I.11Классификация, ранжирование и сопоставление

Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

Llama-Breeze2-3B-Instruct-v01 — мультимодальная чат-модель команды MediaTek Research с архитектурой InternVLChat и 3 млрд параметров. Она основана на LLaMA 3.2 и продолжает её предварительное обучение на большом корпусе для улучшения работы с традиционным китайским языком и его культурным контекстом. Модель предназначена для следования инструкциям и диалога на китайском и английском языках. Визуальный энкодер и связующий модуль позволяют учитывать изображения в запросах, а дообучение и шаблоны запросов поддерживают вызов функций. Метаданные также указывают интерфейс для работы с инструментами. Модель распространяется в формате safetensors по лицензии Llama 3.2 Community License. README указывает на визуальные возможности, но доступные сведения не уточняют размер контекстного окна и ограничения качества.

LlamaThink-8B-instruct — инструкционно дообученная языковая модель David Browne на архитектуре Llama 3.1. Она предназначена для диалогов и генерации структурированных ответов в формате из двух разделов; для соблюдения формата карточка рекомендует задавать соответствующую системную инструкцию. Модель содержит около 7,5 млрд параметров, принимает текст и выдаёт текст. В метаданных указан контекст до 131 072 токенов, а поддерживаемые сценарии включают чат и интерфейс вызова инструментов. Модель основана на meta-llama/Llama-3.1-8B-Instruct и распространяется под лицензией Apache 2.0. Карточка не приводит количественной оценки качества или подробностей обучения. Формат ответа зависит от системной инструкции; для использования интерфейса вызова инструментов требуется совместимая интеграция.

Magistral-Small-2506-MLX-4bit — это 4-битная квантованная версия языковой модели Magistral-Small-2506, разработанной Mistral AI. Квантование выполнено командой LM Studio с использованием библиотеки mlx_lm и формата MLX; модель оптимизирована для запуска на устройствах Apple Silicon. Модель предназначена для генерации текста и локального использования в сценариях, поддерживаемых экосистемой MLX и приложением LM Studio. Ключевая известная характеристика — 4-битное квантование, уменьшающее требования к памяти по сравнению с полной версией и ориентированное на эффективный запуск на совместимом оборудовании. README не содержит сведений о количестве параметров, архитектуре, поддерживаемых языках, размере контекста и дополнительных модальностях, поэтому эти характеристики нельзя определить. Модель распространяется по лицензии Apache-2.0. К ограничениям относятся возможные неточности, вредное или неподходящее содержание, а также отсутствие гарантий корректности и пригодности результатов; эти свойства типичны для исходной модели и не устраняются квантованием.

MeliodasPercival_01_Experiment27Pastiche — объединённая языковая модель семейства Mistral, созданная MaziyarPanahi на основе automerger/MeliodasPercival_01-7B и automerger/Experiment27Pastiche-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов. Контекстное окно составляет до 32 768 токенов, что позволяет работать с длинными запросами и документами. Карточка не описывает специальные предметные области или отдельные языки. Модель опубликована под лицензией Apache-2.0. README не сообщает о сравнительных оценках качества или конкретных ограничениях; результаты могут зависеть от промпта и сценария применения.

MeliodasPercival_01_Neuralsirkrishnaexperiment26Experiment24 — объединённая языковая модель семейства Mistral, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Neuralsirkrishnaexperiment26Experiment24-7B. Модель содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста, включая диалоговые ответы. Контекстное окно составляет до 32 768 токенов. Модель подходит для генерации продолжений текста, ответов в диалоге и других задач на основе текстового ввода. Веса доступны в формате Safetensors; лицензия — Apache-2.0. В карточке модели не приведены оценки качества и подробные сведения о языковой специализации, поэтому результаты для конкретных задач и языков могут различаться.

Meta-Llama-3-8B-Instruct-abliterated-v3-IMat-GGUF — это GGUF-квантизованная версия модели failspy/Meta-Llama-3-8B-Instruct-abliterated-v3, подготовленная пользователем legraphista с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через совместимые инструменты, такие как llama.cpp. В основе лежит модель размером 8 миллиардов параметров с исходным форматом BF16 и архитектурой семейства Meta Llama 3. Репозиторий содержит варианты с точностью от 1 до 16 бит, включая BF16, FP16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и Q2_K. Для ряда вариантов применена IMatrix-квантизация, призванная лучше сохранять качество при уменьшении размера модели. Доступны файлы размером примерно от 3,18 до 16,07 ГБ; точные поддерживаемые языки и размер контекстного окна в README не указаны. Сильные стороны модели — выбор разных уровней квантизации, возможность локального запуска и снижение требований к памяти по сравнению с полноразмерными вариантами. При этом более агрессивная квантизация может приводить к снижению качества, а конкретные характеристики зависят от выбранного файла. Модель распространяется по лицензии Llama 3; условия использования следует уточнять в тексте этой лицензии.

moonstruxx/MinerU2.5-2509-1.2B-mlx-fp16 — преобразованная в формат MLX модель на основе MinerU2.5-2509-1.2B от OpenDataLab. Это компактная зрительно-языковая модель семейства Qwen2-VL для извлечения текста и структуры из изображений документов, включая таблицы и формулы. Она принимает изображения с текстовыми запросами и формирует текстовый ответ; контекст составляет 16 384 токена, число параметров в метаданных указано как 494 млн. В README указано преобразование с помощью mlx-lm 0.26.4, а веса представлены в fp16. Модель подходит для распознавания и структурированного разбора документов. В карточке заявлены китайский и английский языки. Репозиторий распространяется по лицензии AGPL-3.0. Поскольку это конверсия базовой модели, её возможности и ограничения зависят от исходной MinerU2.5; README не приводит отдельных результатов оценки качества.

Ming-flash-omni 2.0 — мультимодальная модель семейства Ling-2.0 от InclusionAI с архитектурой Mixture-of-Experts: 100 млрд параметров суммарно и 6 млрд активных. Она принимает изображения, текст, видео и аудио, а генерирует текст, изображения и аудио; в метаданных также заявлен интерфейс для вызова инструментов. Модель предназначена для диалога и задач, где нужно переключаться между модальностями: анализа изображений и видео, распознавания речи, синтеза речи и музыки, генерации и редактирования изображений. В README отдельно отмечены распознавание растений, животных и культурных объектов, клонирование голоса с нулевым примером и управление характеристиками звучания, а также удаление объектов и композиция сцен. В README заявлены потоковый видеодиалог, распознавание речи, включая диалектную речь, и генерация изображений с управлением. Метаданные указывают английский язык. Модель опубликована по лицензии MIT. Заявления о лидерстве в бенчмарках и качестве приведены авторами модели; независимые результаты в предоставленных данных отсутствуют.

RemySkye/MiniCPM5-1B-i1-GGUF — это набор квантизированных версий языковой модели openbmb/MiniCPM5-1B, опубликованный в формате GGUF. Квантизация выполнена с помощью llama.cpp и Importance Matrix (imatrix). Модель предназначена для генерации текста, работы с длинным контекстом и сценариев с вызовом инструментов, включая локальное и периферийное развертывание на устройствах с ограниченными ресурсами. В репозитории доступны 26 файлов: базовые варианты BF16, FP16 и FP32, а также 23 уровня квантизации, включая IQ1_S, IQ2_XXS, Q4_K_M и Q8_0. Модель содержит около 1 млрд параметров и заявлена для работы с английским языком. Точные характеристики контекстного окна и поддерживаемых модальностей в README не указаны; по представленным данным это текстовая модель. Основные преимущества — широкий выбор форматов и уровней квантизации, возможность локального запуска и адаптация к разным ограничениям по памяти. Ограничение состоит в том, что квантизация ниже 4 бит может приводить к неприемлемому снижению качества, особенно для модели такого небольшого размера. Модель распространяется по лицензии Apache-2.0.

mini-magnum-12b-v1.1 — диалоговая instruct-модель на архитектуре Mistral, обученная alpindale при участии команды, указанной в карточке. Она предназначена для генерации текста в формате беседы и использует шаблон запросов Mistral с маркерами [INST] и [/INST]. Модель содержит 12,1 млрд параметров, распространяется в формате safetensors и рассчитана на контекст до 1 024 000 токенов. В метаданных перечислены английский, французский, немецкий, испанский, итальянский, португальский, русский, китайский и японский языки. Лицензия — Apache-2.0. Карточка описывает формат промптинга и участников обучения, но не приводит подробностей об оценке качества или конкретных специализациях. Поэтому модель уместно рассматривать как универсальную разговорную модель; качество на отдельных языках и задачах следует проверять самостоятельно.

MiniMax-M2.1 — языковая модель для генерации текста, разработанная MiniMax AI. Она предназначена для задач text-generation и может использоваться в приложениях на базе Transformers, включая создание и продолжение текста, диалоговые сценарии и другие задачи обработки естественного языка. В предоставленном README не указаны архитектура, количество параметров, поддерживаемые языки и модальности, максимальная длина контекста, результаты оценки или сведения о сильных сторонах и ограничениях модели. Известно, что модель распространяется с лицензией modified-MIT; подробные условия приведены в файле LICENSE по ссылке, указанной в карточке модели.

Ministral-4b-instruct — плотная GPT-подобная языковая модель семейства Mistral от Mistral AI, дообученная на смеси общедоступных и синтетических наборов данных. Она содержит 4,3 млрд параметров и предназначена для генерации текста и диалогового взаимодействия на английском языке. Модель использует архитектуру MistralForCausalLM и принимает текст, формируя текстовые ответы. Длина контекста составляет 32 768 токенов. Базовая модель — mistralai/Mistral-7B-v0.1; веса доступны в формате safetensors. Модель подходит для диалоговых приложений и генерации текста. Лицензия Apache 2.0 разрешает коммерческое использование. Карточка указывает английский как основной язык модели.

Это квантованная в формате GGUF версия Ministral 8B Instruct 2410 abliterated, подготовленная mradermacher на основе модели realoperator42/ministral-8B-Instruct-2410-abliterated. Модель предназначена для генерации текста и ведения диалогов, включая локальный запуск совместимых с GGUF инструментов и приложений. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Модель относится к семейству Ministral и имеет около 8 миллиардов параметров, однако подробные сведения об архитектуре, размере контекста и поддерживаемых модальностях в README не указаны. Доступны варианты квантования от наиболее компактных IQ1 до более качественных Q5, с размерами файлов примерно от 2,1 до 5,7 ГБ. В README рекомендуется вариант i1-Q4_K_M как быстрый, а i1-Q4_K_S — как компромисс между размером, скоростью и качеством; низкобитные варианты могут заметно уступать по качеству. К преимуществам относятся широкий выбор квантований и возможность запуска на ограниченных аппаратных ресурсах. Ограничения включают потенциальное снижение качества при сильном квантовании, отсутствие описания результатов тестирования и неполные сведения о характеристиках базовой модели. Информация о лицензии в README не указана.

CorticalStack/mistral-7b-alpaca-sft — модель генерации текста на базе Mistral, дообученная методом supervised fine-tuning на наборе yahma/alpaca-cleaned. В README указана LoRA-конфигурация с r=256, alpha=128 и dropout=0; метаданные описывают плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации ответов и инструкционно-ориентированного диалога по текстовым запросам. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. В README базовой моделью названа unsloth/mistral-7b-bnb-4bit; подробности о качестве и результатах оценки не приведены.

Mistralv0.2-StarlingLM-FrankenMaid-10.5B — диалоговая языковая модель, созданная слиянием моделей с помощью mergekit. В состав слияния входят Mistral-7B-Instruct-v0.2, Starling-LM-7B-beta и fM-v2; применены методы passthrough и dare_ties. Архитектура — плотная MistralForCausalLM, размер — 10,4 млрд параметров, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов; в карточке рекомендуется шаблон Alpaca Instruct. Данные не уточняют набор поддерживаемых языков или специальные предметные области. Лицензия в доступных сведениях не указана.

arcee-ai выпустила mistral-v2-sec-dolphin — объединение двух предварительно обученных языковых моделей, созданное с помощью mergekit методом SLERP: sec-mistral-7b-instruct-1.6-epoch от Arcee AI и dolphin-2.8-mistral-7b-v02 от Cognitive Computations. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Её можно применять для ответов на вопросы, ведения диалога и создания текста. Карточка не уточняет языки и специализированные предметные области, поэтому их нельзя конкретизировать. Репозиторий содержит веса Safetensors; метаданные указывают библиотеку Transformers. Условия лицензирования в предоставленных данных не приведены.

Fireworks Mixtral 8x22B Instruct OH — инструктивная языковая модель, выпущенная Fireworks AI на основе Mixtral-8x22B от Mistral AI. Это разреженная архитектура MoE для генерации текста и диалогов; в метаданных указано 22 млрд параметров и контекст до 65 536 токенов. Модель дообучена на примерно 10 тысячах примеров из OpenHermes 2.5, подготовленных в шаблоне Vicuna. Модель подходит для диалогового помощника, ответов на вопросы и создания развернутых текстов, например планов поездок. Карточка показывает примеры на английском языке, а метаданные отмечают английский как язык модели. Доступны веса в формате safetensors; лицензия — Apache 2.0. Карточка не содержит количественной оценки качества, поэтому пригодность для конкретных задач следует проверять на собственных данных.

bartowski/moxin-llm-7b-GGUF — это набор GGUF-квантизаций текстовой генеративной модели moxin-llm-7b, разработанной moxin-org. Квантизации выполнены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio и совместимые инструменты на базе llama.cpp. Модель содержит около 7 миллиардов параметров и поставляется в вариантах от F16 до низкобитных Q2 и IQ2/IQ3/IQ4-квантизаций. Размер файлов составляет примерно от 2,79 до 16,23 ГБ, что позволяет выбирать баланс между качеством, скоростью и требованиями к оперативной памяти. Для некоторых вариантов эмбеддинги и выходные веса квантизированы в Q8_0. Наиболее качественными считаются F16, Q8_0, Q6_K_L, Q6_K, Q5 и Q4_K-варианты; низкобитные версии экономят память, но могут заметно уступать в качестве. В README не указаны архитектура базовой модели, поддерживаемые языки, размер контекстного окна и специальный формат промпта; его рекомендуется уточнить на странице исходной модели. Модель поддерживает только текстовую модальность. Для набора указана лицензия Apache-2.0.

zelk12/MT-Merge4-MMMA-gemma-2-9B — языковая модель для генерации текста и диалогов, созданная слиянием двух предварительно обученных моделей с помощью mergekit и метода SLERP. Она основана на архитектуре Gemma 2 с плотной архитектурой и содержит 9 млрд параметров; репозиторий содержит веса в формате safetensors. Модель принимает текст и генерирует текст, поддерживает контекст до 8192 токенов. Модель подходит для диалогового взаимодействия и генерации текста общего назначения. В README указано, что при слиянии использовались zelk12/MT-Merge4-MA-gemma-2-MT3g4MTg4-9B и zelk12/MT-Merge4-MM-gemma-2-MT5g4MT3g4-9B. Языки и специальные предметные области в предоставленных данных не описаны. Лицензия в метаданных и README не указана.

MysticFusion-13B-GGUF — это квантизированная версия языковой модели MysticFusion 13B, разработанной wbag (Walmart-the-bag) и опубликованной в формате GGUF компанией TheBloke. Модель предназначена для генерации текста и обработки текстовых инструкций на английском языке; в README приведён шаблон запросов в формате Alpaca-Tiefighter. Архитектура указана как Llama, размер — 13 млрд параметров, модальность — текстовая. Размер контекста не указан. Файлы GGUF поддерживают различные уровни квантизации от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью работы и качеством генерации. Модель совместима с llama.cpp и рядом сторонних интерфейсов и библиотек, включая text-generation-webui, KoboldCpp, LM Studio, llama-cpp-python и другие, поэтому подходит для локального запуска на CPU и GPU. Качество и производительность зависят от выбранного варианта квантизации; конкретные результаты тестирования и ограничения исходной модели в README не приведены. Лицензия указана как llama2.

NaturalLM-7B-Instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели NaturalLM-7B-Instruct, разработанной qingy2024. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия; запуск возможен, в частности, через LM Studio и совместимые инструменты llama.cpp. В набор входят варианты от исходных весов F16 размером 14,5 ГБ до квантизаций Q3 и Q4 размером примерно 3,2–4,5 ГБ, а также Q5, Q6 и Q8 с более высоким качеством и большим потреблением памяти. Для общения используется формат сообщений с ролями system, user и assistant. README не указывает архитектуру исходной модели, поддерживаемые языки, размер контекста, мультимодальность или точные показатели качества, поэтому эти характеристики нельзя определить по имеющимся данным. Основное преимущество набора — выбор между качеством, размером файлов и требованиями к памяти; варианты Q5 и Q6 отмечены как высококачественные, а Q4_K_M описан как подходящий для большинства сценариев. Более сильное сжатие уменьшает требования к памяти, но снижает качество. Для некоторых вариантов существуют специальные ограничения по аппаратуре: отдельные сборки оптимизированы для ARM или AVX, требуют поддержки конкретных инструкций и не рекомендуются для Mac или GPU. Лицензия в README не указана.

NeuralGanesha-7b — объединённая языковая модель на архитектуре Mistral, опубликованная Kukedlc. Она создана методом slerp из Kukedlc/SomeModelsMerge-7b и Kukedlc/MyModelsMerge-7b с помощью LazyMergekit и предназначена для генерации текста на основе текстового запроса. Модель содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Доступна по лицензии Apache-2.0. README не описывает специализацию по языкам или предметным областям, поэтому модель можно характеризовать как генеративную общего назначения.

Карточка модели Kquant03/NeuralTrix-7B-dpo-relaser на Hugging Face совпадает с карточкой Kquant03/NeuralTrix-7B-dpo-laser, поэтому описание составлено по ней. NeuralTrix-7B-dpo-laser — языковая модель от Kquant03, созданная объединением моделей mlabonne/OmniBeagle-7B, flemmingmiguel/MBX-7B-v3 и AiMavenAi/AiMaven-Prometheus с помощью LazyMergekit и последующим обучением DPO. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; она генерирует текст по текстовому запросу и поддерживает контекст до 32 768 токенов. Модель подходит для диалогов, ответов на вопросы и других задач генерации текста. В конфигурации слияния также указан mistralai/Mistral-7B-v0.1 как базовая модель; DPO упоминается в карточке, но использованный набор данных не приведён. Модель распространяется по лицензии Apache-2.0.

Это GGUF-версия модели NVIDIA Nemotron 3 Super 120B-A12B, подготовленная DevQuasar на основе nvidia/NVIDIA-Nemotron-3-Super-120B-A12B-BF16. Репозиторий предназначен для генерации текста и диалогового использования. Модель можно применять в чат-ботах и других сценариях, требующих генерации ответов. Каталог характеризует базовую модель как языковую модель NVIDIA с гибридной архитектурой для диалога, рассуждений, длинного контекста и агентных приложений; параметры длины контекста в предоставленных данных отсутствуют. Файлы указаны в формате GGUF BF16. README называет репозиторий квантизированной версией базовой модели, хотя метаданные указывают связь finetune и формат GGUF BF16. Лицензионные условия и специальные ограничения в предоставленных данных не описаны.

Omost-Dolphin-2.9-Llama3-8B — языковая модель Omost на архитектуре Llama 3, объединяющая основу llama3-8b с instruct-предобучением Dolphin 2.9. Модель содержит 7,5 млрд параметров, использует плотную архитектуру и опубликована в формате Safetensors с точностью fp16. Для диалога она принимает текст и генерирует текст; заявленная длина контекста составляет 8192 токена. Модель предназначена для диалоговых сценариев и генерации ответов по текстовым запросам. В метаданных указаны библиотека Transformers и возможность чата. Карточка не сообщает отдельные целевые отрасли или поддерживаемые естественные языки. Лицензия в предоставленных сведениях не указана.

Это GGUF-квантизация модели openai/gpt-oss-120b, подготовленная пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие проекты на его основе. README не указывает точный формат промптов и не содержит сведений о поддерживаемых языках или максимальном контексте; для них рекомендуется обращаться к странице исходной модели. Основной рекомендуемый файл — gpt-oss-120b-MXFP4_MOE.gguf размером 63,39 ГБ. Архитектура использует MoE-компоненты, а feed-forward networks сохранены в специальном формате MXFP4, поскольку, согласно описанию, они плохо ведут себя при других вариантах квантизации. Также доступны варианты BF16, Q6_K, Q4_K и другие, однако их выигрыш в размере минимален. Модель является текстовой и не заявлена как мультимодальная. Сильная сторона сборки — возможность локального запуска крупной модели в экосистеме llama.cpp при сохранении FFN в рекомендованном формате MXFP4_MOE. Ограничения включают очень большой размер файлов, необходимость совместимого оборудования и программного обеспечения, а также отсутствие в README сведений о производительности, лицензии, языках и контекстном окне. Условия лицензирования в предоставленных данных не указаны.

orca_mini_v2_13b — языковая модель Pankaj Mathur, созданная в сотрудничестве с Eric Hartford на основе LLaMA-13B. Это плотная авторегрессионная модель с 12,9 млрд параметров, предназначенная для генерации текста и выполнения инструкций. Для обучения использованы наборы WizardLM, Alpaca и Dolly-V2, подготовленные с подходами из исследовательской работы Orca; в README также отмечено улучшение генерации кода по сравнению с предыдущей версией orca_mini_13b. Модель рассчитана на текстовые запросы и ответы на английском языке; максимальная длина контекста составляет 2048 токенов. Автор публикует результаты оценивания на наборах задач ARC и HellaSwag и указывает на uncensored-настройку. Модель распространяется в форматах PyTorch и safetensors по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование.

bunsenfeng/parti_4_full — текстовая генеративная модель семейства Qwen2, размещённая пользователем bunsenfeng на Hugging Face. По метаданным, она содержит 7,1 млрд параметров, построена на архитектуре Qwen2ForCausalLM и использует Transformers; заявлены генерация текста и диалоговый режим. Для развёртывания указаны веса Safetensors и контекст до 32 768 токенов. Модель подходит для диалогов и генерации текста, в том числе для работы с длинным контекстом. Источники не позволяют надёжно установить конкретные обучающие задачи, поддерживаемые языки или лицензионные условия; поэтому не следует считать её специализированной для отдельных областей или языков.

Phi-4-Super-1 — слитая языковая модель семейства Phi-4, опубликованная пользователем prithivMLmods. Она объединяет базовую unsloth/phi-4 с несколькими моделями Phi-4, включая варианты для рассуждений, математики, диалогов и вызова функций. Слияние выполнено методом Model Stock с помощью mergekit; модель имеет плотную архитектуру LlamaForCausalLM, около 14,1 млрд параметров и контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогов, в том числе для решения математических задач и пошаговых рассуждений. README также описывает акцент на полезных и безопасных ответах и упоминает обучение SFT и DPO, однако конкретные возможности и качество на задачах не подтверждены оценками. Указана лицензия исходного компонента в предоставленных данных отсутствует.