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

Apodex-1.0-0.8B-SFT — компактная текстовая модель для агентного глубокого исследования, разработанная командой Apodex на базе Qwen3.5-0.8B. Это версия после supervised fine-tuning; она рассчитана на работу как ReAct-агент с вызовом инструментов. Модель предназначена для поиска и проверки сведений, синтеза ответов по источникам и подготовки выводов с прослеживаемыми доказательствами. В карточке указана архитектура Qwen3.5 с плотными весами и классом Qwen3_5ForConditionalGeneration; модель распространяется в формате safetensors и работает через Transformers. README рекомендует запускать её с шаблоном чата Qwen3.5 и совместимыми парсерами вызовов инструментов. Заявленная тяжёлая схема с параллельной командой субагентов и глобальным верификатором относится к Apodex-1.0-H, а не к этому одиночному чекпойнту. Поддерживаемые языки по метаданным — английский и китайский. Лицензия — Apache-2.0. Сильная сторона модели — настройка на агентные исследовательские сценарии и вызов инструментов при сохранении общих возможностей базовой модели согласно README. В карточке нет отдельных результатов оценки именно версии 0.8B-SFT, поэтому её качество нельзя выводить из результатов других вариантов Apodex. Для глубокого исследования нужны инструменты и агентная инфраструктура; сам чекпойнт не включает описанную в README команду субагентов и верификатор.

Einstein-4D-Marcoro14-7B-full-slerp — объединённая языковая модель, созданная с помощью LazyMergekit методом SLERP из argilla/distilabeled-Marcoro14-7B-slerp-full и Weyaxi/Einstein-v4-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста; базовая модель Einstein-v4-7B предназначена для диалогов, следования инструкциям и ответов на вопросы, включая научные и математические темы. Модель принимает текст и генерирует текст. Её родной контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0. Карточка не приводит отдельной оценки качества или подробных ограничений для полученного объединения.

HPD-Parsing — модель PaddlePaddle для разбора документов, дообученная на базе InternVL3.5-1B. Она принимает изображения страниц и формирует текстовое представление их структуры и содержимого, включая локализованный разбор областей страницы. Модель использует архитектуру InternVL с 1 млрд параметров и динамическое разбиение изображения на тайлы размером 448×448, до 24 тайлов. Иерархическое параллельное декодирование разделяет работу между ветвью общей структуры страницы и параллельными ветвями содержимого; P-MTP ускоряет генерацию нескольких токенов за шаг. В README заявлены результат 94,91% на OmniDocBench v1.6 и пиковая скорость 4 752 токена в секунду; эти показатели относятся к описанным авторами условиям оценки. Карточка указывает английский и китайский языки. Для инференса README описывает специализированную сборку vLLM, а также поддержку через Transformers для одного изображения и размера пакета 1. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель диалогового семейства Llama 3.2 от Meta, созданная на основе meta-llama/Llama-3.2-1B-Instruct. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста в формате диалога. Она принимает текстовые запросы и выдаёт текстовые ответы; заявленная длина контекста — до 131 072 токенов. Модель можно применять для диалоговых ответов, поиска сведений, суммаризации и помощи в написании текста — эти сценарии унаследованы от базовой модели. Данные дообучения и его конкретная цель в карточке не раскрыты, поэтому специализированные преимущества этой версии определить нельзя. Репозиторий использует Transformers и формат safetensors. Лицензия — Llama 3.2; применение должно соответствовать её условиям.

vikash06/mistral_v1 — текстовая генеративная модель семейства Mistral, представленная автором как модель для непосредственного использования. В README указано, что её экспериментально обучали на небольшом наборе данных, чтобы оценить влияние более длительного обучения на качество. В метаданных указаны 7,1 млрд параметров, архитектура MistralForCausalLM, контекст 32 768 токенов и формат safetensors. Модель предназначена для генерации текста по инструкциям, включая творческое письмо, ответы на вопросы по предоставленному фрагменту и общим знаниям, суммаризацию, извлечение информации и классификацию. README сообщает о 1000 примерах для каждой категории и приводит результаты оценки на HellaSwag и AI2 Reasoning Challenge, но подробный технический отчёт обещан позднее. Автор README описывает модель как дообученную на базе Llama 2, однако метаданные указывают архитектуру Mistral; точная связь с базовой моделью требует осторожной интерпретации. Модель распространяется по лицензии MIT. Обучение на небольшом экспериментальном наборе ограничивает основания ожидать стабильного качества на широком круге задач; подробностей о языках обучения и оценке в карточке нет.

pandafish-3-7B-32k — текстовая генеративная модель, созданная ichigoberry объединением нескольких моделей семейства Mistral с помощью LazyMergekit. В состав объединения входят mistralai/Mistral-7B-Instruct-v0.2, cognitivecomputations/dolphin-2.8-mistral-7b-v02 и Locutusque/Hercules-4.0-Mistral-v0.2-7B; метаданные также указывают alpindale/Mistral-7B-v0.2-hf как одну из базовых моделей. Это плотная авторегрессионная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции в сценариях с длинным контекстом. Она принимает текст и выдаёт текст; сведения о поддерживаемых естественных языках и специализированных прикладных областях в карточке отсутствуют. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Карточка не приводит оценок качества или подробных ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

Argus-Colqwen3.5-9b-v0-bf16 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Она дообучена на базе Qwen/Qwen3.5-VL-9B-Instruct и опубликована в формате bfloat16 после слияния LoRA-весов; размер модели — 8,82 млрд параметров. Модель преобразует изображения страниц и текстовые запросы в токеновые эмбеддинги для поиска с поздним взаимодействием. Её механизм разреженной смеси экспертов учитывает запрос и область страницы при маршрутизации визуальных токенов. Модель предназначена для визуального поиска и извлечения релевантных страниц в наборах документов: например, для поиска ответов в научных статьях, отчетах и материалах с диаграммами или сложной разметкой. По README, для страницы используется до 2048 визуальных токенов, размерность эмбеддинга на токен — 1024; авторы сообщают о результатах на английских наборах ViDoRe v1 и v2. Указанная лицензия — Apache-2.0. Модель ориентирована преимущественно на английский язык. README указывает потребность примерно в 17 ГБ видеопамяти для инференса bf16 и рекомендует одну GPU с объёмом памяти от 24 ГБ. Слияние в bf16 необратимо теряет часть точности относительно fp32-варианта; измеренная разница в результатах ViDoRe мала, но v3 ещё не оценивался.

LaMini-Flan-T5-783M — модель семейства LaMini-LM, разработанная MBZUAI. Это плотная encoder-decoder-модель T5, дообученная на 2,58 млн примеров набора LaMini-instruction поверх google/flan-t5-large для выполнения инструкций на естественном языке. Она предназначена для генерации ответов на запросы пользователя и может применяться в сценариях общего назначения, например для составления текстовых ответов и выполнения инструкций. В метаданных указано 385,2 млн параметров и контекст до 512 токенов; модель работает с текстом и доступна в формате PyTorch. Карточка сообщает об автоматической и пользовательской оценке, но подробности приведены в статье. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Linkbricks-Horizon-AI-Japanese-Pro-V3-70B-GGUF — квантизированная версия 70-миллиардной языковой модели Linkbricks-Horizon-AI-Japanese-Pro-V3-70B, разработанной Saxo. Квантизацию выполнил bartowski с использованием llama.cpp и imatrix. Модель предназначена для генерации текста, включая перевод, суммаризацию, ответы на вопросы, анализ тональности, работу с новостными и научно-техническими материалами, а также задачи на корейском языке, включая function calling и математические задачи. Модель работает в формате GGUF и рассчитана на запуск через llama.cpp и LM Studio. Заявлены языки: корейский, английский, японский и китайский. Доступны варианты квантизации от Q8_0 до Q3_K и IQ4; размеры файлов составляют примерно от 37,9 до 75 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти, поэтому запуск предполагает мощное оборудование. Архитектура, максимальный контекст и точный формат промпта в README не указаны; для настройки взаимодействия следует обратиться к странице исходной модели. Сильные стороны модели — большой размер, специализация на корейском и связанных с ним многоязычных задачах, а также широкий выбор вариантов квантизации. Ограничения включают значительные требования к памяти, возможное снижение качества у компактных вариантов и отсутствие в README подробных данных о результатах бенчмарков, архитектуре и контекстном окне. Указана лицензия Apache-2.0.

EverMind AI представила MSA-4B — языковую модель на базе Qwen3-4B-Instruct-2507 с архитектурой Memory Sparse Attention (MSA), предназначенную для ответов на вопросы по очень большим массивам документов. В модели 3,7 млрд параметров по метаданным; README указывает 4,0 млрд. Архитектура использует разреженное внимание, позиционные кодировки RoPE на уровне документов и чередование памяти для многопереходных рассуждений. По заявлению разработчика, эти механизмы снижают вычислительную сложность и позволяют работать с памятью до 100 млн токенов; метаданные указывают нативный контекст 262 144 токена. Модель проверялась на задачах одношагового и многошагового вопросно-ответного поиска, а также на тестах длинного контекста. MSA-4B подходит для поиска ответов в больших коллекциях документов, включая сценарии, где сведения распределены по нескольким фрагментам. README сообщает о сравнении с RAG-системами на девяти наборах данных и о сильных результатах на большинстве сравнений с моделями той же размерности; это результаты, заявленные авторами. Модель текстовая, карточка ориентирована на английский язык, а среди тестов указан DuReader. Основа — Qwen3-4B-Instruct-2507, лицензия MIT. Для запуска README отсылает к отдельному коду GitHub и не содержит завершённых инструкций установки.

NeuralSirKrishna-7b — объединённая языковая модель, построенная с помощью LazyMergekit на основе NeuralKrishna-7B-v3, NeuralMarioMonarch-7B-slerp и M7-7b. В карточке указана архитектура Mistral с плотной причинной языковой моделью на 7,1 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогов, включая ответы на вопросы и рассуждения. Пример в README показывает развёрнутый ответ на запрос о происхождении жизни; также приведены результаты нескольких тестов Open LLM Leaderboard, но они не гарантируют качество на других задачах. Поддерживаемые языки отдельно не перечислены. Лицензия — Apache-2.0.

ClaudioItaly/Utopy — объединённая языковая модель на архитектуре Llama, созданная с помощью mergekit методом TIES на основе Undi95/Utopia-13B. В репозитории указана конфигурация с несколькими вариантами плотности и весов для одной базовой модели; итоговые веса представлены в формате float16, а метаданные указывают 12,9 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации текста, диалоговых ответов и следования инструкциям. Она принимает текст и выдаёт текст; основная область применения — задачи общего назначения. В карточке не приведены отдельные сведения о языках, поэтому языковую специализацию определить нельзя. Доступна по лицензии, унаследованной от базовой модели, однако сведения о конкретной лицензии в предоставленных данных отсутствуют.

LeoScorpius-GreenNode-Platypus-7B-v1-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и LeoScorpius-GreenNode-Platypus-7B-v1 методом slerp. Она построена на архитектуре Mistral с плотной авторегрессионной моделью MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате; поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors под лицензией Apache 2.0. Карточка не сообщает специализированных областей применения или языкового охвата, поэтому её следует рассматривать как модель общего назначения. Качество и поведение могут зависеть от сочетания двух объединённых моделей; отдельные результаты оценки в карточке не приведены.

LFM2.5-VL-450M-Extract-MLX-bf16 — конвертированная в формат MLX версия компактной мультимодальной модели Liquid AI LFM2.5-VL-450M-Extract для устройств Apple Silicon. Она принимает изображения и описание полей, которые нужно извлечь, и возвращает значения в строгом формате JSON; поддерживаются определения полей через YAML и ограничения на допустимые значения. В языковой части около 350 млн параметров, также используется визуальный энкодер SigLIP2 примерно на 100 млн параметров. Модель работает в точности bfloat16 через MLX и mlx-vlm; заявленный расход объединённой памяти при инференсе — около 900 МБ. Модель предназначена для извлечения структурированных сведений из изображений, например характеристик видимых объектов или поверхностей. Карточка указывает английский язык. Репозиторий основан на LiquidAI/LFM2.5-VL-450M-Extract; в метаданных лицензия обозначена как other, поэтому конкретные условия следует сверить с лицензией базовой модели и репозитория.

Marco-Nano-Base — компактная разреженная языковая модель семейства Marco-MoE, разработанная Alibaba International Digital Commerce. Это decoder-only Transformer с архитектурурой Mixture-of-Experts: по README, из 8 млрд параметров на каждый токен активируются около 0,6 млрд. Модель создана на основе Qwen3-0.6B-Base с помощью разбиения матриц и Drop-Upcycling; в метаданных указаны архитектура Qwen3 MoE и 507,9 млн параметров, поэтому фактический размер репозитория отличается от описания в README. Модель предназначена для генерации текста и диалогов на 29 языках, включая английский, китайский, русский, арабский, японский и другие. Поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. README приводит результаты сравнительных тестов: модель показывает конкурентные результаты на англоязычных и многоязычных бенчмарках при низком числе активных параметров. Для запуска используются Transformers и веса Safetensors. Лицензия — Apache-2.0. Как базовая модель, она предназначена для дальнейшей адаптации; README не описывает ограничения по качеству для отдельных языков или сценариев, поэтому результаты бенчмарков не гарантируют качество на конкретных пользовательских задачах.

MotherEarth-1.14-8B — слитая языковая модель семейства Llama, созданная разработчиками MotherEarth с помощью mergekit. Веса двух предварительно обученных моделей, MotherEarth-1.13-8B и MotherEarth-Proverbs-8B, объединены методом SLERP; в карточке указана архитектура LlamaForCausalLM и размер 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Контекстное окно составляет до 131 072 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы с моделью — Transformers. Данные не сообщают о специализации на конкретных языках или прикладных областях. Лицензия в предоставленных данных не указана. Характеристики качества, конкретная языковая поддержка и ограничения применения не описаны.

zelk12/MT1-IF-gemma-2-RAt0.25v0.1GD-9B — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из моделей zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25 и zelk12/recoilme-gemma-2-Gutenberg-Doppel-9B-v0.1. Модель содержит 9 млрд параметров, принимает текстовые запросы и генерирует текст; заявленная длина контекста составляет 8192 токена. Модель предназначена для диалога и генерации текста по запросам. Весовая сборка сохранена в формате safetensors и рассчитана на использование через Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках, поэтому её следует рассматривать как модель общего назначения. Лицензия и конкретные ограничения по качеству или безопасности в предоставленных материалах не описаны.

Neural-4-QA-7b — объединённая модель Mistral, созданная автором репозитория с помощью LazyMergekit на основе пяти моделей: yam-peleg/Experiment21-7B, CultriX/NeuralTrix-bf16, louisgrc/Montebello_7B_SLERP, CorticalStack/pastiche-crown-clown-7b-dare-dpo и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и может применяться для диалоговых ответов и задач вопросно-ответного характера. По карточке нельзя определить, какие именно возможности исходных моделей сохранены или насколько хорошо модель справляется с отдельными задачами. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

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

Qwen3-12B-20pct-Compressed-14B-EN-V1.5 — сжатая и дообученная для чата модель проекта Efficient and Robust AI System (E-AI), разработанного Vincent-Daniel Yun. В ней удалены 8 из 40 слоёв Qwen3-14B; в репозитории указано около 12 млрд параметров, а метаданные указывают 11,3 млрд. Модель принимает текст и генерирует текст, имеет контекст 40 960 токенов и ориентирована прежде всего на английский язык. Репозиторий распространяет веса в формате safetensors. Основное назначение модели — быстрая классификация и оценка текста: анализ тональности, тематики и намерений, модерация содержимого, проверка предпочтений, понимание прочитанного и ответы по материалам RAG. README также сообщает о результатах в медицинских и биомедицинских задачах. Для фактологических вопросов рекомендуется использовать поиск или RAG, а ответы держать короткими: модель может галлюцинировать факты, а длинная генерация, сложные рассуждения, математика и задачи с длинным контекстом не рекомендуются. В версии V1.5 включён контроль повторов по умолчанию; веса, согласно карточке, не изменились относительно V1. Модель основана на Qwen/Qwen3-14B и прошла сжатие удалением слоёв, восстановление и инструкционное дообучение для чата; методы сжатия и восстановления не раскрыты. Лицензия — Apache-2.0. Для Transformers требуется trust_remote_code=True из-за пользовательского слоя декодера; для vLLM в репозитории предусмотрен плагин.

leophill/w2v-bert-2.0-afrivoices-ea-6l-asr — речевая модель, разработанная для хакатона AfriVoices East Africa ASR командой Digital Umuganda и Maseno Center for Applied Artificial Intelligence. Это дообученная на базе facebook/w2v-bert-2.0 модель Wav2Vec2-BERT 2.0 с архитектурой Conformer и CTC-головой, содержащая 402,7 млн параметров. Она распознаёт речь на шести восточноафриканских языках: луо, календжин, кикуйю, маасаи, сомали и суахили; язык на входе указывать не требуется. Модель принимает монофоническое аудио с частотой 16 кГц и выдаёт строчную транскрипцию без пунктуации. В тесте хакатона она заняла второе место с macro-WER 0,34819; качество зависит от языка, диалекта и формата речи, причём спонтанная длинная речь распознаётся хуже подготовленной. Для повышения точности README рекомендует декодирование pyctcdecode с языковой моделью KenLM для каждого языка. Модель ограничена шестью указанными языками и не предназначена для их идентификации. Лицензия — CC BY 4.0.

Карточка модели microsoft/xdoc-base-squad1.1 на Hugging Face совпадает с карточкой microsoft/xdoc-base-squad2.0, поэтому описание составлено по ней. XDoc-base-SQuAD2.0 — модель Microsoft для ответов на вопросы по тексту, связанная с проектом XDoc, представленным в работе о едином предварительном обучении для понимания документов разных форматов. В карточке указана архитектура RoBERTa с головой для question answering и 151,8 млн параметров; модель доступна в формате PyTorch, контекст — до 514 токенов. Модель предназначена для поиска ответа на вопрос в предоставленном контексте и может применяться для извлечения сведений из документов и ответов на вопросы по их тексту. README описывает XDoc как единую предварительно обученную модель для разных форматов документов, но не уточняет модальности и конкретные возможности данного чекпойнта. Лицензия — MIT.

XYZ-Aquila-pro — открытая модель с весами для агентного поиска, разработанная XYZ AI Lab. Это вариант семейства XYZ-Aquila, дообученный на базе Qwen3.5-397B-A17B по процессу post-training с ограниченным исследованием вариантов развития модели. Модель предназначена для многошагового поиска в интернете: планирования, просмотра англоязычных и китайских страниц, объединения сведений из нескольких источников, проверки источников и восстановления после неудачных действий с инструментами. Она поддерживает диалоговый формат рассуждений и вызовов инструментов, совместимый с Qwen. Реализация поиска и извлечения страниц, выполнения Python-кода и управления контекстом зависит от внешней оболочки AxisAgentic; сам чекпойнт не предоставляет эти инструменты. Для развёртывания README приводит пример с SGLang и рекомендует распределение по восьми GPU; требуемые память и конфигурация зависят от длины контекста и доступного оборудования. Указанная лицензия — Apache-2.0.

Isaac-0.2-1B — компактная гибридная модель PerceptronAI для обработки изображений и диалога. В репозитории указано 507,9 млн параметров; архитектура — плотная IsaacForConditionalGeneration, формат весов — safetensors, контекст — до 40 960 токенов. Модель принимает изображения и текстовые запросы и отвечает текстом. Модель предназначена для визуального рассуждения и восприятия: распознавания текста на документах, схемах и экранах, привязки объектов к областям изображения, понимания интерфейсов и навигации по ним. Она поддерживает структурированные ответы, вызов инструментов и режим Focus для увеличения и повторного анализа выбранной области; README также описывает краткие рассуждения для многошаговых и пространственных задач. Указаны сценарии робототехники, поиска по медиаматериалам и промышленного контроля. Модель ориентирована на английский язык. Лицензия CC BY-NC 4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение. Компактный размер рассчитан на работу на обычных GPU и периферийных устройствах, однако README не приводит независимых результатов бенчмарков, поэтому заявления о точности следует проверять на целевых данных.

llm-jp-3-172b-instruct3 — диалоговая большая языковая модель, разработанная Центром исследований и разработок больших языковых моделей Национального института информатики Японии при частичной поддержке GENIAC. Это версия instruct3 семейства llm-jp-3, дообученная на инструкциях и дополнительно согласованная методом Direct Preference Optimization (DPO). Модель предназначена для генерации ответов в диалоге, следования инструкциям, извлечения и формулирования информации, написания текстов и решения задач на рассуждение. В README приведены оценки на японском MT Bench, включая результаты для письма, естественных наук, извлечения информации и диалога. Это плотная Transformer-модель архитектуры Llama с 171,2 млрд параметров; контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors для Transformers. Модель в первую очередь ориентирована на японский язык; метаданные также отмечают английский. Разработчики предупреждают, что семейство находится на ранней стадии исследований и разработок и не было полностью настроено для соответствия человеческим намерениям и требованиям безопасности. Лицензия указана как «other», поэтому условия использования следует уточнять в материалах репозитория.

Meltemi 7B v1.5 — базовая языковая модель на 7,2 млрд параметров, разработанная Институтом обработки языка и речи (ILSP) Центра исследований и инноваций Athena. Она основана на Mistral 7B и продолжила его предобучение на корпусе примерно из 55 млрд токенов, преимущественно на качественных греческих текстах, с английскими текстами и греко-английскими параллельными данными для сохранения двуязычных возможностей. Для греческого языка расширен словарь токенизатора Mistral: по данным авторов, это сокращает число токенов на слово и ускоряет инференс. Модель предназначена для генерации текста, ответов на вопросы и рассуждений, особенно на греческом; также поддерживает английский. Авторы сообщают об улучшении средних результатов на шести греческих тестовых наборах по сравнению с Mistral 7B. В README указано контекстное окно 8192 токена, тогда как метаданные каталога приводят native_context_tokens 32768; фактический предел следует уточнить для используемой конфигурации. Для корректной токенизации промпта авторы рекомендуют включать BOS-токен. Модель распространяется по лицензии Apache-2.0. Она может выдавать вводящие в заблуждение, вредоносные или токсичные ответы; результаты бенчмарков сами по себе не гарантируют качество в конкретном приложении.

zelk12/MT2-Gen4-MU-gemma-2-S2N3N1532-9B — объединённая модель для генерации текста и диалогов, созданная с помощью mergekit методом SLERP из allknowingroger/Gemmaslerp2-9B и nhyha/N3N_gemma-2-9b-it_20241029_1532. Модель основана на архитектуре Gemma 2 с плотной causal language model и содержит 9 млрд параметров; для запуска указана библиотека Transformers и формат safetensors. Модель предназначена для диалоговой генерации текста. Контекст составляет до 8192 токенов. Метаданные описывают одну из базовых моделей как дообученную на англоязычных научных статьях Gemma 2 9B, однако README не уточняет, как именно эти свойства проявляются в итоговом объединении. Лицензия в предоставленных данных не указана.

Pervepsion-12B-x1 — дообученная Koriea модель для диалоговой генерации текста на основе Mistral Nemo Instruct. Она предназначена для общения и создания текстов; тематические теги карточки указывают на медицину, климат, биологию, химию, ролевой диалог и творческое письмо. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров, распространяется в формате safetensors. В карточке указано окно контекста до 1 024 000 токенов и возможность чата. README рекомендует temperature 0,6–1 и min_p 0,1–0,2. Базовая модель Mistral Nemo Instruct поддерживает несколько языков, однако языки именно этой производной модели не уточнены. Условия лицензии в предоставленных данных отсутствуют.

plT5 Large — польскоязычная модель семейства T5, разработанная исследовательской командой Machine Learning Research Team компании Allegro совместно с Linguistic Engineering Group Института информатики Польской академии наук. Модель имеет архитектуру T5ForConditionalGeneration и содержит около 403,6 млн параметров. Модель обучена на польских текстовых корпусах, включая CCNet и Национальный корпус польского языка, с исходной для T5 целью денойзинга. Для токенизации используется SentencePiece unigram со словарём на 50 тыс. токенов. Основное назначение в каталоге — перевод; метаданные также относят её к text-to-text генерации и указывают задачи суммаризации и ответов на вопросы. Модель принимает текст и генерирует текст. Репозиторий содержит веса PyTorch, лицензия — CC BY 4.0. README не приводит результатов оценки качества или подробностей ограничений применения.

Arabic-GLM-OCR-v1 — дообученная модель распознавания текста на изображениях, созданная на основе GLM-OCR. Она предназначена для извлечения печатного и рукописного арабского текста из структурированных и частично структурированных документов. Модель принимает изображение с текстовой инструкцией и выдаёт распознанный текст; заявлены аккуратное восстановление арабского текста, сохранение пунктуации, пробелов и форматирования. Модель использует мультимодальную архитектуру GLM-OCR и распространяется в формате safetensors. В README заявлены оптимизация для применения в производственных сценариях и обучение с учителем, однако приведённые материалы не содержат независимых оценок качества. Лицензия — Apache 2.0.