-Erebus-v3, затем использовали jebcarter/psyonic-cetacean-20B для финального этапа. Модель содержит около 19,8 млрд параметров и имеет контекст 4096 токенов. Модель предназначена для генерации текста и ролевых сценариев, включая истории со взрослыми и откровенными сценами. Автор отмечает следование инструкциям, переключение между SFW- и NSFW-контекстами и способность отслеживать нескольких персонажей в одной сцене; качество художественного повествования описано как не достигающее уровня Harry Potter. В метаданных указан формат safetensors; README также ссылается на отдельную версию GGUF. Лицензия обозначена как other, поэтому конкретные условия использования следует проверять на странице модели.

DarkSapling-7B-v2.0 — языковая модель TeeZee, полученная слиянием четырёх моделей семейства Mistral 7B методом DARE TIES. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; веса доступны в формате safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста, диалогов от лица персонажа и сюжетных сцен. Автор отмечает эмпатичный и романтический стиль, следование карточке персонажа и инструкциям, а также возможность переключаться между обычным и откровенным содержанием. В README заявлены оценки отдельных бенчмарков, но они не гарантируют качество в конкретных сценариях. Модель может создавать контент NSFW, включая откровенные сцены и мрачные сценарии. Подходит для англоязычных текстовых сценариев; оснований утверждать поддержку других языков нет.

MelodyMachine выпустила Deepfake-audio-detection-V2 — дообученную модель классификации аудио на базе motheecreator/Deepfake-audio-detection. Модель использует архитектуру Wav2Vec2ForSequenceClassification и содержит 113,3 млн параметров. Модель предназначена для классификации аудиозаписей, в частности для выявления дипфейкового аудио. На оценочном наборе данных автор сообщает точность 0,9973 и значение функции потерь 0,0141; описание набора и протокола оценки не приведено. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Это модель DeiT (Data-efficient Image Transformer) для классификации изображений и извлечения визуальных признаков. Её обучили авторы статьи на наборе ImageNet-1k; модель распространяется в библиотеке timm в форматах PyTorch и safetensors. Число параметров — 86,6 млн, вычислительная сложность — 17,6 GMACs, входное разрешение — 224 × 224 пикселя. Модель подходит для определения объектов и сцен на изображениях по классам ImageNet-1k, а также как визуальная основа для получения эмбеддингов в задачах компьютерного зрения. Лицензия репозитория — Apache-2.0. Карточка не описывает поддержку иных наборов классов или изображений вне ImageNet-1k.

DETR-ResNet-50-DC5-Panoptic — модель для паноптической сегментации изображений, разработанная авторами DETR и опубликованная командой Hugging Face. Она обучена на COCO 2017 Panoptic, содержащем 118 тысяч размеченных обучающих изображений. Архитектура сочетает свёрточную основу ResNet-50 с расширенной пятой стадией и трансформером типа encoder-decoder. Запросы объектов позволяют модели предсказывать классы и рамки объектов; дополнительная масочная голова формирует сегментацию. Модель принимает изображение и выдаёт разметку объектов и сегментационные маски. Валидационные показатели на COCO 2017: box AP 40,2, segmentation AP 31,9 и panoptic quality 44,6. Модель предназначена для сегментации сцен и объектов на изображениях, в том числе для задач компьютерного зрения на данных, близких к COCO. В карточке указана лицензия Apache-2.0. Результаты и обучающие данные ориентированы на категории COCO; качество на других доменах карточкой не подтверждено.

m-newhauser/distilbert-political-tweets — модель DistilBERT, дообученная на наборе m-newhauser/senator-tweets, содержащем твиты сенаторов США за первый год администрации Байдена. Она классифицирует короткие тексты по политической принадлежности к Демократической или Республиканской партии, обучена на 99 693 твитах 2021 года и показывает на тестовой выборке accuracy 0,9076 и F1 0,9117. Модель принимает текст на английском языке; контекст ограничен 512 токенами. Доступны веса PyTorch и TensorFlow. Лицензия — LGPL-3.0. Качество на текстах длиннее твитов может быть ниже.

Electric Sheep 7B Alpha — экспериментальная чат-модель на 7,1 млрд параметров, разработанная maldv на основе maldv/winter-garden-7b-alpha и архитектуры Mistral. Модель дообучена на корпусе, где около 70% составляют книги, а остальные данные взяты из разговорных, научных и математических наборов. Она рассчитана прежде всего на продолжение текста и художественное письмо: автор описывает её как модель, которая охотно генерирует длинные истории без заданного сюжета. Для задания темы можно использовать префикс [WP] Topic; модель обучалась без обязательного промпта и может продолжать генерацию с начала текста. Размер контекста — 32 768 токенов. В карточке указаны английский язык и чат-возможность. Модель может быть интересна для творческих экспериментов и генерации историй, но автор отмечает склонность к длинному письму без связного сюжета. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Модель Fine-Tashkeel разработана для восстановления диакритических знаков в арабском тексте. Это дообученная версия ByT5 с архитектурой T5, которая обрабатывает текст без предварительной токенизации на слова и символы; размер модели — 793,3 млн параметров. Дообучение выполнено на наборе данных Tashkeela в течение 13 000 шагов. Модель предназначена прежде всего для огласовки классического арабского языка: она получает текст без диакритики и генерирует текст с восстановленными знаками. В README сообщаются Diacritics Error Rate 0,95 и Word Error Rate 2,49. Модель опубликована разработчиками для сообщества исследователей, но это само по себе не ограничивает её практическое применение. Лицензия — MIT.

ND911/Franken-MistressMaid-10.5B-v2 — текстовая авторегрессионная модель семейства Mistral, созданная с помощью mergekit методом passthrough. В README указано, что при слиянии использована Franken-Maid-v2; конфигурация собирает диапазоны слоёв этой модели, а веса сохранены в формате float16. Модель содержит около 10,4 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, в том числе ролевого общения в SillyTavern. Автор рекомендует настройки Min-P и Noromaid для SillyTavern. В репозитории также размещены пресеты и шаблон контекста для этой среды. Модель распространяется в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют. README отмечает, что автор не заявляет авторство на приложенные файлы SillyTavern и не знает их первоначальных авторов.

Gata 0.01 — специализированная модель quimmedes для разработки браузерных игр. Она дообучена методом QLoRA на базе Qwen/Qwen3.5-9B и предназначена для генерации полного кода и структуры файлов, необходимых для запуска игры в браузере. В README также описана архитектура, расширенная до 12 млрд параметров с помощью масштабирования глубины; метаданные относят модель к семейству Qwen 3.5 и указывают класс генерации «изображение-текст».

Карточка модели Peterpet6/gemma-4-E2B-it-The-DECKARD-Expresso-ONE-Universe-HERETIC-UNCENSORED-Thinking на Hugging Face совпадает с карточкой DavidAU/gemma-4-E2B-it-The-DECKARD-Expresso-ONE-Universe-HERETIC-UNCENSORED-Thinking, поэтому описание составлено по ней. DavidAU представил The-DECKARD-Expresso-ONE-Universe-HERETIC-UNCENSORED-Thinking — экспериментальную дообученную версию мультимодальной Gemma 4 E2B IT от Google DeepMind. Модель использует архитектуру Gemma4ForConditionalGeneration и распространяется в формате safetensors через Transformers; базовая модель имеет 2 млрд параметров и поддерживает анализ текста, изображений и аудио с текстовой выдачей. Модель предназначена для диалогов и рассуждений без стандартных ограничений, а также для творческого письма и сценариев, перечисленных в тегах карточки. Автор помечает её как находящуюся на тестировании и приводит собственные бенчмарки без описания методики. Лицензия — Apache-2.0. Данных о контекстном окне и языковой поддержке этой версии в предоставленных источниках нет.

Giant Hydra 240B — экспериментальная языковая модель ibivibiv, созданная как смесь экспертов (MoE) на основе четырёх моделей семейства 70B: Marcoroni-70B-v1, Aurora-Nights-70B-v1.0, strix-rufipes-70b и ICBU-NPU/FashionGPT-70B-V1.1. В метаданных указаны архитектура Mixtral, класс MixtralForCausalLM и 68,7 млрд параметров; в README автор описывает её как объединение четырёх моделей примерно на 70 млрд параметров каждая, с заявленными примерно 240 млрд параметров. Модель предназначена для генерации текста по широкому кругу тем и дисциплин. Карточка указывает английский язык, а контекст модели составляет 4096 токенов. Автор сообщает, что объединял модели с расчётом на охват разных дисциплин, но не приводит результаты бенчмарков и подробностей обучения или оценки, поэтому качество и сильные стороны не подтверждены опубликованными измерениями. Метаданные указывают лицензию Llama 2, тогда как README заявляет Apache 2; лицензионные сведения противоречивы, их следует проверить в репозитории перед использованием.

Half-NSFW_Noromaid-7b — текстовая авторегрессионная модель на архитектуре Mistral с 7,1 млрд параметров. Её создал Azazelle, объединив методом Slerp модели NeverSleep/Noromaid-7b-v0.2 и athirdpath/NSFW_DPO_Noromaid-7b; в конфигурации слияния указана базовая модель mistralai/Mistral-7B-v0.1. Модель предназначена для генерации текста в диалогах и сценариях ролевого общения, включая контент для взрослой аудитории. Указанное в метаданных контекстное окно составляет 32 768 токенов. Репозиторий содержит веса в формате Safetensors, а лицензия — CC BY 4.0. Карточка не приводит сведений о языковом охвате или результатах оценки качества.

heretic-rp-vision-31b-i1-GGUF — квантизированная GGUF-версия мультимодальной модели sh0ck0r/heretic-rp-vision-31b, подготовленная mradermacher. Модель относится к семейству Gemma и предназначена для взаимодействия с текстом и изображениями. Основные сценарии применения — ролевые диалоги, чат, творческое письмо и работа с тематикой anime. Заявлена поддержка английского языка. Модель имеет размер 31B согласно идентификатору базовой модели, однако точная архитектура, размер контекстного окна и перечень поддерживаемых форматов изображений в README не указаны. Репозиторий содержит варианты квантизации i1 от IQ1_S до Q6_K с разным соотношением размера, скорости и качества; среди рекомендуемых указаны i1-Q4_K_M и i1-Q4_K_S. Более агрессивные варианты могут заметно уступать в качестве, а для обработки изображений потребуются дополнительные mmproj-файлы из статического репозитория. Модель распространяется по лицензии Gemma.

JEJUMA-002 — корейская языковая модель для работы с региональными диалектами, разработанная в рамках проекта по их сохранению. Это плотная авторегрессионная модель семейства Llama на 7,5 млрд параметров, дообученная на базе Llama 3.1 с помощью LoRA. Модель принимает текст и поддерживает диалоговый режим; заявленная длина контекста — 131 072 токена. Модель преобразует диалектную речь в стандартный корейский, переводит стандартный корейский на диалект, определяет диалект региона и может определить его с последующим переводом на стандартный язык. Для обучения отобрали около 750 тысяч пар диалектных и стандартных фраз и расширили их до примерно 2 миллионов примеров для четырёх задач. По описанию авторов, при работе со сложными диалектами модель уступает GPT-4o, Solar и HyperCLOVA X по точности перевода. Распространяется по лицензии MIT.

DavidAU создал L3.1-Dark-Reasoning-LewdPlay-evo-Hermes-R1-Uncensored-8B — объединённую разговорную модель генерации текста на архитектуре LlamaForCausalLM, основанную на NousResearch/DeepHermes-3-Llama-3-8B-Preview и Undi95/Llama-3-LewdPlay-8B-evo. Веса представлены в формате safetensors; модель насчитывает 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена прежде всего для творческого письма, ролевых диалогов, развития сюжетов и сцен, а также может применяться для загадок, логических задач и общего общения. Она поддерживает английский язык и использует управляемый системными подсказками режим рассуждений; автор отмечает, что его качество ниже, чем у исходной DeepHermes. Для диалога требуется шаблон Llama 3 Instruct или совместимый шаблон, а автор сообщает о нестабильной активации рассуждений и необходимости повторных генераций. Модель явно предназначена для создания откровенного контента, включая графические сцены насилия и сексуальный контент. Лицензия — Apache-2.0; сама лицензия не гарантирует допустимость любого сгенерированного содержания в конкретном контексте.

Genetic Lemonade Final — слитая модель на архитектуре Llama, созданная автором zerofata как вторая версия серии Genetic Lemonade. Модель содержит 69,5 млрд параметров, работает через Transformers, использует формат safetensors и поддерживает контекст до 131 072 токенов. В качестве компонентов слияния указаны несколько моделей семейства Llama, включая Llama 3.3 70B Instruct. Модель предназначена прежде всего для ролевых диалогов и творческого письма, сочетая стиль, креативность и способность поддерживать беседу. Версия Final описана автором как полностью несдерживаемая цензурными ограничениями, но наименее интеллектуальная среди трёх версий серии; автор также отмечает, что базовое слияние рассчитано на общее применение и использует модели, обученные на разных языках и культурах. Рекомендуемые настройки приведены для SillyTavern. Модель распространяется по лицензии Llama 3. Для длинного контекста и запуска 70-миллиардной модели требуются соответствующие вычислительные ресурсы; качество рассуждений уступает другим версиям серии по оценке автора.

L3-Nymeria-v2-8B — англоязычная плотная причинно-авторегрессионная модель семейства Llama, созданная автором tannedbum слиянием пяти моделей через mergekit методом SLERP. Модель объединяет Llama-3-8B-Stheno-v3.2, Llama-3-Instruct-8B-SimPO-ExPO, Llama-3SOME-8B-v2, Llama-3-Lumimaid-8B-v0.1 и Jamet-8B-L3-MK.V-Blackroot; в описании автор отмечает улучшенную версию SimPO, более широкий словарь для ролевых игр и небольшое смещение стиля прозы. Модель предназначена для генерации текста и диалогов, особенно ролевых сцен, историй и инструкций в интерфейсах вроде SillyTavern. Она содержит 7,5 млрд параметров, работает с текстом и имеет контекст до 8192 токенов. Для генерации автор приводит пресет с температурой 0,9, top-k 30 и top-p 0,75. Модель имеет уклон в сторону NSFW-контента, поэтому подходит не для всех аудиторий. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое использование.

bartowski/Llama-3.1-70B-ArliAI-RPMax-v1.1-GGUF — это GGUF-квантизованная версия модели Llama-3.1-70B-ArliAI-RPMax-v1.1, разработанной ArliAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может использоваться в локальных приложениях, включая LM Studio; по названию и происхождению она ориентирована на сценарии roleplay, однако подробные сведения о специальной настройке в README не приведены. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K_M и другие, с размером файлов примерно от 21 до 75 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, но требуют больше оперативной памяти; README рекомендует Q6_K, Q5_K_M, Q4_K_M и IQ4_XS в соответствующих сценариях. Некоторые варианты оптимизированы для ARM и требуют поддержки SVE или i8mm. Формат GGUF и указанный prompt format рассчитаны на использование с совместимыми инструментами llama.cpp. README не содержит точных сведений о поддерживаемых языках, размере контекста, мультимодальности, производительности и системных требованиях. Ограничениями являются большой размер модели и потенциальная потеря качества при использовании низких уровней квантизации. Модель распространяется по лицензии llama3.