I.11Классификация, ранжирование и сопоставление

Experiment28M7_ShadowMeliodas — объединённая модель на базе архитектуры Mistral, созданная из automerger/Experiment28M7-7B и automerger/ShadowMeliodas-7B. Она предназначена для генерации текста и диалогов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

FalconMind3B — языковая модель генерации текста, разработанная Faris Allafi и дообученная на основе tiiuae/Falcon3-3B-Instruct с помощью PEFT/LoRA на платформе Hugging Face AutoTrain. Модель предназначена для пошагового рассуждения и структурированных ответов на вопросы, решения задач и объяснения кода. Модель использует плотную архитектуру семейства Llama с причинным языковым моделированием, содержит 2,8 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке заявлен английский язык; базовая модель также ориентирована на французский, испанский и португальский. Распространяется по лицензии Apache 2.0. Дообучение использует синтетические данные, которые могут вносить смещения и снижать обобщающую способность. Надёжность следует проверять на целевых задачах; для решений с высокими ставками модель требует особой проверки.

flammen3-mistral-7B — созданная flammenai объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она получена методом SLERP с помощью mergekit из предварительно обученных моделей nbeerbower/flammen2 и yam-peleg/Experiment26-7B; веса опубликованы в формате safetensors и рассчитаны на использование с Transformers. Модель предназначена для генерации текста и других сценариев, поддерживаемых конвейером text-generation. Она принимает текст, выдаёт текст и имеет контекстное окно до 32 768 токенов. Карточка не описывает специализированные области применения или языки модели, поэтому их нельзя надёжно определить. Лицензия — Apache-2.0. Карточка подтверждает происхождение через слияние моделей, но не приводит сравнительных оценок качества или подробных рекомендаций по применению; фактические результаты следует оценивать на целевых задачах.

Columbidae/gemma-2-4b-it-upscaled — разговорная языковая модель семейства Gemma 2, созданная слиянием предобученных моделей через mergekit методом Passthrough. В состав слияния вошла unsloth/gemma-2-2b-it; метаданные также указывают на неё как на базовую модель. Модель содержит 3,9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы, ведения беседы и создания текстовых черновиков. В карточке указана лицензия, однако доступные сведения её не раскрывают.

RedHatAI/gemma-2-9b-it-FP8 — языковая модель для генерации текста на основе Google Gemma 2 9B Instruct. Квантованную версию разработала Neural Magic (Red Hat). Модель принимает текст и генерирует текст, ориентирована на диалоговые сценарии и работу в формате ассистента на английском языке. Модель использует архитектуру Gemma 2 и оптимизирована для инференса в формате FP8: в FP8 преобразованы веса и активации линейных операторов внутри трансформерных блоков. Это сокращает число бит на параметр с 16 до 8 и примерно на 50% уменьшает требования к дисковому пространству и памяти GPU. Модель предназначена для запуска с vLLM версии 0.5.1 и выше; в примере развертывания указан максимальный размер контекста 32768 токенов. По данным README, средний результат на OpenLLM Leaderboard v1 составляет 73,49 против 73,23 у исходной неквантованной модели, однако другие показатели качества не приведены. Основное ограничение — заявленная область применения ограничена английским языком; использование на других языках указано как выходящее за рамки назначения. Модель доступна для коммерческого и исследовательского использования по лицензии Gemma; применяются условия Google Gemma.

recoilme/Gemma-2-Ataraxy-Gemmasutra-9B-slerp — слитая диалоговая языковая модель на архитектуре Gemma 2 с 9 млрд параметров. В метаданных указана базовая модель lemon07r/Gemma-2-Ataraxy-9B; веса опубликованы в формате Safetensors, модель предназначена для генерации текста и общения.

Gemma 3 270M — компактная языковая модель семейства Gemma от Google, созданного на основе исследований и технологий Gemini. Репозиторий содержит текстовую версию модели в формате safetensors, предназначенную для генерации текста; размер 270 млн параметров следует из идентификатора модели. Лицензия — Gemma. Модель подходит для генерации и преобразования текста, диалоговых интерфейсов, суммаризации и ответов на вопросы. Компактный размер облегчает запуск на устройствах и инфраструктуре с ограниченными ресурсами. В README для семейства Gemma 3 указаны окно контекста 128K и поддержка более 140 языков, но эти характеристики не подтверждены отдельно для текстовой версии на 270M. Качество ответов зависит от обучающих данных и формулировки запроса; модель может упускать языковые нюансы, допускать фактические ошибки и испытывать трудности со сложными открытыми задачами. README описывает мультимодальные возможности семейства, однако данный репозиторий помечен как text-generation, поэтому визуальный ввод не заявлен для этой модели.

zeromodels/gemma-4-e4b — реализация Gemma 4 E4B в формате Keras 3, подготовленная командой zeromodels на основе google/gemma-4-E4B. Модель принимает изображения, аудио и текст и генерирует текстовые ответы; для загрузки и обработки мультимодальных входов используется Gemma4Processor. Также доступен текстовый сценарий генерации через Gemma4TextGenerate и Gemma4Tokenizer. Вариант E4B имеет 4,5 млрд эффективных параметров и 8 млрд параметров с учётом эмбеддингов, 42 слоя и окно скользящего внимания 512 токенов. Веса хранятся в bfloat16. Реализация работает с TensorFlow, Torch и JAX; по умолчанию загружается в bfloat16, также предусмотрена загрузка в float32 и дополнительная квантизация int8. Модель предназначена для мультимодального диалога и генерации текстовых ответов. Лицензия — Apache 2.0.

Gemma 7B IT — текстовая decoder-only языковая модель Google с открытыми весами, созданная на основе исследований и технологий, применявшихся при разработке Gemini. Это вариант Gemma 7B, дообученный для следования инструкциям и диалогового взаимодействия. Модель принимает текст и генерирует текст; в карточке семейство описано как англоязычное. Репозиторий содержит веса в форматах Safetensors и GGUF, а метаданные указывают библиотеку Transformers и поддержку чата. Модель предназначена для генерации текста, ответов на вопросы, суммаризации и рассуждений, а также для диалоговых интерфейсов, подготовки черновиков и языковых обучающих инструментов. Относительно компактный размер семейства позволяет запускать его на персональном компьютере или в собственной облачной инфраструктуре; число параметров этой модели в предоставленных данных не указано. Возможности зависят от качества промпта и предоставленного контекста. Модель может ошибаться в фактах, отражать смещения обучающих данных и испытывать трудности с неоднозначностью, тонкими языковыми оттенками и сложными открытыми задачами. Лицензия — Gemma; при использовании следует учитывать условия лицензии и политику Google по допустимому использованию моделей Gemma.

GLM-4.7-Flash-4bit — языковая модель для генерации текста, разработанная сообществом mlx-community на основе zai-org/GLM-4.7-Flash. Модель преобразована в формат MLX с использованием mlx-lm версии 0.30.5 и предназначена для запуска через библиотеку mlx-lm. В README указана поддержка английского и китайского языков, а также сценарии диалоговой генерации текста с применением chat template. Модель использует 4-битное представление, однако сведения о точной архитектуре, количестве параметров, размере контекста, доступных модальностях, результатах тестирования и ограничениях качества не приведены. README содержит пример загрузки модели и генерации ответа через Python API mlx_lm. Лицензия модели — MIT.

GLM-5.2-EXL3-TR3-3.0bpw — квантизированная версия модели GLM-5.2, опубликованная brandonmusic на основе zai-org/GLM-5.2 и malaiwah/GLM-5.2-EXL3-TR3-MTP78. Это текстовая генеративная модель с архитектурой mixture-of-experts, предназначенная для генерации текста, включая общие, юридические, программные, агентские и рассуждательные сценарии. Заявлена поддержка английского и китайского языков. Модель использует формат EXL3 Trellis с целевой точностью 3,0 bits per weight для маршрутизируемых MoE-экспертов в слоях 3–77; чувствительные к точности компоненты, включая attention, embeddings, LM head, shared experts и часть MLP, сохранены в BF16 или исходной точности. Сборка rank-sliced TP4 оптимизирована для четырёх GPU NVIDIA Blackwell, занимает около 332,19 GB и включает MTP-слой 78 для speculative decoding. README не указывает размер контекста. Сильными сторонами являются существенное снижение требований к хранению весов при сохранении точности критических компонентов, поддержка MTP speculative decoding, sparse MLA и KV-кэша NVFP4, а также проверенная работа на четырёх RTX PRO 6000 Blackwell 96 GB. Ограничения включают очень высокие аппаратные требования и необходимость специального runtime custom vLLM + Sparkinfer; модель не является готовой для непосредственного использования в Transformers. Для запуска требуется совместимый Docker-образ и NVIDIA-инфраструктура. Распространение указано по лицензии MIT.

GLM-OCR — мультимодальная модель распознавания текста и понимания сложных документов, представленная в карточке maskbob/GLM-OCR. Она построена на архитектуре GLM-V encoder–decoder: использует визуальный энкодер CogViT, компактный межмодальный соединитель с уменьшением числа токенов и языковой декодер GLM-0.5B. Общий размер модели составляет около 0,9 млрд параметров. Для анализа документов применяется двухэтапный конвейер с разбором макета на основе PP-DocLayout-V3 и параллельным распознаванием. Модель предназначена для извлечения текста и структуры из изображений документов, включая таблицы, формулы, документы с кодом и печатями, а также для структурированного извлечения сведений по заданной JSON-схеме. Поддерживаются китайский, английский, французский, испанский, русский, немецкий, японский и корейский языки. В README заявлены результаты на тестах распознавания документов и варианты развёртывания через vLLM, SGLang и Ollama; для полного конвейера разбора документов рекомендуется SDK с PP-DocLayoutV3. Весовые файлы доступны в формате safetensors. Лицензия — MIT.

mlx-community/granite-4.1-30b-bf16 — конверсия в формат MLX модели Granite 4.1 30B, разработанной IBM. Это плотная языковая модель с архитектурой GraniteForCausalLM и 28,9 млрд параметров, предназначенная для диалогов и генерации текста; каталог также отмечает возможность чата. Модель принимает текст и выдаёт текст, а заявленная длина контекста составляет 131 072 токена. Репозиторий подготовлен сообществом mlx-community для запуска через библиотеку MLX на устройствах Apple. Лицензия Apache-2.0 разрешает использование на её условиях. README указывает на конверсию исходной модели ibm-granite/granite-4.1-30b в MLX; метаданные содержат формат safetensors и связь с базовой моделью.

Granite Switch 4.1 8B Preview — модульная языковая модель IBM, построенная на IBM Granite 4.1 8B и объединяющая в одном чекпойнте 12 активируемых LoRA-адаптеров из библиотек Granite. Выбор адаптера выполняется управляющими токенами в шаблоне чата; модель содержит 8,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговой генерации и специализированных этапов RAG: переписывания и уточнения запросов, проверки их разрешимости по найденным фрагментам и подготовки ответов. Адаптеры также умеют проверять выполнение требований, указывать контекстные основания ответа, оценивать неопределённость, выявлять риски безопасности и оценивать или исправлять фактические ошибки. Для работы доступны Transformers и vLLM; README рекомендует использовать модель с Mellea для вызова адаптеров. В карточке описаны возможности семейства адаптеров, но конкретные языки и сравнительные показатели качества этой версии не приводятся. Базовая модель доступна в режиме без адаптера. Лицензия — Apache 2.0.

HX-Mistral-3B_v0.1 — текстовая диалоговая модель семейства Mistral, созданная сообществом mergekit-community линейным слиянием предобученных языковых моделей с помощью mergekit. В README указан Mistral-7B-Instruct-v0.2; метаданные также связывают модель с ним как с базовой. Модель содержит 3,6 млрд параметров, построена на архитектуре MistralForCausalLM и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на инструкции. Она принимает текст и генерирует текст; в репозитории указаны веса Safetensors и библиотека Transformers. Сведения о лицензии в предоставленных материалах отсутствуют.

Instella-MoE-16B-A3B-SFT — языковая модель AMD для генерации текста и диалогов. Это дообученный вариант семейства Instella-MoE с архитектурой Mixture-of-Experts: в README указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен, а метаданные каталога указывают 2,5 млрд параметров. Модель построена на архитектуре DeepSeek V3 и имеет контекстное окно 32 768 токенов. Модель предназначена для диалоговых сценариев, генерации ответов и взаимодействия через интерфейс вызова инструментов. README описывает обучение семейства Instella-MoE с нуля компанией AMD и выпуск контрольных точек для разных этапов обучения; конкретная карточка обозначена как SFT, то есть контрольная точка прошла дообучение на инструкциях. Модель использует формат safetensors и библиотеку Transformers. README предупреждает, что модель может выдавать фактически неверные, вредные, токсичные или предвзятые ответы, а её многоязычные возможности не проверялись. Она не предназначена для сценариев, требующих высокой точности, и для критически важных, медицинских или связанных со здоровьем применений. Условия лицензии указаны как other, поэтому конкретные права использования следует проверять в карточке модели. Хотя README называет выпуск исследовательским, это применимая контрольная точка модели, а не промежуточный эксперимент.

INTELLECT-3-Base — текстовая языковая модель Prime Intellect, представляющая собой копию GLM-4.5-Air-Base с шаблоном чата, адаптированным из Qwen3-Coder. Модель предназначена для генерации текста в диалоговом формате; её архитектура относится к семейству GLM-4 MoE, размер — 8,5 млрд параметров, максимальный контекст — 131 072 токена. Модель принимает текст и генерирует текст. В метаданных указана поддержка английского и китайского языков, а также возможность диалогового использования. Веса опубликованы в формате Safetensors. Лицензия — MIT. README не описывает отдельное дообучение или специализированные сценарии применения.

CombinHorizon/Josiefied-abliteratedV4-Qwen2.5-14B-Inst-BaseMerge-TIES — объединённая модель генерации текста на архитектуре Qwen2.5, созданная с помощью mergekit и метода TIES на основе Qwen/Qwen2.5-14B и Josiefied-Qwen2.5-14B-Instruct-abliterated-v4. Модель содержит 14 млрд параметров и рассчитана на диалоговое взаимодействие и генерацию текста; метаданные также отмечают интерфейс вызова инструментов. Она принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст до 131 072 токенов. Репозиторий распространяет веса в формате safetensors; лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей об ограничениях и рекомендуемых сценариях использования.

Biggiraffe дообучил диалоговую модель kakaocorp/kanana-1.5-8b-instruct-2505, основанную на плотной архитектуре Llama. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. Модель предназначена для диалогов и генерации текста. Базовая Kanana также рассчитана на программирование, математику и работу с инструментами, однако карточка этого варианта не описывает, как именно дообучение на Persona изменило его поведение или для каких конкретных сценариев оно проводилось. Модель распространяется по лицензии Apache-2.0.

Keural-Cortex-8B-DPO — двуязычный текстовый ассистент на основе Qwen3-8B-Base, разработанный авторами проекта Keural/MKD. Это плотная decoder-only модель Qwen3ForCausalLM с примерно 7,6 млрд параметров и контекстом до 65 536 токенов. Модель прошла дообучение с учителем и DPO на предпочтениях; чекпойнт DPO-v1 обучен на 291 084 парах предпочтений. Модель предназначена для диалогов на корейском и английском языках, следования инструкциям, вызова инструментов и задач с пошаговым рассуждением. В README подтверждена работа разделения ответа на поля reasoning и content при заданной конфигурации сервера, однако это подтверждает формат маршрутизации, а не точность рассуждений. Лицензия — Apache-2.0. Результаты полной оценки после DPO пока отсутствуют. В README описана ошибочная арифметика даже при корректно оформленном рассуждении; длинноконтекстное извлечение проверялось на предшествующей версии, поэтому качество рассуждений и следования инструкциям на длинном контексте для этого чекпойнта подтверждено слабее. Модель может ошибаться, галлюцинировать, неверно использовать инструменты или выдавать небезопасный контент.

LFM2.5-8B-A1B-Base — базовая текстовая модель Liquid AI, предназначенная для дальнейшей настройки и запуска на устройствах. Это гибридная MoE-архитектура LFM2 с 8,3 млрд параметров всего и примерно 1,5 млрд активных параметров; метаданные каталога указывают 1,6 млрд параметров. Модель содержит 24 слоя и поддерживает контекст до 128 000 токенов. Модель обучена на английском, арабском, китайском, французском, немецком, японском, корейском, португальском и испанском языках. Она предназначена для генерации текста и может служить основой для тонкой настройки помощников, следующих инструкциям, работающих с вызовами инструментов и структурированными ответами. В карточке семейства отмечена высокая скорость инференса на CPU и GPU и поддержка локального развёртывания. Это именно предварительно обученная базовая версия, поэтому для диалога и агентных сценариев может потребоваться дополнительная настройка. Разработчик не рекомендует её для сложного программирования и ответов на вопросы, требующих обширных знаний, без использования поиска или извлечения данных. Лицензия указана как other; конкретные условия следует проверять в документации Liquid AI.

Это чат-модель Llama 2 Chat на 13 млрд параметров, разработанная Meta и размещённая в формате Transformers с весами PyTorch. Репозиторий содержит копию meta-llama/Llama-2-13b-chat-hf с весами, разбитыми на части для загрузки. Архитектура — плотный авторегрессионный трансформер LlamaForCausalLM; контекст — до 4096 токенов. Модель принимает текст и генерирует текст. Модель оптимизирована для диалогов в формате помощника: она может отвечать на вопросы, вести беседу и выполнять текстовые инструкции. Для ожидаемого поведения чат-варианту требуется форматирование запросов с маркерами инструкций и специальными токенами. В карточке указано назначение для английского языка; применение на других языках исключено из заявленного сценария. Модель дообучена с учителем и с использованием обучения с подкреплением на основе отзывов людей для повышения полезности и безопасности. Использование регулируется специальной коммерческой лицензией Meta: перед загрузкой весов необходимо принять условия лицензии. Возможны неточные, предвзятые или нежелательные ответы; перед внедрением нужны проверки и настройка безопасности для конкретного применения.

DavidAU выпустил эту чат-модель для генерации текста. В метаданных указана архитектура MixtralForCausalLM с механизмом смеси экспертов (MoE), библиотека Transformers и контекст до 131 072 токенов. В README модель описана как полноточный исходный вариант в формате SafeTensors; автор отмечает возможность менять число активных экспертов, что влияет на скорость генерации. Название указывает на объединение Llama 3.2 8×3B с настройкой Instruct, однако карточка не раскрывает точный состав объединения и сценарии обучения. Модель предназначена для диалоговой генерации текста; метаданные также отмечают интерфейс вызова инструментов. Весовой репозиторий можно использовать напрямую или как источник для создания квантованных форматов. Автор рекомендует подбирать параметры и сэмплеры для конкретной среды запуска. В карточке не указаны языки и лицензия, поэтому условия распространения и коммерческого применения по этим данным определить нельзя.

Llama-3-Chinese-8B-Instruct — чат-модель на архитектуре Llama, разработанная как дообучение Llama-3-Chinese-8B на 5 млн примеров с инструкциями. Она предназначена для диалога, ответов на вопросы и генерации текста по запросу. Модель содержит 7,5 млрд параметров, принимает текст и выдаёт текст; заявленные языки — китайский и английский. Контекстное окно составляет 8192 токена. Для хранения весов используется формат Safetensors. Модель подходит для разговорных сценариев и вопросов и ответов. Карточка не приводит оценки качества или подробных ограничений применения. Лицензия — Apache-2.0.

LLaMA3-iterative-DPO-final-GGUF — это набор квантованных версий языковой модели LLaMA3-iterative-DPO-final, опубликованный bartowski на основе исходной модели RLHFlow/LLaMA3-iterative-DPO-final. Модель предназначена для генерации текста и запуска через llama.cpp; в README приведён формат чата с системными, пользовательскими и ассистентскими сообщениями. Модель поставляется в формате GGUF с различными уровнями квантования: от Q8_0 размером 8,54 ГБ до наиболее компактных вариантов IQ1 и IQ2. Версии Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS отмечены как рекомендуемые; более низкие уровни экономят оперативную память, но снижают качество. Квантование выполнено с использованием imatrix и llama.cpp версии b2854. README не содержит сведений о числе параметров, архитектурных деталях исходной модели, поддерживаемых языках, размере контекста, мультимодальности или результатах бенчмарков. Модель распространяется по лицензии llama3; условия этой лицензии следует учитывать при использовании.

Llama-Spark-GGUF — набор квантизированных моделей в формате GGUF для llama.cpp, созданный bartowski на основе llama-spark-dpo-v0.3 от arcee-train. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio. README не указывает точные размер исходной модели, архитектурные параметры, поддерживаемые языки, модальности или размер контекста. Доступны варианты от F32 до низкобитных Q2_K и IQ2_M объёмом примерно от 2,95 до 32,13 ГБ. Квантизация выполнена с использованием imatrix и llama.cpp; для большинства вариантов заявлен компромисс между размером и качеством, при этом Q6_K_L, Q6_K, Q5 и Q4 считаются рекомендуемыми, а низкобитные варианты предназначены для систем с ограниченной оперативной памятью. Для корректного общения приведён специальный шаблон промпта Llama 3.1. Указанная лицензия — llama3.1.

Карточка модели mergekit-community/llama-world на Hugging Face совпадает с карточкой fradinho/world-llama2, поэтому описание составлено по ней. fradinho/world-llama2 — объединённая диалоговая языковая модель на архитектуре Llama с 6,6 млрд параметров. Она создана методом task arithmetic с помощью mergekit из LargeWorldModel/LWM-Text-Chat-1M и NousResearch/Llama-2-7b-chat-hf; веса сохранены в формате safetensors, исходная точность — bfloat16. Модель предназначена для генерации текста и ведения диалогов. Заявленная длина контекста составляет 1 048 576 токенов, что позволяет обрабатывать длинные текстовые запросы и документы. В карточке базовая диалоговая модель описана как англоязычная; отдельные языковые возможности итогового объединения не уточняются. Модель распространяется по лицензии MIT. Карточка не приводит сравнительных оценок качества или специальных мер безопасности; результаты на длинном контексте и в других языках могут зависеть от сценария применения.

Lumina-5.5-Instruct — диалоговая модель семейства Mixtral, созданная Ppoyaa с помощью LazyMergekit. Она предназначена для генерации текста в чате и использует архитектуру Mixture of Experts (MoE). В README заявлено 32 млрд параметров и контекст до 32 тыс. токенов; метаданные Hugging Face указывают 12,3 млрд параметров. Размер поэтому указан противоречиво. Модель основана на Ppoyaa/Lumina-5-Instruct и классифицирована в метаданных как дообучение этой модели. Опубликована в формате Safetensors; доступны отдельные варианты GGUF от mradermacher. Лицензия — Apache-2.0. Оценки Open LLM Leaderboard в README обозначены как ожидаемые.

jeiku/luxemaelstrom — языковая модель, созданная слиянием моделей FourOhFour/Luxe_4B и FourOhFour/Maelstrom_4B методом SLERP с помощью mergekit. Это плотная авторегрессионная архитектура LlamaForCausalLM размером 3,9 млрд параметров, рассчитанная на генерацию текста и диалоговое использование. Заявленная длина контекста — 131 072 токена. Модель подходит для диалогового ассистента, ответов на запросы и ролевых бесед. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Дата публикации на Hugging Face — 1 октября 2024 года. Лицензия в предоставленных данных не приведена.

MaziyarPanahi/M7T3qm7xp_T3qm7xpStrangemerges_32 — объединённая разработчиком модель Mistral для генерации текста. Она создана слиянием automerger/M7T3qm7xp-7B и automerger/T3qm7xpStrangemerges_32-7B и содержит 7,1 млрд параметров. Модель подходит для генерации текста и диалоговых сценариев на основе текстового ввода. Архитектура — плотная MistralForCausalLM, максимальная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает языковую специализацию или конкретные ограничения качества.