I.11Классификация, ранжирование и сопоставление

mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit-REAP-14B — квантованная и подвергнутая прореживанию версия Gemma-4, разработанная сообществом mlx-community на базе mlx-community/gemma-4-26B-A4B-it-OptiQ-4bit. Модель предназначена для локальной генерации текста и запуска LLM на устройствах Apple Silicon через MLX. Она может использоваться для диалогов, следования инструкциям, решения математических задач, генерации кода и вызова функций, однако точный набор языков и размер контекстного окна в README не указан. Модель использует MoE-архитектуру с 128 экспертами на слой, из которых сохранены 64; для каждого токена по-прежнему активируются 8 экспертов. После прореживания объём параметров уменьшен с 25,8 млрд до 14,3 млрд, размер на диске — с 17,5 до 10,4 ГБ, а пиковое потребление памяти — с 16,4 до 9,4 ГБ. Активное число параметров на токен не изменилось, поэтому заявлено отсутствие снижения скорости из-за маршрутизации. Применено 4-битное квантование OptiQ и метод REAP; сохранённые эксперты не деквантизировались, не переквантизировались и не переобучались. Главное преимущество модели — заметное сокращение требований к диску и памяти при сохранении высокой производительности в отдельных сценариях: показатели GSM8K, IFEval и BFCL-V3 составляют соответственно 89,1, 80,8 и 90,0. Ограничение — существенная потеря качества относительно родительской модели: итоговый Capability Score снижен с 75,75 до 68,13, MMLU — с 65,0 до 38,9, а HumanEval — с 90,2 до 72,0. Поэтому модель может быть менее подходящей для широких академических задач и генерации кода. Лицензия — Apache 2.0.

EZForever/gemma-4-31B-it-qat-uncensored-heretic-UDmerge-GGUF — мультимодальная модель класса image-text-to-text на базе Gemma 4 31B-it. Она создана как merge-модель: объединяет компоненты unsloth/gemma-4-31B-it-qat-GGUF и llmfan46/gemma-4-31B-it-qat-q4_0-unquantized-uncensored-heretic с использованием изменённых, «abliterated» тензоров. Модель предназначена для диалогов, генерации текста и обработки изображений совместно с текстом; для мультимодальной работы требуются файлы mmproj и для поддержки MTP — соответствующий файл mtp от Unsloth. Доступны варианты UDmerge-Q4_K_XL и UDmerge-Q4_K_XXL в формате GGUF. Размеры составляют примерно 17,3 и 18,0 ГБ соответственно. В варианте Q4_K_XL изменённые тензоры квантизуются в Q4_0, а в Q4_K_XXL — в Q8_0; второй вариант, по данным автора, заметно улучшает показатель отказов при почти неизменной скорости генерации, но требует больше памяти. В README не указаны поддерживаемые языки и размер контекстного окна. Сильными сторонами заявлены сохранение качества после квантизации, поддержка мультимодальности и более низкая склонность к отказам в сравнении с исходными моделями. Приведённые результаты зависят от варианта и методики тестирования: для UDmerge-Q4_K_XL указаны 85,83% на MMLU-val и 34% отказов, для UDmerge-Q4_K_XXL — 84,19% и 20% соответственно. Автор предупреждает, что результаты тестов отказов могут быть неточными, а модель создана при значительной помощи LLM и предлагается к использованию на усмотрение пользователя. В метаданных указана лицензия Apache-2.0.

frankenmerger/gemma-4b-instruct-v0.2 — языковая модель семейства Gemma, разработанная на основе gemma-2b-it. По README, веса расширены до 4 млрд параметров, после чего модель дообучена на 50 тысячах примеров из Locutusque/hyperion-v2.0. Модель предназначена для генерации текста и диалогового общения; она принимает текст и выдаёт текст. Контекст составляет 8192 токена, формат весов — Safetensors. Модель может использоваться для ответов в чате, написания и продолжения текста, а также для прототипирования текстовых приложений. В метаданных указан английский язык. Лицензия — Apache-2.0. Карточка не приводит оценок качества или подробностей обучения, поэтому пригодность для конкретных задач следует проверять отдельно.

gliner2-large-v1-redocred — модель извлечения информации на базе GLiNER2, разработанная whr778 и дообученная от fastino/gliner2-large-v1 на наборе Re-DocRED. Она предназначена для извлечения именованных сущностей и отношений между ними в англоязычных документах; карточка также относит её к задачам извлечения событий и классификации. Набор Re-DocRED содержит 6 типов сущностей и 96 типов отношений. В слепом тесте F1 для сущностей составил 0,860 при строгой и 0,907 при расслабленной оценке; для отношений — 0,287 и 0,350 соответственно. Низкий recall отношений (0,186 строго, 0,227 расслабленно) ограничивает полноту извлечения. Модель работает с текстом и распространяется в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

GLM-4-32B-Base-0414 — плотная авторегрессионная языковая модель семейства GLM-4, разработанная Z.ai. В репозитории указаны 31,6 млрд параметров, предварительное обучение на 15 трлн единиц высококачественных данных и контекст до 32 768 токенов. Модель предназначена для генерации текста и служит базой для дальнейшего дообучения и постобучения; в карточке также описаны результаты семейства GLM-4-32B-0414 в генерации кода, вызове функций, ответах на вопросы с поиском и подготовке отчётов. Карточка указывает китайский и английский языки. Весы доступны в формате safetensors, библиотека — Transformers. Лицензия MIT. Несмотря на название Base, README смешивает описание базовой модели и всей серии, поэтому возможности диалога, вызова функций и рассуждений не следует считать гарантированными свойствами именно этого чекпойнта.

DevQuasar/huihui-ai.Qwen3-14B-abliterated-GGUF — это квантизированная версия модели huihui-ai/Qwen3-14B-abliterated в формате GGUF. Модель предназначена для генерации текста и локального запуска в совместимых инструментах вывода. В основе лежит Qwen3-14B-abliterated с заявленным размером 14 млрд параметров. README не содержит сведений о конкретном варианте квантизации, архитектурных деталях, поддерживаемых языках, длине контекста или доступных модальностях, поэтому эти характеристики нельзя определить достоверно. Сильной стороной является возможность использовать более компактное представление базовой модели, однако качество и требования к ресурсам зависят от выбранного уровня квантизации. Модель опубликована под идентификатором DevQuasar, а исходной моделью указана huihui-ai/Qwen3-14B-abliterated. Лицензия и условия использования в README не указаны.

Kausik-A/Huihui-Qwen3.5-9B-abliterated-GGUF — это набор квантизированных версий языковой модели Huihui-Qwen3.5-9B-abliterated в формате GGUF, подготовленных с помощью llama.cpp. В основе лежит Qwen3.5-9B от Alibaba: базовая модель Qwen3.5-9B-Base, дообученная в формате instruct, затем изменённая huihui-ai методом abliteration для существенного снижения отказов в ответах. Репозиторий Kausik-A содержит варианты с разными уровнями квантизации для локального запуска через llama.cpp, Ollama или LM Studio. Модель предназначена для генерации текста и диалоговых сценариев, включая исследовательское и экспериментальное использование в контролируемой среде. Указана архитектура Qwen3.5 с 32 слоями, скрытым размером 4096, 16 attention heads, 4 KV heads и словарём из 248 320 токенов. Контекстное окно составляет до 262 144 токенов. Исходный размер F16-версии — около 17 ГБ, а доступные варианты занимают примерно от 4,0 ГБ до 17 ГБ. README не указывает поддерживаемые языки и мультимодальные возможности, поэтому модель следует описывать как текстовую. Сильная сторона модели — широкий выбор квантизаций, позволяющий подобрать баланс между качеством, скоростью и требованиями к памяти, а также сниженное количество встроенных отказов. Ограничения включают экспериментальный proof-of-concept характер abliteration, отсутствие строгой safety-оптимизации и повышенный риск генерации чувствительного, спорного или неприемлемого контента. Для публичных и коммерческих приложений рекомендуется тщательная фильтрация и ручная проверка результатов. Модель распространяется по лицензии Apache 2.0, унаследованной от базовой Qwen3.5-9B.

Huihui-Qwen3-VL-8B-Instruct-abliterated — мультимодальная модель huihui-ai, созданная abliteration текстовой части Qwen/Qwen3-VL-8B-Instruct. Она принимает текст и изображения и отвечает в диалоговом формате, поддерживая анализ изображений и визуальные вопросы. Вариант предназначен для сценариев, где требуется меньше отказов при описании или анализе изображений; изменения затронули текстовую часть, а не визуальную. Модель построена на плотной архитектуре Qwen3-VL с 8 млрд параметров и доступна в формате safetensors для Transformers. В README также приведён запуск через Ollama. Репозиторий распространяется по лицензии Apache-2.0. Из-за существенно ослабленных защитных фильтров модель может выдавать чувствительные, спорные или неподходящие ответы; результаты следует проверять. README предупреждает, что изменения касаются текстовой части, поэтому не следует считать, что снижены ограничения самой визуальной части.

ItalianNERXXL — модель разметки именованных сущностей на основе BERT, опубликованная Michele Montebovi. Она предназначена для извлечения из итальянского текста 52 типов сущностей, включая имена и адреса, контакты, банковские и налоговые реквизиты, юридические сведения, медицинские данные и сведения о лекарствах. Модель подходит для автоматической разметки документов и поиска чувствительной информации в итальянских текстах. Модель содержит 137,9 млн параметров, принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. В README заявлена точность 79%; это начальный выпуск, а заявленные планы регулярных улучшений не гарантируют качество на новых данных. Распознавание чувствительных реквизитов и медицинских или юридических сущностей следует проверять на целевом наборе текстов. Лицензия — Apache-2.0.

Модель Jhjhugv/kanana-1.5-8b-instruct-2505-Safe-DPO опубликована разработчиком Jhjhugv и представлена как дообученная разговорная языковая модель семейства Llama. Она предназначена для генерации текста в диалогах; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что модель дообучена на Jhjhugv/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. Доступны веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает конкретные тесты качества или подробные ограничения; метаданные указывают английский язык.

Kimiko v2 13B — языковая модель для генерации текста и диалогового взаимодействия, созданная nRuaif. В данном репозитории TheBloke предоставляет её квантизированные версии в формате GGUF для запуска через llama.cpp и совместимые инструменты. Модель основана на архитектуре Llama и имеет около 13 миллиардов параметров; заявленный язык — английский. Модель предназначена для чат-сценариев, ответов на вопросы и других задач генерации текста. В README приведён шаблон запросов в стиле Vicuna, ориентированный на получение полезных, подробных и вежливых ответов. Формат GGUF поддерживает метаданные, специальные токены и различные уровни квантования, включая 2-, 3-, 4-, 5-, 6- и 8-битные варианты, что позволяет выбирать компромисс между качеством, размером файлов и требованиями к памяти. Поддерживаются CPU+GPU-сценарии и такие инструменты, как llama.cpp, text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие. К сильным сторонам относятся широкий выбор уровней квантования и совместимость с популярной экосистемой локального запуска моделей. Ограничения включают отсутствие заявленной поддержки дополнительных модальностей и других языков, а также возможное снижение качества у более агрессивно квантизированных вариантов. Условия лицензирования неоднозначны: указана лицензия creativeml-openrail-m, при этом модель также основана на Llama 2 и подпадает под условия лицензии Meta Llama 2; разработчик рекомендует уточнять взаимодействие этих лицензий в исходном репозитории.

Kosmos-EVAA-gamma-ultra-light-8B — объединённая методом SLERP языковая модель на архитектуре Llama, созданная автором jaspionjader с помощью mergekit. В объединении использованы модели jaspionjader/Kosmos-EVAA-gamma-light-8B и jaspionjader/Kosmos-EVAA-v12-8B. Модель содержит 7,5 млрд параметров и предназначена для генерации текста; она принимает текст и выдаёт текст. Модель работает через библиотеку Transformers и распространяется в формате safetensors. Длина контекста составляет 8192 токена. Лицензия в предоставленных данных не указана.

KR-X-AI/krx-qwen2.5-7B-0.0.1 — дообученная языковая модель KR-X-AI на архитектуре Qwen2, предназначенная для генерации текста и диалогового взаимодействия. Она основана на KR-X-AI/krx-qwen2.5-7B-pt и содержит 7,1 млрд параметров; модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов. В метаданных указана поддержка английского языка, а также интерфейс для вызова инструментов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

kromcomp/L3.1-Phantasmav2-12B — объединённая авторегрессионная языковая модель семейства Llama, созданная методом NuSLERP с помощью mergekit на основе merge/spectre и merge/twilight. Модель предназначена для генерации текста и диалогового общения; число параметров — 11,4 млрд, заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. README и метаданные не описывают языковую специализацию или отдельные прикладные области. Условия лицензии в доступных данных не указаны.

bartowski/lemon07r_VellumMini-0.1-Qwen3-14B-GGUF — это набор квантизированных версий языковой модели VellumMini-0.1-Qwen3-14B, разработанной lemon07r и преобразованной bartowski в формат GGUF с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В основе используется модель класса Qwen3 с заявленным размером 14 млрд параметров. Доступны варианты от BF16 до низкобитных квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ, поэтому можно выбирать между качеством ответов, требованиями к памяти и скоростью работы. Для квантизации применялась imatrix с калибровочными наборами данных; варианты Q6_K_L, Q6_K, Q5 и Q4 отмечены авторами как рекомендуемые, а Q4_K_M описан как подходящий вариант по умолчанию для большинства сценариев. Сильной стороной набора является широкий выбор размеров и форматов для локального инференса, включая варианты, оптимизированные для ограниченного объёма оперативной памяти и некоторых CPU-платформ. При этом README не содержит сведений о поддерживаемых языках, размере контекста, точной архитектуре, мультимодальности, специализированных сценариях обучения или системном формате подсказок; prompt format не найден. Лицензия в предоставленных данных также не указана, поэтому условия использования необходимо уточнять на странице исходной модели lemon07r/VellumMini-0.1-Qwen3-14B.

LeoLM/leo-hessianai-13b — языковая модель с открытыми весами, разработанная Björn Plüster и Christoph Schuhmann совместно с LAION и HessianAI. Это плотный авторегрессионный трансформер-декодер семейства Llama, полученный продолжением предобучения meta-llama/Llama-2-13b-hf на большом корпусе немецкоязычных, преимущественно локальных текстов. Модель содержит 12,9 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста на немецком и английском языках, а также для исследований и прикладных разработок с немецкоязычными LLM. Она доступна для использования через Transformers в формате PyTorch. Лицензия — Llama 2 Community License Agreement; перед использованием следует учитывать её условия, в том числе применимые ограничения на коммерческое использование.

LexGPT-V2.5 — языковая модель общего назначения от автора lex-hue, предназначенная для генерации текста и экспериментов с разработкой ИИ. Она построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате Safetensors, лицензия — MIT. Модель предназначена для генерации ответов, учебных экспериментов, STEM-сценариев и ролевых диалогов. В README приводится оценка MT-Bench 7,920530 в среднем и отмечается, что модель находилась в активной разработке. Язык модели в предоставленных данных не установлен. Автор предупреждает о возможности предвзятых, оскорбительных или вредоносных ответов и характеризует модель как в значительной степени нецензурируемую. Для практического применения следует проверять результаты и предусматривать меры безопасности.

LFM2.5-8B-A1B-GGUF — это GGUF-версия гибридной языковой модели семейства LFM2, разработанной компанией Liquid AI. Модель предназначена для генерации текста и ориентирована прежде всего на edge-сценарии и локальное выполнение на устройствах. В карточке указана базовая модель LiquidAI/LFM2.5-8B-A1B. Доступны языки английский, арабский, китайский, французский, немецкий, японский, корейский и испанский. Формат GGUF обеспечивает совместимость с llama.cpp и подходит для запуска на устройствах с ограниченными ресурсами; заявлены высокая скорость и эффективность использования памяти. Точные сведения об архитектуре, контекстном окне, модальностях и фактическом количестве параметров в README не приведены. Модель может использоваться для локальной генерации текста и диалоговых приложений без обязательной передачи данных во внешние сервисы. Ограничения включают отсутствие подробных данных о качестве, производительности и поддерживаемых аппаратных конфигурациях в представленной карточке. Модель распространяется по лицензии lfm1.0; в README также указано обозначение лицензии «other».

LiquidAI/LFM2.5-VL-3B-ONNX — ONNX-версия мультимодальной модели LFM2.5-VL-3B, разработанная компанией Liquid AI. Это гибридная модель нового поколения, ориентированная на edge AI и запуск непосредственно на устройствах. Модель принимает изображения и текст и генерирует текстовые ответы, поэтому предназначена для визуального анализа, описания изображений и построения мультимодальных приложений с локальным или браузерным выполнением. Модель имеет размер 3 млрд параметров и поставляется в формате ONNX для использования с ONNX Runtime и Transformers.js версии 4.0 или новее. README указывает поддержку WebGPU, включая запуск в браузере, а также варианты представления FP16 и квантования Q4 для отдельных компонентов, что помогает снизить требования к памяти. Заявленные сильные стороны — сочетание качества, скорости и эффективности памяти при edge-развёртывании. Поддерживаются арабский, китайский, английский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, русский, испанский, тайский и вьетнамский языки. Длина контекста в предоставленных данных не указана. Модель распространяется по лицензии lfm1.0; подробные условия находятся в файле LICENSE.

nkpz/llama2-22b-daydreamer-v2 — языковая модель семейства Llama, дообученная автором nkpz ещё на нескольких эпохах общих данных airoboros v2. Модель предназначена для генерации текста и ответов на инструкции; автор отмечает, что она стала менее склонна к чрезмерно подробным объяснениям и менее привязана к формату инструкций, сохранив более универсальный стиль. Модель содержит 21,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат PyTorch. Нативный контекст составляет 4098 токенов. В карточке указана лицензия other. Автор описывает модель как работу в процессе и отмечает, что навыки решения задач ещё требуют улучшения.

bartowski/Llama-3.1-70B-ArliAI-RPMax-v1.2-GGUF — это набор GGUF-квантизаций модели Llama-3.1-70B-ArliAI-RPMax-v1.2, разработанной ArliAI. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, включая сценарии ролевого общения и другие задачи, совместимые с базовой текстовой LLM. Для запуска рекомендуется использовать llama.cpp или LM Studio с указанным форматом prompt. Модель имеет архитектуру и размер исходной Llama-3.1-70B, однако точные сведения о количестве параметров, поддерживаемых языках и размере контекстного окна в представленном README не указаны. Доступны варианты квантизации от Q8_0 до более компактных IQ- и Q-форматов размером примерно от 19 до 75 ГБ. Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые; чем сильнее сжатие, тем ниже качество, но тем меньше требования к памяти. Главные преимущества — большое количество параметров, широкий выбор квантизаций и возможность локального запуска на совместимом оборудовании. Ограничениями являются значительные требования к оперативной или видеопамяти даже у компактных вариантов, а также потенциальная потеря качества при использовании низкобитных квантизаций. В README указана лицензия llama3.1; дополнительные условия использования производной модели не описаны.

Модель artificialguybr/LLAMA3.2-1B-Synthia-II-Redmond — дообученная версия мультиязычной языковой модели Llama 3.2 1B от Meta. Автор дообучил её на наборе инструкций Synthia-v1.5-II с использованием Axolotl; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 1,2 млрд параметров, нативная длина контекста — 131 072 токена. Модель предназначена для выполнения инструкций и диалоговых приложений, а также для исследований и разработки в области NLP. В карточке перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Доступны веса PyTorch и safetensors. Лицензия — Llama 3.2.

LLama3-Gaja-Hindi-8B-v0.1 — двуязычная чат-модель Cognitivelab.in, дообученная на базе Llama 3 8B. Это плотная авторегрессионная архитектура Llama с 7,5 млрд параметров, предназначенная для понимания естественного языка и выполнения инструкций в диалогах на хинди и английском. Модель поддерживает контекст до 8192 токенов и распространяется в формате safetensors. Модель подходит для ответов на вопросы и ведения многоходового чата, следуя инструкциям пользователя на хинди или английском. Для дообучения использовались отобранные переведённые пары инструкций и метод supervised fine-tuning с low-rank adaptation. Лицензия в метаданных указана как Llama 2; условия использования следует сверять с её текстом. В карточке нет опубликованных результатов бенчмарков, поэтому качество модели по ним оценить нельзя.

teddylee777/Llama-3-Open-Ko-8B-Instruct-preview-gguf — это квантизированная GGUF-версия инструкционной языковой модели Llama-3-Open-Ko-8B-Instruct-preview, разработанной beomi на основе Llama-3-8B. Квантизация выполнена с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы, объяснение тем и написание кода, с особым вниманием к корейскому языку. Модель представляет собой продолжительно предобученную языковую модель на базе Llama-3-8B. Для обучения использованы более 60 ГБ дедуплицированных общедоступных текстов и свыше 17,7 млрд токенов с новым токенизатором Llama-3; обучение проводилось на TPUv5e-256. Поддерживаются английский и корейский языки, а модальность — текстовая. Точный размер контекста и параметры квантизации в README не указаны. Сильная сторона модели — адаптация Llama-3 к корейскому языку и наличие инструкционного варианта для чат-приложений. При этом это предварительная версия: она не дообучалась на корейском наборе инструкций, поэтому качество следования инструкциям и фактическая точность могут быть нестабильными. Модель распространяется по лицензии Llama 3; подробные условия приведены в файле LICENSE.

MaLA-LM/lucky52-bloom-7b1-no-52 — мультиязычная модель BLOOM, дообученная с инструкциями на основе параллельного набора Bactrian-X. Это один из 52 чекпойнтов серии: при обучении в модель последовательно добавляли языки. Модель содержит 9,1 млрд параметров, использует плотную архитектуру BLOOM для причинной генерации текста и загружается через библиотеку Transformers; доступны веса PyTorch и Safetensors. Модель предназначена для генерации ответов на инструкции и вопросов на 52 языках, включая русский, английский, китайский, арабский, хинди и другие языки, перечисленные в карточке. Её можно применять для многоязычного диалога, ответов на вопросы и следования текстовым инструкциям. Карточка сообщает о сравнении серии моделей на трёх многоязычных бенчмарках, но не приводит здесь результатов конкретного чекпойнта. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

LWM-Text-128K — открытая авторегрессионная языковая модель на архитектуре Transformer семейства LLaMA, дообученная на основе LLaMA 2. По метаданным, модель содержит 6,6 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для генерации текста и работы с длинными последовательностями; при обучении использовались 92 тысячи документов Books3 длиной от 100 до 200 тысяч токенов. Языковые возможности отдельно не описаны. Модель опубликована в формате PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

madwind-wizard-7B — объединение предварительно обученных языковых моделей, созданное grimjim с помощью mergekit и метода SLERP. Модель основана на Mistral 7B v0.2 и объединяет её 32K-контекст с возможностями Zephyr Beta и WizardLM 2; веса представлены в формате safetensors с точностью bfloat16. Размер модели — 7,1 млрд параметров, архитектура — плотная MistralForCausalLM, длина контекста — до 32 768 токенов. Модель предназначена для генерации текста и может использоваться для диалогов, ответов на запросы и других задач генерации на основе текстового ввода. Карточка предупреждает, что модель может генерировать проблемный текст из-за унаследованного поведения Zephyr Beta. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Magnum v4 22B — языковая модель, разработанная организацией Anthracite и представленная в формате GGUF-квантизаций. Она дообучена на базе Mistral-Small-Instruct-2409 и создана для воспроизведения качества прозы моделей Claude 3, в частности Sonnet и Opus. Модель предназначена для текстовой генерации и диалоговых сценариев, включая написание и редактирование текстов, следование инструкциям и использование в чат-интерфейсах, например SillyTavern. Указан английский язык. Размер модели — 22 млрд параметров; поддерживается контекст длиной до 32 768 токенов. Модель работает в текстовой модальности, а README описывает стандартный формат промпта Mistral с системным сообщением, пользовательскими запросами и ответами ассистента. К сильным сторонам относятся ориентация на высокое качество прозы, большой контекст и доступность в GGUF для локального запуска с подходящими инструментами. Ограничения включают отсутствие заявленных мультимодальных возможностей, отсутствие количественных результатов бенчмарков и неполное описание характеристик безопасности. Модель обучалась в течение двух эпох методом полно-параметрического дообучения на нескольких датасетах, связанных с инструкциями, диалогами и качеством письма. Лицензия указана как other с названием mrl; дополнительные условия в README не раскрыты.

Maple-Preview — предварительная открытая языковая модель DeepGrove для рассуждений и диалоговой генерации текста. По карточке модели это разреженная MoE-модель с трёхзначными весами: в README указано 20B параметров и 1B активных, тогда как метаданные каталога указывают общий размер 1,2B параметров. Архитектура включает 24 слоя и 256 экспертов, из которых активны 8; механизм внимания сочетает SWA-512 и GA в пропорции 3:1. Контекст составляет 131 072 токена, модель рассчитана прежде всего на английский язык. Модель предназначена для задач сложного текстового рассуждения, включая математические задачи высокого уровня, а также для диалоговой генерации. Разработчик заявляет высокую скорость локального запуска на Apple Silicon; включённая реализация Transformers требует Triton, FlashAttention и совместимой среды CUDA, а результат для Mac mini M4 получен в отдельном runtime. Это preview-версия с ограниченным дообучением для агентных задач и небольшим объёмом общей RL-настройки, поэтому её возможности в агентных сценариях могут быть слабее. Лицензия — MIT.

Marcoroni-neural-chat-7B-v2-Mistral-7B-Instruct-v0.1 — языковая чат-модель MaziyarPanahi, созданная слиянием Mistral-7B-Instruct-v0.1 и Marcoroni-neural-chat-7B-v2 методом SLERP. Это плотная архитектура Mistral с 7,1 млрд параметров, предназначенная для генерации текста в ответ на инструкции и диалоговые запросы; заявленный размер контекста — 32 768 токенов. Модель подходит для диалоговых помощников и генерации ответов на текстовые запросы. README описывает объединение весов с отдельными коэффициентами смешивания для слоёв self-attention и MLP. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. В предоставленных данных не обозначены языки обучения или специализированные области применения.