This release focuses on reducing false refusals and unnecessary policy-style preambles while retaining the native architecture and general capabilities of `Qwen/Qwen3.8-27B`. The final checkpoint preserves the official tokenizer, chat template, and configuration, the complete vision stack and multimodal projector, native Multi-Token Prediction (MTP) weights. Vision tensors remain unchanged and are verified separately. MTP tensors remain unchanged and are verified separately. “Aggressive” describes the strength of the low-overrefusal behavior. The intended response style is direct and substantive for benign, fictional, analytical, educational, authorized, privacy-respecting, or otherwise legitimate requests, including requests whose wording is sensitive or ambiguous.
译文排队中 · 当前显示来源原文
输入 文本 · 图像→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 图像→ 输出 视频
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本→ 输出 图像
Qwen/Qwen-Image-2.1 quantized to 4-bit for Apple Silicon with mflux (`mflux-save -q 4`, commit `8c00dab2`). `--low-ram` releases the text encoder after prompt encoding and tiles the VAE decode. Measured on an M1 Max at 768×768: peak memory ~7 GB (vs. 33–36 GB without it), ~6.7 s/step, no visible quality change. Defaults recommended by the model authors: 40 steps, no guidance. Image sizes must be divisible by 16.
译文排队中 · 当前显示来源原文
输入 文本→ 输出 图像
Qwen/Qwen-Image-2.1 quantized to 8-bit for Apple Silicon with mflux (`mflux-save -q 8`, commit `8c00dab2`). `--low-ram` releases the text encoder after prompt encoding and tiles the VAE decode. Measured on an M1 Max at 768×768: peak memory ~10 GB (vs. 33–36 GB without it), ~6.7 s/step, no visible quality change. Defaults recommended by the model authors: 40 steps, no guidance. Image sizes must be divisible by 16.
译文排队中 · 当前显示来源原文
输入 文本→ 输出 图像
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
输入 文本→ 输出 图像
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
分类待补充
输入 待核验→ 输出 待核验
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
输入 文本→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分类待补充
输入 待核验→ 输出 待核验
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
分类待补充
输入 待核验→ 输出 待核验
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
分类待补充
输入 待核验→ 输出 待核验
Published by request from the Pennyroyal community. This is a ModelOpt NVFP4 conversion of OrcaRouter’s uncensored Qwen3.8 Flash-Next checkpoint—the conversion I use for local agentic work with Pennyroyal/SGLang. I’ve also heard reports from several community members of it outperforming the stock model on agentic tasks, which added to the interest in sharing this working format. The original model modification is OrcaRouter’s work. My contribution here is the quantization, compatible packaging and runtime testing—not additional fine-tuning or uncensoring.
译文排队中 · 当前显示来源原文
输入 文本 · 图像→ 输出 文本
The F5-TTS model is finetuned specifically for Spanish language speech synthesis. This project aims to deliver high-quality, regionally diverse speech synthesis capabilities for Spanish speakers. This model is released under the CC0-1.0 license, which allows for free usage, modification, and distribution. - Voxpopuli Dataset, with mainly Peninsular Spain accents - Crowdsourced high-quality Spanish speech data: - Argentinian Spanish - Chilean Spanish - Colombian Spanish - Peruvian Spanish - Puerto Rican Spanish - Venezuelan Spanish - TEDx Spanish Corpus
译文排队中 · 当前显示来源原文
分类待补充
输入 待核验→ 输出 待核验
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本→ 输出 文本
XLM-RoBERTa is a scaled cross lingual sentence encoder. It is trained on 2.5T of data across 100 languages data filtered from Common Crawl. XLM-R achieves state-of-the-arts results on multiple cross lingual benchmarks.
译文排队中 · 当前显示来源原文
输入 文本→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分类待补充
输入 待核验→ 输出 待核验
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本 · 图像→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本 · 图像→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本 · 图像→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本 · 图像→ 输出 文本
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基础资料已收录 · 缺失资料后续补充
输入 文本 · 图像→ 输出 文本
