I.11Классификация, ранжирование и сопоставление

MaziyarPanahi/M7Yamshadowexperiment28_MeliodasT3qm7 — объединённая модель Mistral с плотной архитектурой и 7,1 млрд параметров. Она предназначена для генерации текста и диалоговых ответов, включая сценарии с длинным контекстом до 32 768 токенов. Модель создана слиянием automerger/M7Yamshadowexperiment28-7B и automerger/MeliodasT3qm7-7B. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. Сведения о языковой специализации и ограничениях качества в карточке отсутствуют.

MaziyarPanahi/mamba-gpt-7b-v1-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из Mistral-7B-Instruct-v0.2 и CobraMamba/mamba-gpt-7b-v1. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors; в конфигурации слияния указана точность bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает языковой охват и результаты сравнительных оценок.

Marcoroni-neural-chat-7B-v2 — объединённая языковая модель на архитектуре MistralForCausalLM, созданная с помощью Slerp и mergekit из AIDC-ai-business/Marcoroni-7B-v3 и Intel/neural-chat-7b-v3-3. Обе исходные модели основаны на mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 32 768 токенов. Она предназначена для тестирования возможностей объединённой модели и задач генерации текста. Репозиторий предоставляет веса в формате safetensors; лицензия — Apache-2.0.

Marin 32B — базовая авторегрессионная языковая модель, разработанная командой Marin Project. Она предназначена для генерации продолжений текста и служит основой для разработки и адаптации языковых моделей. Модель обучена на корпусах общего текста, кода, математики, научных материалов и вопросов и ответов; в карточке приведены результаты оценки на общих языковых, математических и программных тестах. Модель имеет плотную архитектуру Qwen3 с 31,9 млрд параметров, QK-Norm attention, 64 слоями и контекстом 4096 токенов. Она работает с Transformers и принимает текст, выдавая текст. Основной язык — английский. По данным карточки, обучающие данные не выходят за июль 2024 года. Marin 32B — базовая модель без настройки безопасности; она может выдавать вредный или неточный текст и не предназначена для полностью автономного использования. Код и веса распространяются по лицензии Apache 2.0.

MeliodasPercival_01_M7Alloyingotneoy — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием моделей automerger/MeliodasPercival_01-7B и automerger/M7Alloyingotneoy-7B. Модель предназначена для генерации текста и диалогов, в том числе с длинным контекстом до 32 768 токенов. Данные о специализации по языкам или прикладным областям в карточке не приведены. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

Meta-Llama-3-11.5B-Instruct — созданная mpasila экспериментальная инструкционная языковая модель, полученная слиянием слоёв Undi95/Meta-Llama-3-8B-Instruct-hf методом passthrough с помощью mergekit. Модель предназначена для диалогов и генерации текста в ответ на инструкции; архитектура — плотная Llama с причинным языковым моделированием, объём — около 11 млрд параметров, контекст — 8192 токена. Карточка указывает английский язык и формат safetensors. Модель может подойти для чат-ботов, ответов на вопросы, написания и продолжения текстов, а также генерации кода. Доступна по лицензии llama3. Карточка описывает способ слияния, но не приводит сравнительных оценок качества; как экспериментальная Frankenmerge, она может отвечать менее стабильно, чем исходная модель.

Meta-Llama-3-13B-Instruct — диалоговая текстовая модель на архитектуре Llama, созданная автором репозитория путём объединения слоёв модели meta-llama/Meta-Llama-3-8B-Instruct с помощью MergeKit. Несмотря на название, в метаданных указано 13,4 млрд параметров; модель представлена в формате safetensors и работает с контекстом до 8192 токенов. Модель предназначена для диалоговой генерации текста и ассистентских ответов. В карточке заявлен английский язык; базовая модель Meta также рассчитана на генерацию английского текста. Для использования применяется библиотека Transformers. Лицензия обозначена как other, поэтому конкретные условия следует сверить с карточкой репозитория и условиями базовой модели.

Meta-Llama-3.1-8B-Instruct-abliterated-GGUF — набор GGUF-квантизаций инструкционной языковой модели объёмом 8 млрд параметров, основанной на mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp или LM Studio. Доступны варианты от полноточного F32 до компактных форматов Q2 и IQ3, с размерами файлов примерно от 3,66 до 32,13 ГБ. В README приведён специальный шаблон промпта Llama 3.1 с ролями system, user и assistant. Более высокие разрядности обеспечивают лучшее качество, тогда как низкоразрядные варианты снижают требования к оперативной памяти ценой качества; Q4_K_M обозначен как вариант стандартного размера, а Q5–Q6 — как рекомендуемые для высокого качества. Модель подходит для локального использования на совместимом оборудовании, однако конкретные языки, размер контекстного окна, архитектурные детали и результаты тестирования в README не указаны. Условия распространения определяются лицензией llama3.1.

Meta-Llama-3.1-8B-Instruct-GGUF — это набор квантизированных файлов модели Meta Llama 3.1 8B Instruct в формате GGUF, опубликованный пользователем pek111 на основе модели Meta. Модель предназначена для генерации текста, диалоговых и conversational-сценариев, работы через llama.cpp и совместимые графические интерфейсы и библиотеки. Она использует шаблон чата Llama 3 и поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель имеет 8 миллиардов параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты квантизации Q2_K, Q3_K, Q4_0, Q4_K, Q5_0 и Q6_K с размером файлов примерно от 2,95 до 5,21 ГБ в представленных вариантах. Квантизация позволяет запускать модель локально с меньшими требованиями к памяти, однако более компактные варианты могут заметно терять в качестве; в README рекомендован вариант Q4_K_M как баланс размера и качества. Формат GGUF поддерживает метаданные и специальные токены и совместим с llama.cpp и рядом сторонних приложений. Модель подходит для локальных чат-ботов, генерации текста и интеграции через локальные серверы и библиотеки. Ограничения включают компромисс между размером и качеством при квантизации, а также отсутствие в README подробных данных о производительности, безопасности и качестве по языкам. Указана лицензия llama3.1.

MiMo-V2.6-Flash-RL-JANG2L — это опубликованная OsaurusAI квантованная версия Xiaomi MiMo-V2.6-Flash-RL для запуска через MLX на Apple Silicon. В ней применена смешанная низкоразрядная квантовка JANG: основные экспертные проекции хранятся в 2 битах, часть проекций — в 3 битах, а защищённые ранние слои сохранены в исходном формате MXFP4. Заявлено около 2,73 эффективного бита на параметр; текстовые веса занимают около 95,87 GiB. Модель содержит 12 млрд параметров и поддерживает контекст до 1 048 576 токенов. Модель предназначена для диалоговой генерации текста, рассуждений и вызова инструментов, а также для ответов по изображениям и видео. В README описаны рабочие текстовые и инструментальные диалоги и ответы на изображения и видео в интеграционной сборке Osaurus. Качество квантованной модели не эквивалентно исходной: авторы отмечают искажения на чувствительных позициях и ограниченность проведённых тестов; результаты тестов не являются оценкой на официальных бенчмарках. Репозиторий сохраняет веса обработки изображений, видео и аудио, однако распознавание аудио в тестах Osaurus не прошло квалификацию, а аудио-вывод и совместное понимание синхронизированных аудио и видео не подтверждены. Для запуска требуется Osaurus версии 0.25.13 или новее; модель использует формат MLX и safetensors. Лицензия — MIT.

Mini_Synatra_SFT-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель MaziyarPanahi, полученная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и maywell/Mini_Synatra_SFT. Она использует плотную архитектуру Mistral с причинной генерацией текста и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации ответов по инструкциям; максимальная длина контекста составляет 32 768 токенов. Модель подходит для чат-ботов и других сценариев, где нужно генерировать текст по запросу. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. README не приводит результатов оценки качества или сведений о языковом покрытии, поэтому эти характеристики здесь не уточняются.

unsloth/mistral-7b-instruct-v0.2-bnb-4bit — это 4-битно квантованная версия Mistral-7B-Instruct-v0.2, подготовленная Unsloth на базе модели mistralai/mistral-7b-instruct-v0.2. Модель предназначена для генерации текста и диалоговых сценариев, включая conversational-форматы ShareGPT, а также для дообучения на собственных наборах данных. Она интегрируется с библиотекой Transformers и может экспортироваться в форматы GGUF и vLLM. Из известных характеристик: модель относится к семейству Mistral, содержит около 7 миллиардов параметров, работает с текстом и заявлена для английского языка. Представление bnb-4bit снижает требования к памяти по сравнению с полноразмерной моделью, что делает вариант подходящим для локального запуска и эффективного fine-tuning на ограниченных ресурсах. README также указывает на ускорение дообучения Mistral в Unsloth примерно в 2,2 раза и сокращение использования памяти до 62%, однако эти показатели относятся к процессу дообучения в заявленной конфигурации, а не являются гарантией качества или скорости инференса. Модель может использоваться для чат-ботов, генерации и продолжения текста, экспериментов с instruction tuning и DPO. Ограничения включают зависимость качества от формата промптов и данных дообучения, возможные потери качества из-за 4-битной квантизации, а также отсутствие в README сведений о размере контекстного окна, точной архитектуре, мультимодальности, результатах бенчмарков и требованиях к инференсу. Лицензия — Apache-2.0.

jpquiroga/Mistral_7B_slerp_merge_instruct_open_orca — объединённая модель на основе Mistral-7B-Instruct-v0.1 и Open-Orca/Mistral-7B-OpenOrca, созданная автором репозитория с помощью mergekit и метода SLERP. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Её можно применять в чат-ботах, помощниках и системах, которым нужны ответы на запросы на естественном языке. Заявленная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает результатов оценки качества или отдельных ограничений поведения, поэтому фактическую пригодность для конкретных задач следует проверять на собственных примерах.

Mistral-7B-v0.3-Chinese-Chat — диалоговая языковая модель, разработанная Shenzhi Wang, Yaowei Zheng, Guoyin Wang, Shiji Song и Gao Huang. Она создана для общения на китайском и английском языках и основана на Mistral-7B-Instruct-v0.3 от Mistral AI. Модель с плотной архитектурой Mistral содержит около 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Это полнопараметрическое дообучение методом ORPO на смешанном китайско-английском наборе примерно из 100 тысяч пар предпочтений. Модель предназначена для диалогов, ролевых сценариев, математики и использования инструментов; разработчики отмечают улучшение ответов на китайском и снижение смешения китайского и английского по сравнению с базовой моделью. Модель принимает текст и генерирует текст. Репозиторий предоставляет веса в формате Safetensors. Лицензия — Apache-2.0. В README отмечено, что ответы на вопросы о личности и разработчиках могут быть случайными и недостоверными.

OpenPipe создала эту плотную авторегрессионную языковую модель на архитектуре Mistral с помощью слияния весов методом SLERP. В состав слияния вошли Weyaxi/OpenHermes-2.5-neural-chat-v3-3-Slerp и Q-bert/MetaMath-Cybertron-Starling, построенные на базе mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена как сильная исходная точка для последующего дообучения на разных задачах генерации текста. Авторы сообщают о хороших результатах на внутренних оценках, но не приводят в карточке их подробностей. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями; авторы также рекомендуют обновлённую версию модели с более разрешительной лицензией.

mistralopithecus-v1-dpo-7b-Mistral-7B-Instruct-v0.1 — чат-модель на базе архитектуры Mistral, созданная слиянием Mistral AI и DopeorNope/mistralopithecus-v1-dpo-7b методом SLERP. Модель содержит 7,1 млрд параметров, использует формат safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Её можно применять для создания чат-ботов и ведения диалогов на естественном языке. В README указан тип объединения и параметры смешивания слоёв внимания и MLP; модель распространяется по лицензии Apache-2.0.

Mistralopithecus-v1-dpo-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и mistralopithecus-v1-dpo-7b методом SLERP с помощью mergekit. Это плотная архитектура MistralForCausalLM с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в диалоговом формате. Модель принимает текст и выдаёт текст; длина контекста составляет до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README описывает способ слияния и исходные модели, но не приводит отдельной оценки качества или подробностей о языках и специализированных областях применения.

zelk12/MT5-Gen3-MAG-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, созданная из двух предварительно обученных моделей с помощью SLERP и mergekit. Разработчик репозитория — zelk12; квантованные файлы указаны как предоставленные @mradermacher. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит 9 млрд параметров, использует библиотеку Transformers и поддерживает контекст длиной до 8192 токенов. В репозитории указаны веса safetensors; README также описывает статическую сборку GGUF. Модель объединяет zelk12/MT5-Gen3-MA-gemma-2-S4MT4g2-9B и zelk12/MT5-Gen3-GP-gemma-2-RIv0.1MT4g2-9B методом SLERP. Лицензия в предоставленных данных не указана. Практическое качество и ограничения в карточке не описаны.

Nanbeige 16B Chat 32K — это диалоговая языковая модель семейства Nanbeige, разработанная Nanbeige LLM Lab и представленная в данном репозитории в формате GGUF. Квантованные файлы подготовлены TheBloke; исходная модель доступна в формате PyTorch на Hugging Face. Модель предназначена для генерации текста и ведения диалогов, включая локальный запуск через llama.cpp и совместимые графические интерфейсы и библиотеки. Модель имеет около 16 миллиардов параметров и заявленный контекст до 32K токенов. В метаданных указаны английский и китайский языки. Архитектура обозначена как nanbeige, а формат GGUF поддерживает различные варианты квантования с разрядностью от 2 до 6 бит, что позволяет выбирать компромисс между размером, требованиями к памяти, скоростью и качеством генерации. Модель рассчитана на текстовую модальность; сведения о поддержке изображений или других типов данных отсутствуют. К сильным сторонам относятся большой контекст, диалоговая специализация и возможность запуска на CPU и GPU с использованием llama.cpp, text-generation-webui, LM Studio, KoboldCpp и других совместимых инструментов. Ограничения включают возможные потери качества из-за квантования, зависимость требований к ресурсам от выбранного варианта GGUF и отсутствие в README подробных данных о результатах тестирования, обучающем наборе и точных характеристиках базовой архитектуры. В метаданных указана лицензия Apache-2.0.

Nanbeige4.2-3B Heretic — вариант Nanbeige/Nanbeige4.2-3B, выпущенный WaveCut и дообученный с помощью ARA-LoRA. Модель предназначена для генерации текста в диалогах; ключевое изменение — заметное снижение частоты отказов при сохранении большей части возможностей базовой модели. В тесте автора число отказов снизилось с 17 до 1 на 100 запросах; это результат конкретного набора тестов, а не гарантия поведения в других сценариях. Модель имеет плотную архитектуру Nanbeige, 3,2 млрд параметров и контекст до 262 144 токенов. Она принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Для загрузки через Transformers требуется включить trust_remote_code=True из-за пользовательской реализации Looped Transformer, в которой 22 физических слоя декодера выполняются дважды. Распространяется в формате Safetensors по лицензии Apache-2.0. Из-за намеренно ослабленного отказного поведения для использования нужны подходящие ограничения доступа, мониторинг и меры безопасности на уровне приложения.

Nebula-v2-7B — языковая модель на 7,1 млрд параметров семейства Mistral, опубликованная Weyaxi. Это дообученная версия mistralai/Mistral-7B-v0.1 на датасете Open-Platypus; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и может использоваться в диалоговых приложениях и для ответов на запросы на английском языке. Заявленная длина контекста — 32 768 токенов. Лицензия — Apache-2.0. README также указывает на отдельный репозиторий с исходными LoRA-весами.

Negentropy-claude-opus-4.7-9B — экспериментальная модель рассуждений на 9 млрд параметров от Jackrong, созданная при участии Kyle Hessling. Она основана на Qwen3.5-9B, дообученной с помощью Unsloth на реконструированных цепочках рассуждений: авторы описывают метод Trace Inversion, который восстанавливает промежуточные шаги из кратких сводок рассуждений Claude Opus 4.7. Модель предназначена для сложных логических задач, математики, программирования, многошагового следования инструкциям и генерации данных с цепочками рассуждений для более компактных моделей. В метаданных указаны возможности чата и анализа изображений; README преимущественно описывает текстовые сценарии. Поддерживаемые языки по метаданным — английский, китайский, корейский, японский и русский. Модель распространяется под лицензией Apache-2.0. README предупреждает о более низкой скорости по сравнению с версией 4B, потребности примерно в 8–12 ГБ видеопамяти в зависимости от квантизации и возможности фактических ошибок при убедительно выглядящих рассуждениях.

Nemostein-3-Hermes-Omni-30b-a3b — модель на базе GestaltLabs/Nemostein-3-Hermes-Omni-30b-a3b, опубликованная в формате GGUF и квантизированная mradermacher. По доступным метаданным, это текстовая conversational-модель на базе Transformers с архитектурой Mixture-of-Experts; в названии указаны параметры 30b и a3b. Заявлен английский язык. Модель предназначена для генерации текста и диалоговых сценариев, включая reasoning, tool use и function calling. В метаданных также указаны SFT, LoRA и Unsloth, однако подробности обучения, поддерживаемые модальности, размер контекста и результаты тестирования не приведены. Поэтому возможности, связанные с обозначением Omni, нельзя подтвердить по представленному README. Доступно множество вариантов квантизации GGUF с объёмом файлов примерно от 18 до 33,6 ГБ. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; среди рекомендованных автором указаны i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Лицензия обозначена как other, но её конкретные условия в README не раскрыты.

NeuralsirkrishnaShadow_Experiment26Neuralarjuna — объединённая языковая модель семейства Mistral, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Neuralarjuna-7B. Она предназначена для генерации текста по текстовым запросам и может использоваться в задачах, где нужен контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и распространяется в формате safetensors. Репозиторий указывает лицензию Apache-2.0. Данных о специализации на конкретных языках или предметных областях нет.

Карточка модели Mikasa1123/NuExtract3 на Hugging Face совпадает с карточкой numind/NuExtract3, поэтому описание составлено по ней. NuExtract3 — мультимодальная модель NuMind с 4 млрд параметров для понимания документов. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру Qwen3.5 для обработки текста и изображений. Модель поддерживает многоязычные документы и может работать в режимах с рассуждением и без него. Модель извлекает сведения из документов по заданному JSON-шаблону и инструкциям, преобразует изображения документов в Markdown, распознаёт текст и структуру таблиц, а также генерирует шаблоны извлечения по описанию на естественном языке. Её можно применять для подготовки документов к поиску и RAG, обработки счетов, квитанций, форм и договоров; README описывает запуск через vLLM с OpenAI-совместимым API и напрямую через Transformers. Внутренний тест NuMind на примерно 600 документах оценивает структурированное извлечение, включая визуальное понимание, OCR и работу с длинными входами и выходами; опубликованная в карточке таблица сообщает средний балл 0,651 для NuExtract3.4_4B-RL, а не явно для NuExtract3. Ограничения включают возможность циклов повторения и превышения лимита генерации в режиме рассуждения, из-за чего ответы могут не разбираться как JSON. Модель распространяется по лицензии Apache-2.0.

OpenBuddy-openbuddy-mistral-22b-v21.1-32k — разговорная языковая модель OpenBuddy для многоязычного чата и генерации текста. Она основана на плотной архитектуре Mistral и содержит 22,1 млрд параметров; карточка рекомендует использовать быстрый токенизатор Transformers и указывает совместимость с Transformers и vLLM. Модель принимает текстовые запросы и генерирует текстовые ответы, а её нативное контекстное окно составляет 65 536 токенов. Модель предназначена для диалоговых сценариев на китайском, английском, французском, немецком, японском, корейском, итальянском, русском и финском языках. Её можно применять для чат-ботов, ответов на вопросы, диалогового письма и суммаризации длинного контекста. Лицензия — Apache 2.0. Разработчики предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными, и не рекомендуют применять модель в критических сценариях, включая медицину и важные финансовые или юридические решения.

Openchat-Passthrough-2 — объединённая языковая модель, созданная с помощью mergekit из openchat/openchat-3.5-1210 и openchat/openchat-3.5-0106. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 10,6 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Она принимает текстовые запросы и выдаёт текстовые ответы; заявленная длина контекста составляет 8192 токена. Веса опубликованы в формате safetensors, конфигурация слияния использует bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированных областях применения или об отдельных оценках качества этой версии.

bartowski/open-thoughts_OpenThinker-32B-GGUF — набор GGUF-квантизаций модели OpenThinker-32B, разработанной проектом open-thoughts. Репозиторий подготовлен bartowski с использованием llama.cpp и метода imatrix; исходная модель обучена на датасете open-thoughts/open-thoughts-114k. Модель относится к генеративным текстовым моделям и предназначена для запуска локально через llama.cpp, LM Studio и совместимые проекты. Варианты доступны в форматах от F16 до Q3 и IQ3/IQ4 с размерами примерно от 13,71 до 65,54 ГБ. Более крупные варианты обеспечивают более высокое качество, тогда как варианты с меньшей разрядностью требуют меньше оперативной памяти, но могут заметно уступать по качеству. В README не указаны архитектура исходной модели, поддерживаемые языки, размер контекста и мультимодальные возможности. Для работы следует использовать шаблон сообщений с маркерами <|im_start|> и <|im_end|>. Модель распространяется по лицензии Apache-2.0. Ограничения включают высокие требования к памяти для полноразмерных и качественных квантованных вариантов, а также возможное снижение качества при использовании низкоразрядных форматов.

Ovis2-4B — мультимодальная модель семейства Ovis от разработчиков Ovis. Она объединяет визуальный энкодер aimv2-huge-patch14-448 с языковой моделью Qwen2.5-3B-Instruct; архитектура модели — плотная, класс Ovis. Модель принимает изображения и текст, а также обучалась на видео и наборах нескольких изображений, чтобы отвечать на вопросы о визуальных данных и рассуждать по их содержимому. Модель предназначена для диалоговых сценариев: описания изображений, распознавания текста и извлечения структурированных сведений из таблиц и диаграмм, а также анализа нескольких изображений и видео. В карточке заявлены улучшенное пошаговое рассуждение и многоязычный OCR; метаданные указывают английский и китайский языки. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Разработчики рекомендуют использовать более новую версию Ovis2.5.

Карточка модели schwyzquants/Qwen2.5-32B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-32B, поэтому описание составлено по ней. Qwen2.5-32B — базовая языковая модель компании Qwen, обученная на этапе предварительного обучения. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров; архитектура использует RoPE, SwiGLU, RMSNorm и смещение в проекциях QKV внимания. Контекст составляет 131 072 токена. Модель предназначена для дальнейшего дообучения и построения систем генерации текста. Семейство поддерживает более 29 языков, включая английский, китайский, русский, французский, немецкий, японский и арабский. Для этой базовой версии README не рекомендует непосредственное применение в диалогах; для чат-сценариев требуется последующее обучение, например SFT или RLHF. В README также отмечены сильные возможности семейства в следовании инструкциям, коде, математике и генерации структурированных ответов, однако эти улучшения описаны для Qwen2.5 в целом. Модель распространяется под лицензией Apache-2.0. Для работы рекомендуется актуальная версия библиотеки Transformers; версии ниже 4.37.0 могут не распознавать архитектуру qwen2.