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

DavidAU/Fimbulvetr-11B-Ultra-Quality-plus-imatrix-GGUF — текстовая генеративная модель для ролевого общения, написания историй и художественной прозы. Модель разработана DavidAU на основе дообученной модели Sao10K/Fimbulvetr-11B-v2. Она ориентирована на англоязычные сценарии и может генерировать контент для взрослых, включая NSFW-материалы. Модель имеет размер 11B параметров и распространяется в формате GGUF с использованием Imatrix Plus и F32 Upscale. Формат предназначен для запуска через совместимые инструменты, включая llama.cpp, LM Studio, KoboldCpp, Text Generation WebUI и SillyTavern. README не содержит сведений о точной архитектуре, размере контекста, поддерживаемых модальностях помимо текста, системных требованиях, результатах тестирования и конкретных ограничениях качества, поэтому её производительность зависит от настроек и используемого программного обеспечения. Лицензия — Apache-2.0.

Модель Hate-speech-CNERG/indic-abusive-allInOne-MuRIL — дообученная для классификации оскорбительной речи модель на базе MuRIL, представленная авторами исследования о выявлении оскорбительного языка в индийских языках. Она относит текст к одному из двух классов: обычный или оскорбительный. Модель обучена совместно на данных для бенгальского, хинди письмом деванагари, смешанного хинди, смешанного каннада, смешанного малаялам, маратхи, смешанного тамильского, урду, смешанного урду и английского языков. Это плотная модель архитектуры BERT с 264,8 млн параметров и контекстом до 512 токенов. Она предназначена для модерации пользовательских публикаций и выявления оскорбительной речи в многоязычных индийских текстах, включая тексты со смешением языков. Модель использует формат PyTorch и Safetensors; лицензия — AFL-3.0. Модель решает бинарную задачу и может хуже работать на языках, вариантах письма и типах оскорблений, которые не представлены в обучающих данных. README ссылается на исследовательскую работу о методах расширения данных для низкоресурсных индийских языков.

Krake — языковая модель NovelAI, созданная дообучением GPT-NeoX-20B от EleutherAI. Это плотная авторегрессионная модель на 26,9 млрд параметров для генерации текста; карточка HF указывает контекст 2048 токенов и английский язык. Модель подходит для продолжения текста и создания прозы по подсказке. Изначально Krake была доступна подписчикам Opus. NovelAI опубликовала веса и модули для исторического сохранения модели; в репозитории есть Safetensors и варианты GGUF. Модель считается устаревшей, используется редко и планируется к выводу из эксплуатации. Лицензия — GPL-3.0.

tannedbum/L3-Nymeria-Maid-8B — англоязычная языковая модель для диалоговой генерации текста, созданная слиянием моделей Sao10K/L3-8B-Stheno-v3.2 и princeton-nlp/Llama-3-Instruct-8B-SimPO методом SLERP с помощью mergekit. Это плотная модель семейства Llama с 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст длиной 8192 токена и предназначена для общения, ролевых диалогов и написания историй. Вариант Maid сильнее тяготеет к откровенным сюжетам и более покорному поведению персонажей, чем сбалансированный вариант Nymeria. Модель также подходит для повествования и выполнения инструкций; в README приведены рекомендованные параметры генерации и настройки instruct-режима. Ограничения: качество не гарантировано, а в базовой модели отмечены отдельные слабые примеры данных; она может выдавать контент для взрослых. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но некоммерческое.

DavidAU/L3-SMB-Grand-STORY-F32-Ultra-Quality-16.5B-NEO-V2-IMATRIX-GGUF — текстовая генеративная модель для художественного письма и ролевого взаимодействия. Она создана DavidAU на основе моделей семейства Llama 3, включая L3-Stheno-Maid-Blackroot 8B, Grand Horror 16.5B и Grand Story 16.5B, объединённых в несколько этапов с использованием mergekit. Модель ориентирована на генерацию и продолжение сцен, сюжетов и подсюжетов, создание прозы и диалогов, а также работу с жанрами ужасов, научной фантастики, романтики и другими направлениями. Модель содержит около 16,5 млрд параметров, использует 71 слой и распространяется в формате GGUF. Сборка выполнена с высокой точностью float32, а варианты с Imatrix Neo Class 2 направлены на повышение качества квантованных моделей. Поддерживается шаблон Llama 3. Основной контекст составляет 8192 токена; его можно расширять до 32 тысяч с помощью настроек rope. Указан английский язык. Модель работает только с текстом и не имеет заявленной поддержки изображений, аудио или других модальностей. Сильные стороны модели — выразительная и детализированная проза, разнообразная структура предложений и абзацев, образные сравнения и метафоры, внимание к сенсорным деталям, атмосфере и повествованию «в моменте». Она специально настроена на нецензурированную генерацию, включая NSFW-контент, графическое насилие, хоррор и экстремальную лексику, поэтому не подходит для всех аудиторий. Модель имеет выраженный уклон в сторону ужасов и мрачной тематики, а в Imatrix-версии иногда может создавать несуществующие слова и допускать опечатки. Лицензия — Apache-2.0.

lexi-coder-v4.3 — языковая модель для генерации текста и программного кода, разработанная Reallexi LLC. Она создана на основе microsoft/Phi-4-mini-instruct и дообучена методом LoRA на наборе данных agagasf123123/threejs-gamecode-instruct-v3-ultra. Модель ориентирована прежде всего на разработку браузерных игр и интерактивных сцен с использованием JavaScript и Three.js: создание игрового кода, систем управления, искусственного интеллекта противников, тестовых стратегий и архитектурных решений. Модель содержит около 3,85 млрд параметров, имеет контекст до 15 360 токенов, относится к классу text-generation и поставляется как самостоятельная версия со встроенными базовыми весами и объединённым LoRA-адаптером. Размер весов составляет около 7,15 ГБ; ориентировочное потребление памяти — 7,17 ГБ в FP16/BF16, 3,58 ГБ в 8-битном и 1,97 ГБ в 4-битном формате. Данные о поддерживаемых языках и дополнительных модальностях не указаны, поэтому модель следует рассматривать как текстовую. Сильная сторона модели — специализация на практическом коде для Three.js и браузерных игр, включая поддерживаемые архитектурные практики и объяснение решений. Ограничения включают узкую направленность обучающих данных, отсутствие заявленных независимых бенчмарков и неполное обучение: указано 45 936 освоенных примеров из 20 фаз, пройдено 10. Условия распространения наследуются от базовой модели и обучающих данных и могут различаться; перед использованием или перераспределением необходимо изучить соответствующие лицензии.

Mask2Former — модель компьютерного зрения для паноптической сегментации изображений, опубликованная командой Hugging Face. Эта небольшая версия использует backbone Swin и обучена на COCO; архитектура Mask2Former предсказывает набор масок и соответствующих им меток, объединяя подходы к сегментации объектов и областей сцены. Чекпойнт предназначен для паноптической сегментации: он выделяет объекты и области на изображении и присваивает им классы. Семейство Mask2Former также охватывает семантическую и экземплярную сегментацию, но данная версия настроена именно на паноптическую задачу. Модель реализована для PyTorch и доступна в форматах PyTorch и safetensors. В статье Mask2Former описаны многомасштабный декодер признаков с deformable attention и трансформерный декодер с masked attention. Ограничения качества и контекст обработки в карточке не приведены. Лицензия указана как other, поэтому конкретные условия использования следует сверить с файлами репозитория.

Matteo Fasulo разработал эту многоязычную модель для определения позиции комментария по отношению к заданному политическому вопросу. Она дообучена на базе microsoft/mdeberta-v3-base на датасете ZurichNLP/x_stance и использует архитектуру DeBERTa V2 для классификации пары текстов. Размер модели — 306 млн параметров, максимальная длина контекста — 512 токенов. Модель присваивает один из двух классов: FAVOR, если комментарий поддерживает вопрос, и AGAINST, если выступает против него. Она предназначена для анализа политических дебатов, включая многоязычную классификацию позиций и перенос между языками. Обучение охватывало преимущественно немецкие, французские и итальянские дебаты в Швейцарии; карточка также указывает поддержку английского языка. На валидационной выборке указаны accuracy 79,15% и macro F1 79,12%; результаты на тесте X-Stance зависят от языка и сценария оценки. Модель не определяет нейтральную позицию, фактическую достоверность, политическую принадлежность или токсичность. Сарказм и перенос за пределы политических дебатов могут ухудшать качество. Лицензия — MIT.

Burmese LLM — языковая модель Ko Yin Maung из Myanmar Innovative Group (MIG), дообученная на базе Gemma 3 Text с 1 млрд параметров. Модель предназначена для перевода между английским и бирманским языками, ответов на базовые вопросы о буддизме и генерации связного текста на бирманском. В карточке указана архитектура Gemma3ForCausalLM, формат safetensors и контекст до 32 768 токенов. Модель подходит для учебных вопросов о буддийских знаниях и перевода коротких фраз между английским и бирманским. Ответы на вопросы описаны как основанные на RAG с векторной базой данных. Для сложных буддийских текстов возможны ошибки и выдуманные сведения, а качество перевода может снижаться на длинных или специализированных материалах; результаты следует проверять человеком. Лицензия — Apache-2.0.

ThePradip/minicpm5-1b-kids-storyteller — языковая модель ThePradip, дообученная на базе openbmb/MiniCPM5-1B для генерации детских историй. Она принимает текстовые запросы и генерирует текст; архитектура — плотная LlamaForCausalLM, размер — 837,6 млн параметров, длина контекста — до 131 072 токенов. В карточке указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Модель подходит для создания сказок и коротких рассказов для детей по заданным темам или персонажам. Карточка не сообщает о специальных языковых настройках модели; метаданные указывают английский язык. Лицензия — Apache-2.0.

MoxhiMT-60 — модель машинного перевода с китайского на вьетнамский, разработанная DanVP и настроенная на перевод сянься и веб-романов. Она предназначена для локального или серверного инференса и уделяет особое внимание терминологии жанра культивации. Модель использует архитектуру Marian в формате encoder–decoder с 8 слоями энкодера и 2 слоями декодера; размер составляет около 56,3 млн параметров, контекст — до 512 токенов. Для китайского и вьетнамского применяется общий SentencePiece-токенизатор с размером словаря 24 тысячи. Репозиторий также содержит сборку CTranslate2 INT8 для ускорения инференса на CPU. Карточка характеризует выпуск как экспериментальный и рекомендует проверять результат перед публикацией или использованием в значимых ситуациях. Модель распространяется по лицензии Apache-2.0; в README указано, что её обучали с нуля с пользовательским токенизатором.

sadjava выпустил дообученную модель XLM-RoBERTa для выявления и классификации языка вражды в английских и сербских текстах. Модель на 305,2 млн параметров принимает текст и относит его к одной из восьми категорий: семь видов дискриминационного или оскорбительного содержания (по признакам расы, сексуальной ориентации, гендера, внешности, религии, социального класса и инвалидности) и нейтральное содержание. Сербский поддерживается в кириллице и латинице. Модель подходит для первичной сортировки текстов и помощи модераторам, а также для исследовательских и образовательных проектов. Она использует архитектуру XLM-RoBERTa для классификации последовательностей, работает через Transformers и имеет контекст до 514 токенов. В README заявлены высокая точность и подробные объяснения, но метрики и механизм объяснений не приведены, поэтому эти заявления нельзя оценить по карточке. Результаты требуют проверки человеком, особенно при принятии важных решений. Лицензия — MIT.

Npatta01/music-recsys-2026-retriever-4b — дообученная модель Npatta01 на базе Qwen/Qwen3-Embedding-4B для разговорных музыкальных рекомендаций. Это плотный двухбашенный биэнкодер с общими весами энкодера: он кодирует диалог о предпочтениях слушателя и описание музыкального трека в одном 2560-мерном пространстве, чтобы находить подходящие треки по близости векторов. Для запроса используется инструкционный префикс; для трека — текстовые метаданные каталога. Модель предназначена для поиска кандидатов в каталоге примерно из 47 тысяч треков и для передачи косинусного сходства между диалогом и треком в отдельный ранжировщик. В описанной конфигурации она используется как признак ранжирования; отдельная ветвь поиска добавляла мало кандидатов относительно стоимости дополнительного ANN-запроса. Обучение выполнено полным дообучением с контрастивной функцией потерь на парах «диалог—трек»; модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Лицензия — Apache-2.0. На dev-наборе авторы сообщают Recall@20 0,327 и Recall@1000 0,829 для автономного поиска, а добавление признака сходства улучшало nDCG@20 в их проверке ранжирования. Результаты слабее для сценариев резкой смены музыкального направления. Модель выдаёт эмбеддинги, а не готовые рекомендации: для поиска нужны векторы каталога и индекс, а для итогового ранжирования — отдельный компонент.

Flaglab, лаборатория Universidad de los Andes, разработала эту двунаправленную модель машинного перевода между испанским и каментса — языком коренного народа Колумбии. Это дообученная версия facebook/nllb-200-distilled-600M с архитектурой M2M100 и расширенным токенизатором SentencePiece, содержащим специальный словарь каментса. Модель предназначена для перевода текста с испанского на каментса и обратно; в карточке указана длина контекста 1024 токена и 464 млн параметров. На тестовой выборке качество составило BLEU 6,36 и chrF2 27,72 для перевода с испанского на каментса, а в обратном направлении — BLEU 4,31 и chrF2 22,95. Эти результаты указывают на ограниченную точность, особенно при переводе с каментса на испанский, поэтому переводы следует проверять носителем языка. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Noromaid-13b-v0.3 — текстовая генеративная модель семейства Llama, разработанная IkariDev и Undi. Это версия с переобучением на новых наборах данных и шаблоном инструкций Alpaca; авторы указывают ролевые сценарии, откровенные ролевые диалоги и задачи общего назначения. В обучении использованы, среди прочего, no_robots, Spicyboros 3.1 и Toxic-dpo, а также частные наборы данных Aesir. Модель содержит 12,9 млрд параметров, использует плотную архитектуру Llama и принимает текстовые инструкции, выдавая текст. Заявленная длина контекста — 4096 токенов. Репозиторий содержит веса FP16 в формате safetensors; README предупреждает, что это тестовая версия и работа может быть нестабильной. Лицензия CC BY-NC 4.0 допускает использование с соблюдением условий атрибуции и ограничением на коммерческое применение.

Карточка модели zxhezexin/openlrm-mix-base-1.1 на Hugging Face совпадает с карточкой zxhezexin/openlrm-mix-small-1.1, поэтому описание составлено по ней. OpenLRM Mix Small 1.1 — версия 1.1 открытой реализации проекта OpenLRM по статье LRM. Это модель для восстановления трёхмерного представления объекта по изображению. Вариант small использует 12 слоёв, размерность признаков 512, 8 голов внимания, триплоскость размерности 32 и входное разрешение 224 пикселя; в качестве визуального энкодера применяется DINOv2 ViT-S/14 с register-токенами. Размер указанной в карточке архитектуры small — 446 млн параметров. Модель обучалась на Objaverse. Реализация отличается от оригинальной статьи отказом от отложенного обратного распространения ошибки, случайными цветами фона при обучении и четырёхслойным декодером триплоскостей. Карточка описывает её как неофициальную реализацию, поэтому результаты могут отличаться от оригинального исследования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Это модель машинного перевода OPUS-MT, разработанная Language Technology Research Group Хельсинкского университета в рамках проекта OPUS-MT. Архитектура — Transformer-big на базе Marian; модель содержит 163,5 млн параметров и принимает последовательности длиной до 1024 токенов. Репозиторий содержит веса PyTorch и Safetensors, подготовленные для Transformers. Модель переводит с немецкого, английского, французского, португальского и испанского на семитские языки и исторические языковые варианты, включая арабский, амхарский, иврит, арамейский, древнееврейский и финикийский. Для выбора целевого языка используются специальные метки направления перевода. Она подходит для перевода текстов на поддерживаемые языки, в том числе материалов из низкоресурсных языковых пар и религиозных текстов. Качество может зависеть от языка и тематики исходного текста; README не приводит количественных результатов оценки. Лицензия — Apache-2.0.

Hookem22/qwen3-1.7b-subtitle-es — дообученная текстовая модель семейства Qwen3 на 1,7 млрд параметров, созданная Hookem22 на основе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Модель предназначена для генерации текста; название репозитория указывает на возможную специализацию на субтитрах на испанском языке, однако README не описывает обучающие данные или сценарии применения этой специализации. Модель использует архитектуру Qwen3ForCausalLM, принимает текст и поддерживает контекст до 40 960 токенов. В метаданных указаны английский язык, чат и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README сообщает, что при обучении использовались Unsloth и TRL; качество для конкретных задач и ограничения отдельно не описаны.

Qwen3-8B-64k-Josiefied-Uncensored-HORROR-Max-GGUF — текстовая генеративная модель в формате GGUF, разработанная DavidAU на основе дообученной и модифицированной модели Goekdeniz-Guelmez/Josiefied-Qwen3-8B-abliterated-v1. Модель предназначена для локального запуска и генерации текста, включая творческое письмо, создание рассказов и сцен, развитие сюжета и подсюжетов, продолжение повествования, ролевые сценарии и работу с жанрами horror, science fiction, romance и другими. Она ориентирована на нецензурированный и интенсивный контент, включая ненормативную лексику, графическое насилие и материалы не для всех аудиторий. Модель основана на Qwen3-8B и поддерживает контекст до 64 000 токенов; расширение с 32 768 до 65 536 токенов выполнено с использованием метода YaRN. GGUF-квантизации проводились с использованием HORROR Imatrix, а выходные тензоры сохранены с точностью до 16 бит для улучшения рассуждений и качества генерации. Поддерживаются режимы reasoning/thinking, шаблоны Jinja и ChatML. Рекомендуемый минимальный размер контекста для задач с рассуждениями и длинным выводом составляет 8 000–16 000 токенов. Языки обучения или полный список поддерживаемых языков в карточке не указаны. Сильными сторонами модели являются длинный контекст, ориентация на выразительное художественное письмо, ролевые сценарии, хоррор и другие жанры, а также поддержка рассуждений. Ограничениями являются отсутствие приведённых бенчмарков и подробных характеристик качества, возможная зависимость результата от параметров семплирования и формата шаблона, а также склонность к генерации шокирующего или графического контента. Модель распространяется по лицензии Apache-2.0.

Это модель классификации текста на базе RoBERTa, разработанная mohawwad93 и дообученная от roberta-base на объединённом наборе данных нескольких бенчмарков по языку ненависти и расовой предвзятости. Она относит текст к одному из двух классов: NEUTRAL — безопасный, нейтральный или общий язык; FLAGGED — язык ненависти, расово предвзятые или оскорбительные высказывания, направленные на группы людей. Модель предназначена для первичной модерации текста и выявления потенциально оскорбительного или предвзятого языка. Это модель RoBERTa для классификации последовательностей с 151,8 млн параметров и контекстом до 514 токенов; заявленный язык — английский. Для работы используется библиотека Transformers. Распространяется по лицензии MIT. Результаты следует трактовать как сигналы для проверки: двух классов может быть недостаточно для различения контекста, цитирования, иронии и тонких оттенков языка. Описание не приводит метрик качества или порогов принятия решений, поэтому модель не следует считать единственным основанием для автоматической модерации.

Это классификатор токсичности текстов на базе RoBERTa, дообученной разработчиками модели на объединённом англоязычном наборе примерно из 2 млн примеров Jigsaw 2018, 2019 и 2020. Модель предназначена для определения токсичных комментариев и модерации пользовательского текста. В карточке сообщается, что на тестовой выборке первого соревнования Jigsaw классификатор достиг AUC-ROC 0,98 и F1-score 0,76. Архитектура — RobertaForSequenceClassification, размер — около 151,8 млн параметров, контекст — до 514 токенов. Указан английский язык; веса представлены в формате PyTorch. Модель рассчитана на классификацию текста, а не на генерацию ответов. Результаты зависят от порога классификации и соответствия входных данных обучающей выборке; приведённые метрики не гарантируют такого же качества на других источниках комментариев. Лицензия — CC BY-NC-SA 4.0, допускающая использование с атрибуцией и на условиях ShareAlike, но не коммерческое использование.

s-nlp/roberta_toxicity_classifier_v1 — классификатор токсичности текста на архитектуре RoBERTa, разработанный как копия SkolkovoInstitute/roberta_toxicity_classifier и обученный на непересекающемся с ним наборе данных. Модель предназначена для использования в алгоритмах детоксикации текста, в том числе описанных в работе Text Detoxification using Large Pre-trained Neural Models. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и выдаёт классификационный результат. Карточка не сообщает поддерживаемые языки и лицензию; поэтому их условия и языковой охват здесь не уточняются.

Sarv Reasoning i1 GGUF — квантизированная версия модели sarv-reasoning, разработанной artindnr и преобразованной в формат GGUF пользователем mradermacher. Модель ориентирована на генерацию текста на персидском языке, включая задачи рассуждения, написание стихов и поэм, а также другие сценарии текстовой генерации. В репозитории представлены варианты квантизации i1 с размерами примерно от 12,1 до 22,3 ГБ, включая IQ- и Q-семейства. В метаданных указаны Mixture-of-Experts, LoRA, PyTorch, JAX и TensorFlow, однако точная архитектура, число параметров, размер контекста и поддерживаемые модальности не приведены. Доступны файлы с различным компромиссом между размером, скоростью и качеством; для практического использования рекомендованы i1-Q4_K_M и i1-Q4_K_S, тогда как самые компактные варианты характеризуются более низким качеством. Основные преимущества модели — специализация на персидском языке и сценариях, связанных с поэзией и рассуждением, а также широкий выбор квантизаций для запуска при разных ограничениях по памяти. Ограничения включают возможную потерю качества из-за квантизации и отсутствие в README подробных результатов оценки, сведений о точном размере модели и контекстном окне. Модель распространяется по лицензии Apache-2.0.

SCOUT (Sim-to-real Contrastive Outlier Understanding via Text) — модель для поиска людей в видео по текстовому описанию, представленная в рамках работы для воркшопа ECCV 2026. Она строит сопоставимые эмбеддинги изображения и текста: видеопризнаки извлекаются из V-JEPA2 ViT-L/16, а текстовые — из CLIP ViT-L/14; поверх замороженных компонентов обучен предиктор, а X-encoder адаптирован частичной разморозкой блоков и LoRA. Репозиторий содержит обученные параметры и конфигурацию рецепта, но не веса замороженных базовых энкодеров, которые загружаются отдельно. Модель предназначена для текстового поиска людей в видео и сценариев повторной идентификации между симуляцией и реальными данными, включая задачу AI City Challenge Track 4. В README приведены результаты на валидации: mAP@10 0,9297 и Hit@10 0,9948 для рекомендованного чекпойнта. Входы — изображения размером 384×384 и текстовые описания; выходы — L2-нормированные векторы признаков для сопоставления. Лицензия репозитория — Apache-2.0.

SentinelLM v1 — англоязычная модель для бинарной классификации токсичности пользовательского текста, созданная дообучением DistilBERT разработчиком проекта SentinelLM. Модель относит текст к классу clean или toxic и рассчитана на предварительную проверку комментариев, отзывов и сообщений чата, а также на отбор материалов для очереди модерации с последующей проверкой человеком. В основе лежит DistilBertForSequenceClassification с 67 млн параметров и контекстом до 512 токенов. Модель обучена на 200 тысячах примеров из google/civil_comments[train], где токсичность преобразована в бинарную метку порогом 0,5; в репозитории доступны веса Safetensors и формат ONNX. На подвыборке из 20 тысяч примеров тестового набора автор сообщает accuracy 0,9524 и F1 0,7023. Модель предназначена для англоязычных новостных комментариев; качество может снижаться на сленге соцсетей, смешении языков и неанглийском тексте. Она не определяет тип токсичности, а дисбаланс классов требует подбирать порог под нужное соотношение точности и полноты. Возможны смещения, в частности ложные срабатывания на упоминаниях отдельных групп идентичности, поэтому модель не следует использовать как единственный механизм модерации. Лицензия — Apache-2.0.

SorcererLM-8x22b-iMat-GGUF — квантованная версия модели SorcererLM-8x22b-bf16, разработанная Quant-Cartel на основе модели rAIfle. Исходная модель представляет собой WizardLM-2-8x22B с адаптером LoRA, обученным в течение двух эпох на очищенных и дедуплицированных данных c2-logs. Адаптер предназначен для улучшения стиля генерации, особенно в сценариях role-play, и имитирует некоторые особенности стиля Claude. Модель предназначена прежде всего для генерации текста в чатах и ролевых сценариях. Она поставляется в формате GGUF с квантованием iMat и importance matrix, рассчитанной с использованием llama.cpp. В README указано, что квантование выполнено из fp16 с параметрами LoRA r=16 и alpha=32. Точные варианты квантования, размер файлов, поддерживаемый контекст, языки и дополнительные модальности не указаны; наличие аудиоматериала в README не означает поддержку аудиоввода или аудиовывода самой моделью. К сильным сторонам относятся специализация на role-play и потенциальное улучшение качества повествовательного стиля по сравнению с базовой WizardLM-2-8x22B. Модель чувствительна к sampler-настройкам и, согласно README, лучше работает с короткими промптами; рекомендуются Temperature 1, MinP 0.05 и умеренное использование DRY. Указано, что безопасность модели не оценивалась или не заявлена. Лицензия — Apache-2.0.

UrduClassification — модель классификации тональности отзывов на урду, созданная дообучением urduhack/roberta-urdu-small на наборе IMDB Urdu Reviews. Она использует архитектуру RoBERTa с головой RobertaForSequenceClassification и относит текст к положительному или отрицательному классу. Модель подходит для анализа отзывов и других коротких пользовательских текстов на урду. В метаданных указаны 153,2 млн параметров и контекст длиной 514 токенов. Модель распространяется в форматах PyTorch и Safetensors по лицензии MIT. В README приведены результаты оценки, но набор для оценки не раскрыт; поэтому качество на других типах текстов и вне домена отзывов не подтверждено.

vicgalle-Humanish-Roleplay-Llama-3.1-8B-GGUF — набор GGUF-квантизированных версий модели vicgalle/Humanish-Roleplay-Llama-3.1-8B, подготовленный командой Featherless AI Quants. Модель относится к категории text-generation и предназначена прежде всего для генерации текста и ролевого взаимодействия на основе исходной модели Humanish-Roleplay-Llama-3.1-8B. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0; их размер составляет примерно от 3 до 8 ГБ. Формат GGUF подходит для локального запуска в совместимых инструментах, однако конкретные требования к памяти, производительность, архитектурные детали базовой модели, поддерживаемые языки и размер контекстного окна в README не указаны. Основное преимущество набора — выбор между меньшим размером файлов и потенциально более высоким качеством при использовании вариантов с большей точностью. Ограничения качества, поведения и совместимости зависят от выбранного уровня квантизации и программного обеспечения для запуска. Лицензия в README не указана.

Wanabi-Gemma4-31B-i1-GGUF — квантизированная GGUF-версия модели Wanabi-Gemma4-31B, разработанной kawaimasa и подготовленной в формате GGUF пользователем mradermacher. Модель ориентирована на генерацию текста на японском языке, включая написание художественных произведений и романов. В README также указано, что исходная модель является vision-моделью, однако сведения о поддерживаемых форматах изображений и сценариях мультимодального использования не приведены. Модель относится к семейству Gemma4 и содержит около 31 млрд параметров. Доступны варианты квантизации i1 с различными типами IQ и Q и размером файлов примерно от 7,3 до 25,3 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для большинства вариантов рекомендуются i1-Q4_K_M или i1-Q4_K_S; низкобитные варианты могут заметно уступать по качеству. Контекстное окно, архитектурные детали, требования к оборудованию и точный набор языков, кроме японского, в README не указаны. Модель подходит для локального запуска в совместимом с GGUF программном обеспечении и особенно ориентирована на японскую текстовую генерацию и художественное письмо. Основные ограничения связаны с потерями качества при сильной квантизации, отсутствием подробных данных о производительности и неуточнённой поддержкой мультимодальных возможностей. Распространение указано по лицензии Apache-2.0.

LeBenchmark/wav2vec2-FR-1K-base — предобученная модель wav2vec 2.0, опубликованная LeBenchmark. Это базовая dense-архитектура Wav2Vec2Model с 113,3 млн параметров, обученная на 1 000 часах французской речи. Модель предназначена для извлечения речевых представлений, которые можно использовать в задачах распознавания речи и других речевых системах после настройки под конкретную задачу. Модель принимает аудио и выдаёт признаки векторного представления. Её можно применять как замороженный энкодер или дообучать для ASR с CTC, распознавания говорящего и разделения источников. Карточка отмечает, что результаты распознавания речи с CTC не обязательно будут передовыми; интеграция в SpeechBrain описана как находящаяся в бета-версии, а дообучение — как экспериментальный вариант. Лицензия Apache-2.0 разрешает повторное использование модели; лицензии исходных корпусов могут иметь отдельные ограничения.