I.2Синтез, понимание и проверка знаний

Wiedervereinigung-7b-dpo-laser — немецкоязычная чат-модель с 7,1 млрд параметров, разработанная Mayflower GmbH. Она построена на архитектуре Mistral и объединяет четыре модели: DiscoResearch/DiscoLM_German_7b_v1, DRXD1000/Phoenix, VAGOsolutions/SauerkrautLM-7b-v1-mistral и malteos/hermeo-7b. После объединения модель дообучили методом DPO на немецком переводе набора Intel Orca DPO, затем применили обработку laserRMT на немецких данных. Модель предназначена для генерации текста и диалогов на немецком языке. Её можно применять для написания текстов, ролевых диалогов, извлечения информации и ответов на вопросы; в карточке также приведены результаты тестирования по категориям STEM и гуманитарных дисциплин. Поддерживается контекст до 32 768 токенов. По README, качество в математике, программировании и рассуждениях может быть слабее, чем в письме и гуманитарных темах. Модель распространяется под лицензией Apache-2.0.

QuixiAI/WizardLM-33B-V1.0-Uncensored — языковая модель семейства LLaMA, представленная как переобученная версия WizardLM с отфильтрованным набором данных, чтобы уменьшить число отказов, уклончивых ответов и проявления смещения. Она предназначена для генерации ответов на инструкции и диалогов в стиле шаблона Vicuna-1.1. Модель содержит 32,3 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 2048 токенов. Модель ориентирована на англоязычные запросы и более послушное выполнение инструкций; автор отдельно отмечает, что она не лишена ограничений и не является полностью «нецензурированной». В карточке приведены результаты оценок на бенчмарках ARC и HellaSwag. Репозиторий содержит веса PyTorch. Лицензия указана как other, поэтому условия использования следует уточнять по материалам репозитория.

Xing4.0-29B-A4B-CRACK-GGUF — набор GGUF-квантизированных версий модели Xing4.0-29B-A4B, подготовленный dealignai на базе модели XingChen-AGI/China Telecom AI. Это reasoning-модель с архитектурой Mixture of Experts: 29 млрд общих параметров, около 4 млрд активных при генерации, 64 маршрутизируемых эксперта с выбором 4 экспертов и одним общим. Модель предназначена для генерации текста и запуска через llama.cpp, включая локальные сценарии с ограниченными ресурсами. Доступны семь вариантов квантизации размером примерно от 12,9 до 30,9 ГБ. Архитектура включает MLA с параметрами q_lora=768 и kv_lora=512, mHC Hyper-Connections с четырьмя каналами, MTP-head, 40 слоёв и скрытое представление размерностью 3584. Заявлена поддержка контекста до 256K токенов, с масштабированием до 512K через YARN. В README явно указаны китайский язык и данные калибровки imatrix на основе WikiText-2, исходного кода и китайской Википедии; полный набор поддерживаемых языков не приведён. Для работы требуется специальная ветка shuxiaoqiong/llama.cpp с портом xing4_0. Сильной стороной модели заявлено существенное снижение отказов и ограничений безопасности на уровне весов, однако это одновременно означает повышенные риски при использовании в чувствительных или вредоносных сценариях. Качество зависит от выбранной квантизации: в приведённых тестах MMLU составляет от 55,5% до 68,2%, а результаты более компактных вариантов ниже. Ограничения включают необходимость совместимого runtime, значительный объём памяти и возможную потерю качества из-за квантизации. Модель распространяется по лицензии Apache-2.0.

YamshadowInex12_AlloyingotneoyExperiment26 — слитая модель семейства Mistral, опубликованная MaziyarPanahi. Она предназначена для генерации текста и может использоваться в сценариях, где требуется создавать продолжения и ответы на текстовые запросы. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Модель объединяет automerger/YamshadowInex12-7B и automerger/AlloyingotneoyExperiment26-7B. В карточке указана лицензия Apache-2.0. README не описывает специальную предметную область или отдельные ограничения качества; как и другие генеративные языковые модели, она может выдавать неточные ответы.

MaziyarPanahi/YamshadowInex12_Strangemerges_32Yamshadow — объединённая модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она создана путём слияния automerger/YamshadowInex12-7B и automerger/Strangemerges_32Yamshadow-7B; файлы модели представлены в формате safetensors. Модель предназначена для генерации текста и принимает контекст длиной до 32 768 токенов. Карточка не описывает специальные предметные области или отдельные сценарии применения. Лицензия — Apache-2.0.

YamshadowStrangemerges_32_Experiment27Shadow — объединённая модель для генерации текста, созданная MaziyarPanahi на основе automerger/YamshadowStrangemerges_32-7B и automerger/Experiment27Shadow-7B. Она использует плотную архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Данные карточки не описывают специализацию по предметной области или языкам.

YamshadowStrangemerges_32_YamStrangemerges_32 — объединённая модель генерации текста, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/YamStrangemerges_32-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров. Модель предназначена для генерации текста по текстовому запросу. Заявленная длина контекста — до 32 768 токенов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README не описывает специализированные сценарии или языковую специализацию модели.

Yi-Ko-DUS-9B — двуязычная авторегрессионная языковая модель, разработанная Джунбумом Ли (Beomi) и Тэкюном Чхве. Это версия серии Yi-Ko-DUS с 8,6 млрд параметров в формате Transformers, построенная на архитектуре Llama и обученная методом DUS; в README она описана как улучшенная версия Yi-Ko-6B с расширенным словарём и дополнительным предобучением на корейских и английских текстах. Модель принимает текст и генерирует текст. Она ориентирована на корейский и английский языки, имеет контекстное окно 4096 токенов и расширенный словарь SentencePiece BPE на 78 464 токена, включающий корейскую лексику. Подходит для генерации текста, ответов на вопросы и других языковых задач; в README приведены результаты оценок на корейских наборах KMMLU, KorQuAD, NSMC, KOBEST и Apeach. Модель распространяется по лицензии Apache-2.0. Представленные оценки относятся к конкретным тестам и не гарантируют качество на других задачах; документация не описывает отдельный чат-интерфейс или вызов инструментов.

Zinakha-12b — текстовая авторегрессионная модель Aixon Lab на архитектуре Transformer, дообученная на базе mistralai/Mistral-Nemo-Base-2407 с использованием разных наборов данных и слияния слоёв. Модель содержит около 12,1 млрд параметров и предназначена прежде всего для многоходового общения с несколькими ролями, генерации текста, ответов на вопросы и анализа. В карточке особенно отмечены понимание контекста, творческое письмо и рассказывание историй. Модель в первую очередь рассчитана на английский язык; заявлена возможная поддержка других языков. Метаданные указывают контекст до 1 024 000 токенов и формат весов safetensors. Лицензия — Apache 2.0. Оценки качества и результаты бенчмарков для этой модели не приведены; ответы могут наследовать смещения обучающих данных, поэтому их следует проверять.

Модель ShenaoZ/0.00001_withdpo_4iters_bs256_555lr_iter_3 — дообученная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и диалогового общения; модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и сохранена в формате safetensors. Модель дообучена на основе ShenaoZ/0.00001_withdpo_4iters_bs256_555lr_iter_2 с использованием обновлённого и исходного наборов данных; в метаданных также отмечен DPO. Репозиторий указывает лицензию MIT. Карточка не описывает конкретные области применения, языки обучения или результаты оценки качества.

Это дообученная модель генерации текста на архитектуре Mistral с 7,1 млрд параметров, созданная на основе ShenaoZhang/0.0001_3iters_bs256_nodpo_full6w_iter_1. Она предназначена для генерации текста и диалогового общения, включая ответы на вопросы. Контекст модели составляет до 32 768 токенов; репозиторий содержит веса в формате safetensors. В карточке указано дообучение на наборах updated и original, но подробности о данных, обучении и оценке не приведены. Модель распространяется по лицензии MIT.

AceGPT-v2-32B — текстовая генеративная модель семейства AceGPT, разработанная исследователями KAUST, CUHKSZ, SRIBD и King Abdulaziz University. Версия 32B построена на Qwen1.5-32B и полностью дообучена с особым вниманием к арабскому языку. Это плотная авторегрессионная модель архитектуры LlamaForCausalLM с 31,7 млрд параметров и контекстом 32 768 токенов. Модель принимает и генерирует текст; её можно использовать для диалога, ответов на вопросы, продолжения текста и задач на знания, особенно на арабском языке. Карточка сообщает об оценке на арабских, английских и китайских бенчмарках, но эта версия обозначена как базовая, а не AceGPT-chat. Модель распространяется в формате safetensors по лицензии Apache-2.0.

AISAK-Assistant — диалоговая языковая модель команды AISAK для генерации ответов и другого связного текста по запросам на естественном языке. Модель основана на архитектуре Transformer семейства Mistral и содержит 7,1 млрд параметров; для работы с контекстом указана длина до 32 768 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Модель предназначена для общения, творческого письма, формулирования ответов и автоматизации создания текстового контента общего назначения. В карточке заявлено дообучение на обширных наборах данных и широкая применимость, но сравнительные заявления о качестве не подкреплены приведёнными результатами тестов. README запрещает личное, публичное и коммерческое применение вне системы AISAK; условия лицензии обозначены как other, а карточка требует письменного разрешения правообладателя на воспроизведение и распространение.

Albertina 900M PT-PT — энкодерная языковая модель семейства BERT на архитектуре DeBERTa-v2, разработанная совместной командой Лиссабонского и Португальского университетов. Модель содержит 1,1 млрд параметров, 24 слоя, скрытый размер 1536 и контекст до 512 токенов; предназначена для европейского португальского языка Португалии. Модель обучена на корпусе примерно из 2,2 млрд токенов, включающем веб-тексты, материалы Европейского парламента и стенограммы португальского парламента. Основной сценарий применения — восстановление замаскированных токенов; энкодер также подходит как основа для задач понимания текста на португальском, например определения сходства предложений и текстового следования. В README приведены результаты на португальских вариантах GLUE для таких задач. Весами можно пользоваться по лицензии MIT. Модель рассчитана на португальский вариант PT-PT; указанные в карточке оценки получены на автоматически переведённых наборах, а качество для других языков и вариантов португальского не подтверждено.

Это дообученная модель Sentence Transformers, созданная на основе sentence-transformers/all-MiniLM-L12-v2. Она кодирует предложения и абзацы в плотные векторы размерности 384, нормализованные для сравнения по косинусному сходству. Архитектура основана на BERT; в метаданных указано 40 млн параметров, библиотека sentence-transformers и контекст до 512 токенов. Карточка модели задаёт максимальную длину последовательности 128 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. Обучение проводилось на парах названий состояний и предпосылок из Mathlib, поэтому она может быть особенно полезна для сопоставления формальных математических утверждений и имён в Lean. Базовая модель ориентирована на английский язык; отдельная информация о лицензии в предоставленных данных отсутствует.

Amadeus-Verbo-BI-Qwen-2.5-72B-PT-BR-Instruct-Experimental — плотная языковая модель для диалогов и генерации текста на бразильском португальском. Её разработала Amadeus AI на основе Qwen/Qwen2.5-72B, дообучив модель в течение двух эпох на наборе из 600 тысяч инструкций. Архитектура Qwen2 использует Transformer, RoPE, SwiGLU, RMSNorm и grouped-query attention; размер по метаданным — 71,5 млрд параметров. Модель предназначена для ответов на инструкции и диалоговых сценариев на бразильском португальском. Она поддерживает контекст до 131 072 токенов и интерфейс вызова инструментов. Для загрузки автор рекомендует актуальную версию Transformers. Модель распространяется по лицензии Apache-2.0. Качество ответов может зависеть от формулировки запроса и соответствия задачи бразильскому португальскому; карточка не приводит результатов оценки качества.

ANAH-v2 — модель OpenCompass на базе InternLM2-7B, дообученная для разметки галлюцинаций в ответах больших языковых моделей. Она предназначена для аналитической оценки ответов: по инструкции и шаблону из статьи модель определяет наличие галлюцинаций в тексте. Модель имеет плотную архитектуру InternLM2ForCausalLM с 7,4 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. Репозиторий использует Transformers и формат safetensors. Лицензия Apache-2.0.

IsValorum/Apodex-1.1-mini-APEX-I-MiniPlus-V2.1-GGUF — это квантованная GGUF-версия модели Apodex-1.1-mini, подготовленная IsValorum для запуска через llama.cpp и совместимые инструменты. Модель относится к текстовым генеративным системам, ориентированным на reasoning и работу с архитектурой sparse Mixture-of-Experts. В README заявлены 40 слоёв и 256 микроэкспертов, размер около 13,74 GiB и поддержка контекста до 256 тысяч токенов, однако подробные характеристики исходной базовой модели не приведены. Ключевая особенность версии V2.1 — пользовательская тензорная квантализация, сочетающая форматы IQ3_XXS, Q3_K, Q5_K, Q6_K, Q8_0 и F32 для разных компонентов. Маршрутизаторы gate_inp сохранены в F32, выходная голова — в Q6_K, а attention gates — в Q8_0. Такая конфигурация предназначена для генерации текста, рассуждений и сценариев с большим контекстом, включая запуск при частичной или полной выгрузке весов в системную RAM на рабочих станциях с ограниченной VRAM. Модель поддерживает английский, китайский, испанский, французский, немецкий, португальский, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки. Заявленные преимущества — компактный размер, сохранение маршрутизации экспертов и эффективная работа с системной памятью; приведённый показатель WikiText-2 perplexity составляет 5,7073 ± 0,1373. Фактическая скорость и качество зависят от оборудования, реализации и параметров запуска, а утверждения о превосходстве над другими квантализациями подтверждены только данными из README. Модель распространяется по лицензии Apache-2.0.

Arcee-VyLinh — компактная языковая модель на 3,1 млрд параметров от Arcee AI для диалога, выполнения инструкций и генерации текста с упором на вьетнамский язык. Модель создана на основе Qwen2.5-3B и Qwen2.5-3B-Instruct: после дообучения на вьетнамских данных и итеративной оптимизации предпочтений её объединили с базовой инструктивной моделью. Используются плотная архитектура Qwen2, библиотека Transformers и формат safetensors. Модель принимает текст на вьетнамском и английском языках, поддерживает контекст до 32 768 токенов и предназначена для чата, ответов на вопросы, дополнения текста, создания и суммаризации материалов. По данным карточки, она показывает сильные результаты на сложных задачах на вьетнамском при компактном размере. Возможны галлюцинации в вопросах о культурно-специфических темах и сниженное качество в узкоспециализированных технических областях. Лицензия — Apache-2.0.

Atlas v21 — экспериментальная плотная модель Gemma 4 на 31 млрд параметров от senaro, дообученная на базе senaro/atlas-gemma4-31b-trm7. Это полная объединённая версия модели с поддержкой текста и изображений; карточка Hugging Face указывает разговорный режим и интерфейс вызова инструментов. Модель предназначена для ответов на вопросы и диалогов в областях математики, естественных наук и общих знаний, а также для бесед на темы психического здоровья. В обучающую выборку вошли рассуждения и диалоги, включая синтетические и очищенные аутентичные примеры. Карточка называет модель экспериментальной. В ней также указано, что настройки отказов от ответа изменены; для безопасного применения автор рекомендует использовать дополнительные механизмы безопасности или системный промпт. Модель распространяется по лицензии Apache-2.0.

Bahasa-4b — языковая модель Bahasa AI, полученная продолжением обучения Qwen-4B на 10 млрд высококачественных индонезийских текстов. Это плотная авторегрессионная модель семейства Qwen2 с 3,6 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса Safetensors. Модель предназначена для понимания и генерации текста на индонезийском языке, включая ответы на вопросы, анализ тональности и суммаризацию документов. В приведённых в карточке тестах Bahasa-4b превосходит Sailor_4b на отдельных индонезийских бенчмарках и показывает конкурентные результаты относительно Mistral-7B-v0.1. Это результаты конкретных тестов, а не гарантия качества для любой задачи. Модель доступна по лицензии, обозначенной в метаданных как other; условия следует проверить в репозитории перед использованием.

Модель deepasara/bart-cnn-samsum-finetuned — дообученная версия facebook/bart-large-cnn на неизвестном наборе данных. Это encoder-decoder модель семейства BART с 252,8 млн параметров, предназначенная для генерации краткого текста по входному тексту. Контекст модели составляет 1024 токена; веса представлены в формате safetensors. Карточка не описывает обучающие данные, качество, целевую аудиторию или специальные сценарии применения. Базовая модель предназначена для англоязычного суммирования статей и других текстов; название репозитория указывает на дообучение для суммирования диалогов SAMSum, но README этого не подтверждает. Лицензия модели — MIT.

Behemoth-123B-v2.1 — дообученная языковая модель BeaverAI, основанная на Largestral 2411. Это плотная авторегрессионная модель семейства Mistral с 122,2 млрд параметров и контекстом до 131 072 токенов; она предназначена для диалоговой генерации текста и поддерживает системные инструкции. Автор README отмечает творческую направленность версии 2.1 и рекомендует формат Metharme с системными токенами Mistral. Модель подходит для свободного диалога, творческого письма и задач, где нужны длинный контекст и настройка поведения через системное сообщение. В репозитории указаны веса safetensors; README также ссылается на варианты GGUF и iMatrix. Метаданные обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии в карточке модели.

Bella-Bartender — разговорная модель с выраженной персоной, созданная разработчиком juiceb0xc0de на основе unsloth/llama-3.2-3b-instruct с помощью дообучения Unsloth. Это плотная авторегрессионная модель семейства Llama с 3,2 млрд параметров, рассчитанная на диалог в манере непринуждённого, прямого и остроумного собеседника. Образ бармена задаёт стиль общения, а не сценарий работы в баре или ролевую игру. Модель предназначена для естественной беседы, творческого письма, редактирования и перефразирования текста, а также суммаризации, перевода и анализа текста. Обучение основано на тысячах ходов реальных разговоров одного человека с GPT, Perplexity и Claude, преобразованных так, чтобы модель воспроизводила авторский голос. Указанная длина контекста — 131 072 токена; основной язык карточки — английский. Модель принимает текст и генерирует текст. Сильная сторона Bella — последовательный разговорный стиль и удержание заданной персоны; автор также отмечает способность поддерживать философские беседы. Как модель на 3,2 млрд параметров, она уступает более крупным моделям в сложных многошаговых рассуждениях; может пропускать сарказм и идиомы, терять нить в длинных разговорах и иногда выдавать неверные сведения. Лицензия — Apache-2.0.

cahya/bert2bert-indonesian-summarization — модель суммаризации на индонезийском языке, разработанная Cahya. Это дообученная архитектура BERT2BERT: энкодер-декодер на основе BERT-base, обученный на наборе данных id_liputan6. Модель предназначена для создания краткого содержания индонезийских текстов, например новостных материалов. Она использует формат PyTorch и доступна по лицензии Apache-2.0. Данных о размере модели и длине контекста в предоставленных материалах нет.

l-yohai опубликовал модель классификации текста на базе Google BigBird-RoBERTa-base, дообученную для классификации последовательностей. Она подходит для задач вывода по тексту, включая определение отношений между посылкой и гипотезой в стиле MNLI. Архитектура BigBird использует разреженное внимание; модель содержит около 151,9 млн параметров и поддерживает контекст до 4096 токенов. Модель принимает текст и выдаёт метки классов. Карточка не описывает поддерживаемые языки и условия лицензии, поэтому они не уточняются здесь. Она доступна в форматах PyTorch и Safetensors.

Bio-Saul-Dolphin-Beagle-Breadcrumbs — слитая диалоговая языковая модель, созданная с помощью mergekit на основе mlabonne/NeuralBeagle14-7B и моделей BioMistral, Saul-Instruct и Dolphin. Она предназначена для генерации текста в диалоге и может применяться для ответов на вопросы, в том числе по биомедицинским и юридическим темам, а также для общих инструкций. Модель использует плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса сохранены в формате safetensors. Слияние выполнено методом breadcrumbs; в конфигурации указаны точность float16 и плотность 0,9. Модель принимает текст и генерирует текст. Лицензия — MIT. Документация не содержит результатов оценивания качества, поэтому надёжность ответов, особенно в медицинских и юридических сценариях, следует проверять.

bling-red-pajamas-3b-0.1 — англоязычная инструкционная модель llmware на архитектуре GPT-NeoX, дообученная на основе togethercomputer/RedPajama-INCITE-Base-3B-v1 для сценариев RAG. Модель содержит 3,5 млрд параметров, принимает текст и рассчитана на контекст до 2048 токенов. Весы доступны в формате PyTorch; лицензия — Apache 2.0. Модель предназначена для локального запуска, прототипирования и автоматизации задач с конфиденциальными документами, в частности для ответов на вопросы по предоставленному контексту, извлечения ключей и значений и базового суммирования. В карточке сообщается результат 92 из 100 на RAG-Instruct-Benchmark-Tester; при этом оценки отдельных типов задач неоднородны, а тесты не гарантируют точность на других данных. Модель специализируется на ограниченном наборе инструкционных задач и не является универсальной системой. Ответы могут быть неточными или неполными, поэтому их следует проверять. Для локального инференса заявлена пригодность для ноутбука без продвинутой квантизации.

Карточка модели raj090/bloom-560m на Hugging Face совпадает с карточкой bigscience/bloom-560m, поэтому описание составлено по ней. BLOOM-560m — языковая модель на основе Transformer с архитектурой BLOOM, разработанная коллективом BigScience. Она содержит 560 млн параметров и предназначена для генерации текста, изучения поведения языковых моделей и дальнейшей адаптации к прикладным задачам. Модель обучена на нескольких языках и может использоваться как базовая для извлечения информации, ответов на вопросы и суммаризации. Поддержка языков включает английский, французский, испанский, португальский, арабский, бенгальский, хинди, индонезийский, тамильский, урду, вьетнамский и китайский, а также другие языки. Доступны версии весов в форматах PyTorch, Flax, ONNX и Safetensors. Модель может выдавать фактически неверные сведения, повторяться и генерировать предвзятый, оскорбительный или неподходящий контент. Она не предназначена для критически важных решений и высокорискового применения. Лицензия BigScience BLOOM RAIL 1.0 содержит ограничения на использование.

Brunhilde-13b-v1 — языковая модель, созданная слиянием моделей Gryphe/MythoMax-L2-13b и Undi95/ReMM-SLERP-L2-13B. Она предназначена для генерации текста и может использоваться в сценариях продолжения текста и ответов на запросы. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 12,9 млрд параметров и поддерживает контекст до 4096 токенов. В README приведены результаты оценки на наборах AI2 Reasoning Challenge и HellaSwag. Модель распространяется в формате Safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Языки и специализированные области применения в доступных сведениях не указаны.