I.11Классификация, ранжирование и сопоставление

Gemma 4 E4B IT для RK1828 — мультимодальная инструктивная модель Google DeepMind, подготовленная проектом t-firefly для запуска на плате Rockchip RK1828 через LlamaPi. Это плотная модель семейства Gemma 4 с архитектурой Gemma4ForConditionalGeneration; репозиторий содержит форматы GGUF и Safetensors. В карточке указано, что исходная модель принимает текст, изображения и аудио и формирует текстовые ответы. Модель предназначена для диалога, рассуждений, программирования и мультимодальных сценариев на устройствах и периферийных системах. Она также заявлена для многоязычных и агентных задач. Для запуска README приводит команду LlamaPi `llamapi run gemma4:e4b`. Модель основана на `google/gemma-4-E4B-it`; лицензия репозитория — Apache 2.0. Описание не приводит подробностей о поддерживаемых языках, длине контекста или ограничениях качества; качество и доступность функций могут зависеть от конфигурации запуска на RK1828.

glm-4-9b-chat-GGUF — это квантизированная версия чат-модели THUDM/glm-4-9b-chat, подготовленная legraphista в формате GGUF для использования с llama.cpp. Исходная модель разработана THUDM; в README указано, что она предназначена для генерации текста и диалоговых сценариев. Поддерживаемые языки — китайский и английский. Модель имеет около 9 млрд параметров; исходный тип данных — BF16. Доступны варианты от BF16 и FP16 до 2-, 3-, 4-, 5-, 6- и 8-битных статических квантизаций, что позволяет выбирать между качеством, размером файла и требованиями к ресурсам. Размер файлов составляет примерно от 3,99 до 18,81 ГБ. Указанные варианты не используют IMatrix. Формат GGUF и совместимость с llama.cpp подходят для локального запуска, однако README не содержит сведений о длине контекста, точной архитектуре, мультимодальности, производительности или сравнительных преимуществах. Лицензия обозначена как glm-4; подробные условия доступны по ссылке на лицензию исходной модели. Ограничения и условия коммерческого использования в README не раскрыты, поэтому перед применением следует изучить полный текст лицензии.

GPT-5 Image — модель OpenAI, объединяющая GPT-5 с возможностями генерации изображений GPT Image 1. Она предназначена для взаимодействия с текстом и создания изображений по инструкциям; в карточке также отмечены улучшения в рассуждениях, качестве кода и следовании запросам. Доступный фрагмент карточки не сообщает архитектуру, размер, языки, длину контекста или лицензию.

Hercules-5.0-Qwen2-7B-GGUF — это GGUF-квантизированная версия языковой модели Locutusque/Hercules-5.0-Qwen2-7B, подготовленная пользователем bartowski с использованием llama.cpp и калибровочного набора данных imatrix. Модель предназначена для генерации текста и локального запуска в совместимых приложениях на базе llama.cpp и других инструментов, поддерживающих формат GGUF. В README указан шаблон диалога с системными и пользовательскими сообщениями в формате ChatML. Модель относится к семейству Qwen2 и имеет размер 7B параметров; она работает с текстовой модальностью. Доступны варианты от F32 до низкобитных Q2–Q8, включая Q4_K_M как компромисс между размером и качеством, а также варианты Q5 и Q6 с более высоким качеством. Квантизация позволяет снизить требования к памяти, но по сравнению с полной точностью может ухудшать качество, особенно в младших вариантах. Языки, размер контекстного окна, результаты оценивания и специализированные сценарии применения в README не указаны. Распространение заявлено по лицензии Apache-2.0.

Inex12T3qm7xp-7B — автоматически объединённая языковая модель, созданная Maxime Labonne на основе MSL7/INEX12-7b и nlpguy/T3QM7XP. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и предназначена для генерации текста и диалоговых ответов; заявленная длина контекста составляет до 32 768 токенов. Для объединения использован метод DARE-TIES с плотностью 0,53 и весом 0,6 для nlpguy/T3QM7XP; веса представлены в формате safetensors. Модель принимает текст и генерирует текст. Лицензия — Apache-2.0. Карточка не приводит оценок качества или результатов тестирования.

informatiker-Qwen2-7B-Instruct-abliterated-GGUF — это набор GGUF-квантизаций модели informatiker/Qwen2-7B-Instruct-abliterated. В README указано, что квантизации подготовлены командой featherless-ai-quants; исходная модель основана на Qwen2-7B-Instruct. Модель предназначена для генерации текста и использования в сценариях, поддерживающих формат GGUF. Доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размер файлов составляет примерно от 2,9 до 7,7 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Архитектура, точный размер контекста, поддерживаемые языки и модальности в README не указаны; по назначению это текстовая, а не мультимодальная модель. Основное преимущество набора — возможность локального или совместимого с GGUF запуска с выбором степени квантизации. Более компактные варианты требуют меньше памяти, но потенциально сильнее уступают исходной модели по качеству; README не содержит результатов бенчмарков или подробностей о характеристиках abliteration. Лицензия модели и условия использования в предоставленных данных не указаны.

Это дообученная диалоговая модель yatokim на базе kakaocorp/kanana-1.5-8b-instruct-2505. Она построена на плотной архитектуре семейства Llama и содержит 7,5 млрд параметров; модель предназначена для генерации текста и общения в формате инструкций, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Её контекст составляет 32 768 токенов. В карточке указан английский язык; базовая Kanana предназначена также для программирования, математики и вызова инструментов, однако README этой версии не описывает отдельную специализацию или результаты оценки качества. Репозиторий содержит веса safetensors, модель обучена с использованием Unsloth и библиотеки TRL. Лицензия — Apache-2.0.

LFM2.5-2.6B-ONNX — языковая модель семейства LFM2.5, разработанная Liquid AI для локального запуска на устройствах и серверных CPU/GPU. Она предназначена для генерации текста и может использоваться в приложениях, работающих через ONNX Runtime или Transformers.js с WebGPU, включая сценарии периферийных вычислений и браузерного выполнения. Модель основана на гибридной архитектуре LFM2 с дополнительным предварительным обучением и reinforcement learning. Размер базовой модели — 2,6 млрд параметров. Доступны варианты FP32, FP16, Q8, Q4 и Q4F16; версии Q4 и Q4F16 используют квантованные входные эмбеддинги, а Q4F16 дополнительно применяет FP16 для вычислений и кэшей. Варианты поддерживают запуск на серверных CPU/GPU, тогда как для WebGPU предназначены Q4, Q4F16 и FP16. Заявлена поддержка арабского, китайского, английского, французского, немецкого, хинди, индонезийского, итальянского, японского, корейского, польского, португальского, русского, испанского, тайского и вьетнамского языков. Сильные стороны модели — ориентация на on-device-развёртывание, несколько уровней квантования и совместимость с WebGPU, что позволяет выбирать между размером, скоростью и качеством. Ограничения включают отсутствие поддержки Q8 в WebGPU и компромиссы качества, характерные для квантованных вариантов; сведения о размере контекста и детальных результатах оценки в карточке не указаны. Модель распространяется по лицензии lfm1.0, обозначенной как other.

Llama-2-7B-Chat-GGUF — квантизированная версия диалоговой языковой модели Llama 2 7B Chat, разработанной Meta и преобразованной в формат GGUF компанией Second State Inc. Модель основана на meta-llama/Llama-2-7b-chat-hf и предназначена для генерации текста и ведения диалогов на английском языке. Модель содержит 7 миллиардов параметров, использует архитектуру Llama и поддерживает контекст до 4096 токенов. В репозитории доступны варианты квантования от 2 до 8 бит, а также f16; их размер составляет примерно от 2,83 до 13,5 ГБ. Вариант Q4_K_M обеспечивает сбалансированное соотношение размера и качества, а Q5_K_M и Q5_K_S характеризуются минимальными потерями качества. Более агрессивное квантование уменьшает требования к памяти, но может заметно ухудшать результаты. Модель подходит для локального запуска и интеграции в приложения через LlamaEdge, включая чат-сервисы и командные приложения. README не содержит отдельного описания ограничений безопасности или качества базовой модели. Лицензия указана как llama2; для использования следует учитывать условия лицензии Meta Llama 2.

Это диалоговая языковая модель с архитектурой Llama 3, дообученная автором yaystevek на наборе OpenHermes 2.5. В основе лежит 4-битная instruct-версия Llama 3 8B от Unsloth; модель содержит около 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. В карточке также упомянуты варианты GGUF в форматах F16 и Q4_K_M. Модель предназначена для генерации текста в диалогах и ответов на запросы пользователя. Автор отмечает, что при дообучении уделил внимание сохранению и усилению корректной структуры токенов конца последовательности. В метаданных указан английский язык. Лицензия обозначена как other, а README указывает на условия Meta Llama 3 Community License Agreement; перед применением следует ознакомиться с её условиями.

Llama3-DocChat-1.0-8B-GGUF — это квантизированная GGUF-версия языковой модели Llama3-DocChat-1.0-8B, разработанной Cerebras. Модель предназначена для генерации текста и диалога по содержимому документов, включая сценарии document chat. Указан английский язык. Базовый размер модели — 8B параметров; доступны варианты от F16 до различных форматов квантизации Q8, Q6, Q5, Q4, Q3 и Q2. Квантизация выполнена bartowski с использованием llama.cpp и imatrix, поддерживается запуск в LM Studio и через совместимые инструменты llama.cpp. Главное преимущество — широкий выбор вариантов с разным соотношением качества, размера и требований к оперативной памяти: версии Q6 и Q5 обеспечивают очень высокое качество, Q4 предлагают более компактный компромисс, а некоторые варианты Q4_0 оптимизированы для ARM и CPU-инференса. Ограничения README не раскрывает: не указаны размер контекста, результаты сравнительных тестов, поддержка дополнительных языков или мультимодальных входов. Лицензия обозначена как other, но её конкретные условия не приведены, поэтому перед использованием необходимо проверить лицензию исходной модели Cerebras.

Llama-3-Yggdrasil-2.0-8B-GGUF — это набор GGUF-квантизаций языковой модели Llama-3-Yggdrasil-2.0-8B, опубликованный bartowski. Исходная модель разработана на основе объединения нескольких моделей семейства Llama 3: Locutusque/Llama-3-NeuralHercules-5.0-8B, NousResearch/Meta-Llama-3-8B, NousResearch/Hermes-2-Theta-Llama-3-8B и Locutusque/llama-3-neural-chat-v2.2-8b. Квантизация выполнена с помощью llama.cpp версии b3086 и метода imatrix. Модель предназначена для генерации текста и локального запуска через совместимые инструменты llama.cpp и другие приложения, поддерживающие формат GGUF. Доступны варианты с разным уровнем квантизации — от Q8_0 до Q2_K и IQ2_XS — размером примерно от 2,60 до 8,54 ГБ. Более качественными считаются Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; варианты с меньшим размером требуют меньше оперативной памяти, но могут заметно уступать по качеству. Это текстовая модель с примерно 8 млрд параметров. README не указывает поддерживаемые языки, размер контекстного окна, результаты тестирования и точные сильные стороны исходной модели. Шаблон чата также не задан однозначно: в карточке приведён предполагаемый формат, который может быть некорректным, поэтому его следует проверить по карточке оригинальной модели. Лицензия в README не указана.

psx7/llama4B — текстовая модель семейства Llama, представленная в формате MLX; README указывает, что её преобразовали из rasyosef/Llama-3.1-Minitron-4B-Chat с помощью mlx-lm 0.18.1. По метаданным, модель содержит 3,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Каталог связывает её с базовой моделью nvidia/Llama-3.1-Minitron-4B-Width-Base и датасетом OpenHermes-2.5; модель предназначена для генерации текста и диалогового использования. Репозиторий содержит веса в GGUF и safetensors, а README описывает использование через mlx-lm. Указана лицензия «other», поэтому точные условия использования следует проверять в файлах лицензии репозитория.

Poro 2 8B Base — базовая языковая модель, созданная совместно AMD Silo AI, группой TurkuNLP Университета Турку и High Performance Language Technologies (HPLT). Это плотный авторегрессионный трансформер семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров по метаданным. Модель получена продолжением предобучения Llama 3.1 8B на сбалансированном наборе из 165 млрд токенов на финском и английском языках, а также с данными по коду и математике. Контекст — 8192 токена. Модель предназначена для генерации текста и служит основой для дальнейшей настройки под прикладные сценарии; карточка прямо отмечает, что для большинства применений базовую модель нужно дообучить. По результатам карточки, она заметно улучшает показатели Llama 3.1 8B на финских тестах и сохраняет близкий уровень на английских; также демонстрирует улучшение в переводе между английским и финским. Поддерживаются веса PyTorch и safetensors. Лицензия — Llama 3.1 Community License. Среди ограничений — слабая компетентность в языках, кроме финского и английского, возможные фактические ошибки и предвзятые или неподходящие ответы.

Lumimaid-Magnum-12B-GGUF — набор квантизированных моделей в формате GGUF, созданный bartowski на основе Undi95/Lumimaid-Magnum-12B. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio. Указанный шаблон запросов: <s> [INST] {prompt}[/INST]. В набор входят варианты с точностью от F16 до Q2_K, размером примерно от 5,3 до 24,5 ГБ. Квантизация выполнена с использованием llama.cpp версии b3825 и метода imatrix; доступны варианты, оптимизированные для ARM-процессоров. Основные достоинства — широкий выбор компромиссов между размером, качеством и требованиями к памяти, при этом варианты Q5 и Q6 отмечены как высококачественные и рекомендуемые. Более сильная квантизация снижает качество, а конкретные языки, размер контекста, архитектура исходной модели и мультимодальные возможности в README не указаны. Лицензия в предоставленных данных не указана, поэтому условия использования необходимо уточнять в карточке исходной модели Undi95/Lumimaid-Magnum-12B и для конкретного файла.

M7Yamshadowexperiment28_Ognoexperiment27M7 — объединённая модель на архитектуре Mistral, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/Ognoexperiment27M7-7B. Она содержит 7,1 млрд параметров, использует формат safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Лицензия Apache-2.0 разрешает использование на её условиях. Данных о специальных областях применения и ограничениях качества в карточке нет.

Magistral Small 2506 — языковая модель от Mistral AI, представленная сообществом LM Studio в виде весов MLX в исходной точности bfloat16. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 23,4 млрд параметров, предназначенная для диалоговой генерации текста. Сборка подготовлена командой LM Studio с помощью mlx_lm и оптимизирована для Apple Silicon. Модель подходит для ведения диалога и генерации ответов на текстовые запросы; заявленная длина контекста составляет 49 152 токена. Веса распространяются по лицензии Apache-2.0. Эта публикация является производной сборкой базовой модели mistralai/Magistral-Small-2506; карточка не приводит специальных отраслевых назначений или дополнительных гарантий качества. Как и другие генеративные модели, она может выдавать неточную или неподходящую информацию.

QuantFactory/Matter-0.1-7B-DPO-preview-GGUF — это GGUF-версия языковой модели Matter 7B 0.1, дообученной методом DPO на основе Mistral 7B. Исходная модель разработана 0-hero, а данная версия подготовлена QuantFactory для запуска с помощью движка llama.cpp. Обучение проводилось на наборе Matter, сформированном из более чем 35 датасетов и содержащем свыше 6 миллиардов токенов. Модель предназначена для генерации текста и ведения диалогов на английском языке, включая сценарии conversational AI. Она поддерживает формат промптов ChatML и function calling с использованием специальных токенов для начала и завершения вызова функции и её ответа. Размер модели — 7 миллиардов параметров; архитектура основана на Mistral 7B. Модель может быть удобна для локального инференса благодаря формату GGUF и совместимости с llama.cpp, однако конкретный вариант квантования, размер контекста и требования к ресурсам в README не указаны. Лицензия — Apache 2.0.

Matter-0.1-Slim-7B-C — чат-модель на архитектуре Mistral, созданная командой 0-hero путём полного дообучения Mistral 7B на версии slim-C набора данных Matter. Набор собран из более чем 35 датасетов и содержит свыше 6 млрд токенов; модель обучалась три эпохи с помощью Axolotl. Модель предназначена для диалоговой генерации текста и поддерживает интерфейс вызова функций. Для общения используется формат ChatML. Размер модели — 7,1 млрд параметров, родная длина контекста — 32 768 токенов. Доступны веса PyTorch и Safetensors; лицензия — Apache 2.0.

MaziyarPanahi/MeliodasPercival_01_Experiment26Experiment24 — объединённая модель на архитектуре Mistral с 7,1 млрд параметров, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Experiment26Experiment24-7B. Она предназначена для генерации текста и диалогов, а контекст составляет до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Данных о специализации на конкретных языках или прикладных областях в карточке нет.

MeliodasPercival_01_T3qm7xNeuralsirkrishna — объединённая языковая модель семейства Mistral, созданная слиянием моделей automerger/MeliodasPercival_01-7B и automerger/T3qm7xNeuralsirkrishna-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов на основе текстовых запросов; поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке не приведены сведения о целевых языках, специализированных областях или оценках качества, поэтому её можно описать как модель общего назначения.

microsoft_Phi-4-mini-instruct-GGUF — набор GGUF-квантизованных версий инструкционной модели Phi-4-mini-instruct, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp версии b4792 и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через LM Studio, llama.cpp и другие проекты на его основе. Доступны варианты квантизации от Q2_K_L до Q8_0 размером примерно от 1,83 до 4,08 ГБ. Более высокие разрядности обычно обеспечивают лучшее качество, но требуют больше памяти; в README рекомендуются, в частности, Q4_K_M как вариант стандартного размера, а также Q5, Q6 и Q8 для более высокого качества. Некоторые варианты используют Q8_0 для весов embedding и output, а отдельные форматы оптимизированы для CPU ARM, AVX или Apple silicon. Формат prompt использует специальные маркеры system, user и assistant. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста, мультимодальности или лицензии исходной модели. Основные ограничения связаны с потерями качества при низких уровнях квантизации и необходимостью выбирать вариант с учётом доступной оперативной памяти.

MiniMax-M2.1-GGUF — это квантизированная версия языковой модели MiniMax-M2.1, разработанной MiniMaxAI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. В репозитории доступны варианты в формате GGUF с уровнями квантизации от Q8_0 до Q2_K и IQ-квантами. Размер файлов составляет примерно от 79,82 до 243,14 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше памяти; варианты Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M и Q4_K_S отмечены как рекомендуемые, тогда как некоторые Q3- и Q2-варианты имеют заметно более низкое качество. Поддерживаемые языки, архитектура исходной модели, размер контекста и мультимодальные возможности в README не указаны. Основные преимущества — широкий выбор квантизаций, возможность локального запуска и оптимизация imatrix-калибровкой. Ограничениями являются очень большой размер файлов и компромисс между требованиями к памяти и качеством генерации; низкобитные варианты могут давать существенно худшие результаты. Указана лицензия modified-MIT; подробные условия приведены в лицензии исходной модели MiniMax-M2.1.

Mini-Mixtral-v0.2 — экспериментальная языковая модель NeuralNovel, собранная методом LazyMergekit из unsloth/mistral-7b-v0.2 и mistralai/Mistral-7B-Instruct-v0.2. Это разреженная модель архитектуры Mixture of Experts для генерации текста и ответов на инструкции. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Маршрутизатор MoE направляет токены к экспертам, но, как отмечено в README, в этой сборке он не обучался совместно с ними. Это может влиять на качество и обобщение. Разреженные вычисления не отменяют необходимости загрузить веса модели в память. Модель опубликована в формате safetensors под лицензией Apache-2.0.

EmbeddedLLM/Mistral-7B-Merge-14-v0.2 — плотная языковая модель семейства Mistral, созданная EmbeddedLLM как экспериментальное слияние моделей. Сначала 14 моделей на базе Mistral объединили методом DARE TIES, затем результат слили с janai-hq/trinity-v1 методом Gradient SLERP. В карточке базовой моделью также указана mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors; длина контекста — 32 768 токенов. Модель предназначена для генерации текста и служит базовым чекпойнтом, которому, по словам авторов, требуется дополнительное дообучение на инструкциях. В состав слияния вошли модели для диалога, математики, кода, научных вопросов и работы с документами. В карточке приведены результаты Open LLM Leaderboard: средний балл 72,88, включая ARC, HellaSwag и MMLU. Основной заявленный язык — английский. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Авторы отмечали риск загрязнения данных в некоторых моделях, участвовавших в первоначальном варианте, и сообщили о пересборке; состав описанного слияния при этом включает janai-hq/trinity-v1.

Mistral-NeMo-Minitron-8B-Base-IMat-GGUF — это набор GGUF-квантизированных вариантов базовой текстовой модели nvidia/Mistral-NeMo-Minitron-8B-Base. Квантизацию выполнил legraphista с использованием llama.cpp b3613 и метода IMatrix, предназначенного для снижения размера модели с сохранением качества при низкой разрядности. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и ряда IQ-квантизаций; размеры файлов составляют примерно от 3,33 до 16,84 ГБ. Модель предназначена для генерации текста и локального запуска через совместимые с GGUF инструменты, включая llama.cpp. Варианты с IMatrix доступны преимущественно для низкоразрядных форматов и могут быть полезны при ограниченных ресурсах памяти, однако более сильное сжатие обычно связано с большей потенциальной потерей качества. В README не указаны архитектурные детали, поддерживаемые языки, длина контекста и специализированные сценарии применения. Модель распространяется по лицензии NVIDIA Open Model License Agreement; исходная модель имеет формат BF16.

Multi_verse_modelInex12-7B — объединённая чат-модель на архитектуре Mistral, созданная Maxime Labonne автоматическим слиянием MTSAIR/multi_verse_model и MSL7/INEX12-7b. Для слияния использован метод SLERP с настройкой весов слоёв внимания и MLP; веса сохранены в формате safetensors и типе bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста. В карточке указана лицензия Apache-2.0. Языковые сведения карточки и метаданных указывают на англоязычную базовую модель; отдельные языковые возможности объединённой модели не описаны.

NeuralKukedlc-7B-Labonned — языковая модель для генерации текста, созданная объединением NeuralBeagle14-7B и NeuralHermes-2.5-Mistral-7B с помощью LazyMergekit. В README указан метод слияния SLERP; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для диалогов и генерации текста по запросу. Контекстное окно составляет 32 768 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель объединяет две диалоговые модели Mistral; карточка не приводит отдельной оценки качества или перечня поддерживаемых языков. Практические результаты могут зависеть от формулировки запроса и сценария использования.

Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели OpenBuddy/openbuddy-mixtral-8x7b-v16.1-32k на Hugging Face совпадает с карточкой OpenBuddy/openbuddy-mixtral-7bx8-v16.3-32k, поэтому описание составлено по ней. OpenBuddy-mixtral-7bx8-v16.3-32k — многоязычная чат-модель семейства Mixtral, опубликованная командой OpenBuddy. Она предназначена для диалогов и генерации текста; архитектура — Mixtral MoE, класс MixtralForCausalLM. В репозитории указаны 7,1 млрд параметров и контекст до 32 768 токенов; модель распространяется в формате safetensors и использует библиотеку Transformers. Модель поддерживает китайский, английский, французский, немецкий, японский, корейский, итальянский и русский языки. Лицензия — Apache 2.0. Ответы могут быть ошибочными, вредными или оскорбительными; модель не следует использовать для решений в медицине, финансах, праве и других критически важных сценариях.