I.14Автоматизация процессов и AI-агенты

L3.1-Artemis-dcd-12B — слитая языковая модель на архитектуре Llama, созданная сообществом mergekit-community методом passthrough из моделей L3.1-Artemis-c-8B и L3.1-Artemis-d-8B. В конфигурации использованы последовательные диапазоны слоёв обеих исходных моделей; веса опубликованы в формате safetensors и предназначены для работы через Transformers. Модель рассчитана на генерацию текста и диалоговые сценарии. Заявленная длина контекста составляет 131 072 токена. Данных о специализированной предметной области или поддерживаемых естественных языках в карточке нет. Лицензия в предоставленных источниках не указана.

L3.1-Purosani-1.5-8B — языковая модель для генерации текста и диалогов, созданная автором djuna с помощью слияния нескольких предварительно обученных моделей через mergekit. В качестве основы использована unsloth/Meta-Llama-3.1-8B; среди компонентов также указаны модели для вычислений, длинных текстов, инструктивных ответов и диалогов. Метод слияния — della_linear. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов и предназначена для разговорного взаимодействия и генерации длинных ответов. В репозитории представлены веса Safetensors для библиотеки Transformers. Карточка не приводит оценки качества или подробных ограничений. Указанная в метаданных лицензия отсутствует, поэтому условия использования определить по имеющимся данным нельзя.

lingtrain/labse-buryat — модель Lingtrain для получения плотных векторных представлений предложений и абзацев. Она основана на архитектуре BERT и выдаёт эмбеддинги размерности 768; в метаданных указано 498,1 млн параметров. Модель предназначена для семантического поиска, сравнения текстов, кластеризации и других задач, где нужно сопоставлять смысловые представления фрагментов текста. Модель обучалась с функцией потерь CosineSimilarityLoss и распространяется в формате PyTorch. Контекст ограничен 512 токенами. Название указывает на ориентацию на бурятский язык, однако README и метаданные не приводят перечень поддерживаемых языков или результаты оценки качества. Лицензия в предоставленных данных не указана.

Laguna-XS-2.1-4bit — это 4-битная квантованная версия модели poolside/Laguna-XS-2.1, преобразованная сообществом mlx-community в формат MLX. Модель предназначена для генерации текста и локального запуска на устройствах Apple Silicon; в метаданных указана архитектура Laguna. Размер исходной модели и число параметров не приведены, язык модели и размер контекстного окна также не указаны. Ключевая характеристика этой версии — квантование до 4 бит с group size 64 и эффективной плотностью 4,503 бита на вес. Размер файлов составляет около 18 ГБ. Модель совместима с mlx-vlm и oMLX при принудительном включении режима VLM, однако mlx-lm пока не поддерживает архитектуру Laguna. В README отмечается редкое появление пустого тега </think> в начале ответа, не влияющее на работу модели. По приведённым измерениям на MacBook Pro с M5 Max, 128 ГБ памяти и 40-ядерным GPU скорость генерации составляет от 126,0 токена в секунду для запроса с контекстом 1 тыс. токенов до 91,3 токена в секунду для 32 тыс. токенов; пиковое потребление памяти — от 18,2 до 19,8 ГБ. Эти показатели зависят от оборудования и относятся к одиночным запросам с генерацией 128 токенов. Модель распространяется по лицензии OpenMDW-1.1, унаследованной от базовой модели.

lambda-qwen2.5-14b-dpo-test — диалоговая языковая модель на архитектуре Qwen2, разработанная автором репозитория как дообучение Qwen/Qwen2.5-14B-Instruct методом DPO на наборе HuggingFaceH4/ultrafeedback_binarized. Модель с 14 млрд параметров предназначена для генерации текста и диалоговых ответов; метаданные также отмечают интерфейс вызова инструментов. Она принимает текст и выдаёт текст. Контекстное окно — 32 768 токенов. В README приведены метрики оценки на тестовой выборке, включая точность предпочтений 0,74 и отрыв наград 0,8984; подробности методики и интерпретации результатов не раскрыты. Модель опубликована в формате Safetensors под лицензией Apache-2.0. Карточка содержит суффикс «test» в названии, но описывает полноценное дообучение и приводит результаты оценки, поэтому это экспериментальная модель, а не тестовая заглушка.

sahilchachra/Laya-Multilingual-MXFP8 — квантованный мультиязычный энкодер ModernBERT, подготовленный автором репозитория на основе convaiinnovations/laya для запуска через MLX на Apple Silicon. Модель содержит около 306,9 млн параметров, использует MXFP8 и рассчитана на контекст до 8192 токенов. Она предназначена для извлечения признаков из текста и создания пользовательских MLX-голов; это двунаправленный энкодер, а не генеративная чат-модель. Репозиторий включает только энкодер: отдельная голова принятия решений из исходного Laya здесь не опубликована, поэтому для API Laya требуется upstream-репозиторий. README сообщает о поддержке более 100 языков через основу mmBERT. Проверка на небольшом наборе показала заметный дрейф скрытых состояний после квантования и возможное изменение результата при близких оценках; для точных или чувствительных к калибровке решений рекомендуется исходная версия bf16/fp32. Файлы опубликованы в формате safetensors; условия лицензии в предоставленных данных не описаны.

Карточка модели swartbwoy/LFM2.5-2.6B-UNCENSORED-ABLITERATED-PHILADELPHIA-CLASS на Hugging Face совпадает с карточкой KridgeDookie/LFM2.5-2.6B-UNCENSORED-ABLITERATED-PHILADELPHIA-CLASS, поэтому описание составлено по ней. KridgeDookie выпустил модифицированную версию языковой модели LiquidAI LFM2.5-2.6B: в ней намеренно снижена склонность отказываться от ответов. Модель построена на плотной гибридной архитектуре LFM2 с классом Lfm2ForCausalLM и содержит 2,6 млрд параметров. Она принимает текст и генерирует текст, поддерживает чатовый шаблон с рассуждениями и контекст до 128 000 токенов. В репозитории доступны веса BF16 в safetensors и GGUF для llama.cpp. Модель предназначена для локальных экспериментов с редактированием поведения и отказов, а также для общих ассистентских задач, извлечения информации, вызова инструментов и творческой генерации. В собственных тестах авторов число отказов на отобранных вредоносных запросах заметно снизилось, при этом на пяти публичных тестах среднее изменение метрик составило −0,50 процентного пункта. Это сравнение не является независимой оценкой качества или безопасности. Снижение отказов распространяется и на вредоносные запросы: ответы могут быть опасными, незаконными, предвзятыми, неверными или раскрывать приватные сведения. Авторы отмечают повторы и неполные ответы в части тестов, а также предупреждают, что результаты BF16 нельзя автоматически переносить на квантизованные версии и другие среды запуска. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

LGRC-7B-slerp — объединённая языковая модель на архитектуре Mistral, созданная Louis Grc с помощью LazyMergekit. Модель объединяет mistralai/Mistral-7B-v0.1 и mlabonne/AlphaMonarch-7B методом SLERP; в репозитории представлены веса SafeTensors в формате bfloat16. Размер составляет 7,1 млрд параметров, заявленный контекст — до 32 768 токенов. Модель предназначена для генерации текста и может использоваться в сценариях, где требуется продолжение или создание текста по текстовому запросу. Лицензия в предоставленных данных не указана.

Карточка модели Yukang/Llama-2-13b-chat-longlora-32k-sft на Hugging Face совпадает с карточкой Yukang/Llama-2-70b-chat-longlora-32k-sft, поэтому описание составлено по ней. Yukang выпускает эту модель как часть семейства LongAlpaca — набора моделей для следования длинным инструкциям. Это дообученная версия Llama 2 Chat с 70 млрд параметров, созданная с применением LongLoRA и SFT; автор README сообщает, что данный SFT-чекпойнт снят с поддержки. Модель предназначена для генерации текста в ответ на инструкции и запросы с длинным контекстом. В названии заявлена настройка на контекст до 32 тысяч токенов, однако метаданные указывают native context в 4096 токенов, поэтому поддержку более длинного контекста следует считать ограниченной или требующей отдельной настройки. Доступен формат PyTorch; основным языком в предоставленных данных не обозначен. Модель основана на Llama 2 Chat и предназначена для экспериментального применения в сценариях диалогового следования инструкциям. Лицензия в предоставленных данных не указана.

Yukang выпускает эту модель как часть семейства LongAlpaca — набора моделей для следования длинным инструкциям. Это дообученная версия Llama 2 Chat с 70 млрд параметров, созданная с применением LongLoRA и SFT; автор README сообщает, что данный SFT-чекпойнт снят с поддержки. Модель предназначена для генерации текста в ответ на инструкции и запросы с длинным контекстом. В названии заявлена настройка на контекст до 32 тысяч токенов, однако метаданные указывают native context в 4096 токенов, поэтому поддержку более длинного контекста следует считать ограниченной или требующей отдельной настройки. Доступен формат PyTorch; основным языком в предоставленных данных не обозначен. Модель основана на Llama 2 Chat и предназначена для экспериментального применения в сценариях диалогового следования инструкциям. Лицензия в предоставленных данных не указана.

TheBloke/Llama-2-7B-Chat-GGUF — это квантизированная версия диалоговой модели Llama 2 7B Chat, разработанной Meta (Meta Llama 2) и преобразованной TheBloke в формат GGUF. Модель предназначена для генерации текста и ведения диалогов, включая локальных чат-ассистентов, ответы на вопросы и другие сценарии текстовой генерации. Указанный язык — английский; мультимодальность не заявлена. Модель содержит около 7 миллиардов параметров и использует архитектуру Llama 2. Репозиторий предоставляет варианты GGUFv2 с квантизацией от 2 до 8 бит, что позволяет выбирать компромисс между качеством, размером файлов и требованиями к ресурсам. Формат поддерживается llama.cpp и рядом пользовательских интерфейсов и библиотек, включая text-generation-webui, LM Studio, KoboldCpp, ctransformers и llama-cpp-python, с возможностью CPU- и GPU-инференса. Размер контекста в README не указан. К сильным сторонам относятся возможность локального запуска, широкий выбор уровней квантизации и совместимость с экосистемой GGUF. Ограничения включают отсутствие заявленной поддержки других языков и модальностей, а также потенциальное снижение качества при использовании более агрессивной квантизации. Модель распространяется по лицензии Llama 2; перед использованием необходимо учитывать условия этой лицензии.

oh-yeontaek/llama-2-7B-LoRA-assemble — языковая модель, опубликованная пользователем oh-yeontaek на Hugging Face. Она относится к семейству Llama и предназначена для генерации текста; в карточке Hugging Face указаны библиотеки Transformers и PyTorch, а также поддержка text-generation-inference. Модель содержит около 6,6 млрд параметров и поддерживает контекст до 4096 токенов. Она подходит для локальной или серверной генерации продолжений текста, ответов и других текстовых последовательностей. Доступные источники не подтверждают конкретную специализацию, набор естественных языков, мультимодальность или лицензионные условия именно исходного репозитория. К ограничениям относятся контекст длиной до 4096 токенов и отсутствие подтверждённой узкой предметной специализации; качество и безопасность ответов зависят от запроса и настроек генерации.

mesolitica/llama2-embedding-600m-8k — текстовая модель для построения эмбеддингов на основе архитектуры Llama 2, разработанная Mesolitica. Она предназначена для извлечения векторных представлений малайзийских текстов, например, для поиска и сравнения текстов по смыслу. Модель содержит 535,8 млн параметров; при обучении использовалась длина контекста до 8 тыс. токенов, а при инференсе заявлена поддержка до 32 768 токенов. Доступна в формате safetensors. Карточка не сообщает лицензию и не приводит подробных результатов оценки качества. Заявленная возможность работы с длинным контекстом относится к инференсу; обучение проводилось на усечённых последовательностях длиной до 8 тыс. токенов.

SliceX AI разработала ELM Turbo — семейство компактных инструктивных языковых моделей на основе Meta-Llama-3.1-8B-Instruct. Эта версия представляет собой срез семейства размером около 3,6 млрд параметров с архитектурой Llama и поддержкой диалогового режима. Модель предназначена для генерации текста и ответов на инструкции с возможностью развертывания в условиях ограничений по вычислительным ресурсам и памяти. Разработчики описывают ELM Turbo как модульную архитектуру, обученную с применением «срезов» на этапах предобучения и/или дообучения, чтобы сформировать варианты разного размера. Карточка указывает контекстное окно до 131 072 токенов и английский язык. Веса опубликованы в формате Safetensors. Модель подходит для чат-ботов, ответов на вопросы и других задач генерации текста. Следует проверять фактическую точность и возможные смещения в ответах: инструкция по применению предупреждает, что использованные наборы данных могут содержать ошибки, предвзятость и нежелательный контент. Лицензия — Llama 3.1; использование регулируется её условиями.

LongAlign-7B-64k-base — базовая языковая модель семейства Llama, подготовленная командой проекта LongAlign на основе Llama-2-7B с расширенным контекстным окном до 64 тысяч токенов. Она предназначена для генерации текста и служит основой для выравнивания LLM под инструкции на длинном контексте. Проект LongAlign предлагает набор LongAlign-10k из 10 000 инструкций длиной 8–64 тысячи токенов, стратегии обучения с упаковкой примеров и сортировкой по длине, а также оценку LongBench-Chat для запросов длиной 10–100 тысяч токенов. Модель имеет плотную архитектуру LlamaForCausalLM, около 6,6 млрд параметров и доступна в формате PyTorch для Transformers. В карточке указана поддержка английского и китайского языков. Лицензия — Apache-2.0. Это базовая модель с расширенным контекстом; README не утверждает, что именно этот вариант уже дообучен для диалогового следования инструкциям. Практическая длина контекста при использовании и качество на длинных запросах могут зависеть от конфигурации и сценария запуска.

LUKE — предварительно обученная контекстная модель понимания языка, разработанная для представления слов и сущностей. Она основана на трансформере и использует механизм entity-aware self-attention, учитывающий, является ли токен словом или сущностью. Версия luke-base содержит 12 слоёв со скрытым размером 768; в метаданных указано 151,9 млн параметров, контекст — до 514 токенов. README приводит другое число параметров — 253 млн. Модель обучена на версии Википедии за декабрь 2018 года. Её представления применимы в задачах заполнения масок, распознавания именованных сущностей, типизации сущностей, классификации отношений и извлечения ответов на вопросы. В README приведены результаты LUKE на нескольких языковых бенчмарках, но не все результаты относятся именно к luke-base. Модель рассчитана на английский язык и распространяется по лицензии Apache 2.0.

mamba-gpt-7b-v1-Mistral-7B-Instruct-v0.1 — объединённая разговорная языковая модель на 7,1 млрд параметров, созданная слиянием Mistral-7B-Instruct-v0.1 и CobraMamba/mamba-gpt-7b-v1 методом SLERP. Она предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель использует плотную архитектуру Mistral и доступна в формате safetensors; заявленная длина контекста — 32 768 токенов. Модель можно применять для диалоговых ассистентов, ответов на вопросы и генерации текста по запросу. В карточке указаны английский язык и лицензия Apache-2.0. README не приводит результатов оценки качества или подробного сравнения со смешанными моделями, поэтому практическую эффективность для отдельных сценариев по этим данным определить нельзя.

Карточка модели mahiatlinux/MasherAI-7B-v6.1-another_test3 на Hugging Face совпадает с карточкой mahiatlinux/MasherAI-7B-v6.1-final, поэтому описание составлено по ней. MasherAI-7B-v6.1-final — дообученная разработчиком mahiatlinux языковая модель семейства Mistral с плотной архитектурой для генерации текста и диалогового взаимодействия. Она основана на mahiatlinux/MasherAI-v6.1-7B-checkpoint3-code4 и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

MeliodasPercival_01_YamMulti_verse_model — объединённая модель Mistral, созданная на основе automerger/MeliodasPercival_01-7B и automerger/YamMulti_verse_model-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Доступные сведения не описывают отдельные специализации, языковое покрытие или результаты оценки качества.

MeliodasT3qm7_Strangemerges_32T3q — объединённая модель Mistral, созданная слиянием automerger/MeliodasT3qm7-7B и automerger/Strangemerges_32T3q-7B. Она предназначена для генерации текста и диалоговых ответов. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка не описывает специализированные области применения, поддерживаемые языки или конкретные ограничения качества. Оценить сильные стороны и ограничения слияния по представленным сведениям нельзя.

Memgpt-slerp-7b-3 — объединённая модель генерации текста, созданная liminerity с помощью LazyMergekit. Она объединяет liminerity/Memgpt-slerp-7b-2 и liminerity/Mem-Beagle-7b-slerp-v6 методом SLERP; в конфигурации указаны базовая модель liminerity/Memgpt-slerp-7b-2 и формат весов bfloat16. Модель построена на архитектуре Mistral с плотной причинно-языковой сетью на 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалоговой генерации текста и может применяться для ответов на запросы, продолжения текста и ведения чата. В метаданных заявлена возможность chat; сведений о специализированных областях применения или языках в доступных данных нет. Файлы модели представлены в формате safetensors. Лицензия в предоставленных данных не указана.

K00B404 объединил две предварительно обученные языковые модели на базе Mistral-7B с помощью mergekit и метода SLERP. Результат — плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров для генерации текста и диалогов; она поддерживает контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Модель подходит для генерации продолжений текста и ведения диалогов. В состав объединения вошли EmbeddedLLM/Mistral-7B-Merge-14-v0.1 и K00B404/Merged_Beowolx-CodePro_Medusa2-7B-Mistral-I-v0-2. Карточка не приводит результаты оценки качества или подробные ограничения. Лицензия в предоставленных данных не указана.

rwitz2/mergemix — языковая модель для генерации текста, созданная слиянием DARE-TIES на основе Mistral-7B-v0.1 и трёх других моделей: rwitz/go-bruins-v2, rwitz/dec10 и AIDC-ai-business/Marcoroni-7B-v3. Архитектура — плотная MistralForCausalLM; размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Веса опубликованы в формате safetensors и имеют тип bfloat16. Модель можно применять для генерации продолжений текста и диалоговых ответов. Карточка не описывает её специализацию, обучение, языковую поддержку или результаты оценки, поэтому качество и пригодность для конкретных сценариев следует проверять отдельно. Лицензия — Apache-2.0.

omai-research/milco-300m — плотная модель семейства MILCO для извлечения разреженных представлений текста и многоязычного поиска. Она разработана исследовательской группой OMAI и описана в работе для ICLR 2026. Модель переводит запросы и документы на разных языках в общее лексическое пространство английского языка, сохраняя возможность одноязычного и межъязыкового поиска. Архитектура сочетает многоязычный трансформерный энкодер, линейный multilingual connector и LexEcho head. Голова формирует разреженное представление по английскому словарю и дополнительный исходно-языковой вид, который помогает сохранить имена, редкие термины и элементы смешанной речи. В README для конфигурации указаны naver/splade-v3 и Alibaba-NLP/gte-multilingual-base. Репозиторий содержит веса PyTorch и использует библиотеку Transformers; загрузка описана через AutoModel с trust_remote_code=True. Модель предназначена для построения поисковых представлений запросов и документов и заявлена как эффективная для многоязычного и межъязыкового поиска. В README приведены результаты оценки на более чем 39 языках и сравнительные результаты для варианта MILCO 560M, но они не являются отдельной оценкой именно версии 300M. Доступна по лицензии Apache-2.0.

arianraje/mimo-7b-gdn-hybrid-400M-OPD — экспериментальный чекпойнт MiMo для генерации текста и диалогов, созданный в рамках исследования преобразования моделей с полным вниманием в гибридные модели GDN (gated DeltaNet) с сохранением части слоёв полного внимания. Это снимок Stage-3 OPD после обучения на 403,27 млн сгенерированных токенов; базой и учителем служила XiaomiMiMo/MiMo-7B-RL-0530, 7-миллиардная языковая модель Xiaomi для математических и программных рассуждений, дообученная с подкреплением. Модель использует плотную архитектуру MiMoGDNForCausalLM с линейным вниманием и контекстом до 65 536 токенов. В карточке приведены результаты GSM8K и RULER-lite, включая извлечение ключевой информации из длинного контекста. Для загрузки требуется зарегистрировать пользовательскую архитектуру mimo_gdn; стандартный AutoModelForCausalLM не подходит, а для обслуживания через vLLM нужна отдельная регистрация. Репозиторий распространяется в формате safetensors по лицензии MIT.

jhflow/mistral7b-lora-multiturn-v4 — диалоговая модель генерации текста на базе архитектуры Mistral. В карточке указана базовая модель maywell/Synatra-7B-v0.3-dpo и формат диалога ChatML; метаданные описывают плотную архитектуру MistralForCausalLM размером 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для многоходового общения и генерации ответов в формате чата. Она опубликована в формате safetensors и поддерживает text-generation. Лицензия в предоставленных данных не указана.

Mistral7B-PairRM-SPPO-Iter3 — языковая модель UCLA-AGI, дообученная методом Self-Play Preference Optimization на третьем этапе. Она основана на mistralai/Mistral-7B-Instruct-v0.2 и содержит 7,1 млрд параметров; модель Mistral с плотной архитектурой предназначена для диалоговой генерации текста. Для обучения использовались промпты из UltraFeedback, разделённые на три части, и синтетические ответы. Контекст модели составляет 32 768 токенов. Модель рассчитана прежде всего на англоязычный диалог: ответы на вопросы, следование инструкциям и ведение беседы. В карточке приведены результаты AlpacaEval, Arena-Hard, MT-Bench и Open LLM Leaderboard, но они не гарантируют качество на конкретных запросах. Доступна под лицензией Apache-2.0.

MaziyarPanahi/mistral-7b-sft-beta-GGUF — это набор файлов модели в формате GGUF для HuggingFaceH4/mistral-7b-sft-beta. Исходную модель разработала команда HuggingFaceH4, а квантованные файлы подготовил MaziyarPanahi. Модель основана на Mistral-7B-v0.1 и предназначена для генерации текста, включая локальный запуск и чат-сценарии с помощью совместимых приложений и библиотек, таких как llama.cpp, LM Studio, GPT4All и llama-cpp-python. Модель относится к семейству Mistral и содержит около 7 миллиардов параметров. Доступны варианты квантования с разрядностью от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файлов, требованиями к памяти, скоростью и качеством генерации. В README явно указан английский язык; другие языки, размер контекста и дополнительные модальности не описаны. Формат GGUF ориентирован на эффективный запуск через llama.cpp и совместимые интерфейсы, в том числе с GPU-ускорением. Сильными сторонами являются поддержка широкого набора локальных инструментов, разные уровни квантования и возможность запуска на более ограниченных по ресурсам устройствах. Ограничения включают потенциальную потерю качества при использовании более агрессивного квантования, а также отсутствие в предоставленных данных подробных оценок качества, характеристик контекста и рекомендаций по аппаратным требованиям. Для модели указана лицензия Apache-2.0; в метаданных также присутствует ссылка на MIT для базовой модели.

Mistral-7B-v0.1-DPO — дообученный адаптер на основе исходной модели Mistral-7B-v0.1. Разработчик дообучил языковую модель, включая LM head и модули внимания и MLP: k_proj, gate_proj, v_proj, up_proj, q_proj, o_proj и down_proj. Модель предназначена для генерации текста. Она построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В карточке указана лицензия Apache-2.0. README не сообщает, на каких данных и по какой процедуре выполнялось DPO-дообучение, и не приводит оценки качества или список поддерживаемых языков. Поэтому пригодность модели для конкретного языка или сценария следует проверять отдельно.

cloudyu/mistral_9B_instruct_v0.2 — разговорная языковая модель на архитектуре Mistral с 8,9 млрд параметров и 40 слоями. Согласно карточке, она дообучена методом SFT на vicgalle/alpaca-gpt4 и использует формат шаблона Alpaca. Модель предназначена для генерации текста в диалоговом формате: например, для ответов на инструкции и создания чат-ассистентов. Метаданные указывают контекст до 32 768 токенов и формат весов safetensors. Лицензия — CC BY 4.0. Карточка не приводит результатов оценки качества или подробностей о поддерживаемых языках. Дообучение на Alpaca-GPT4 указывает на инструктивный сценарий, но не подтверждает качество для конкретных областей или языков.