I.2Синтез, понимание и проверка знаний

Yoesph/Haphazard-v1.1-24b — объединённая языковая модель, созданная с помощью mergekit методом Model Stock на основе arcee-ai/Arcee-Blitz с добавлением TheDrummer/Cydonia-24B-v2.1, ReadyArt/Forgotten-Safeword-24B-V3.0 и PocketDoc/Dans-PersonalityEngine-V1.2.0-24b. Разработчик — Yoesph. Модель построена на архитектуре Mistral и содержит 23,4 млрд параметров. Она предназначена для генерации текста и диалогов, с акцентом на ролевые сценарии, следование инструкциям и общие языковые задачи. Контекстное окно составляет 32 768 токенов; модель принимает текст и выдаёт текст. В карточке указана лицензия; её конкретный тип в предоставленных данных отсутствует. Объединение нескольких моделей с разными настройками может давать вариативные результаты, а из-за включения модели, обозначенной как uncensored, ответы могут содержать взрослый или иной нежелательный контент.

Huihui-Qwen3.5-27B-Claude-4.6-Opus-abliterated — мультимодальная модель на архитектуре Qwen3.5 с 27 млрд параметров, созданная Huihui AI путём удаления значительной части отказов из дообученной модели Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled. Она предназначена для диалогов, рассуждений, анализа изображений и работы с инструментами; в метаданных для неё указан тип задачи image-text-to-text. Модель распространяется в формате safetensors и работает через библиотеку Transformers; автор README также приводит вариант запуска через Ollama. Её модерация существенно снижена, поэтому она может выдавать чувствительный, спорный или неподходящий контент. README характеризует способ удаления отказов как грубую реализацию для проверки концепции. Лицензия — Apache-2.0.

Hunyuan-7B-Instruct-0124 — диалоговая языковая модель Tencent с плотной авторегрессионной архитектурой Hunyuan v1 и 7,5 млрд параметров. Она предназначена для генерации текста и общения на естественном языке; в карточке приведены результаты тестирования на ряде бенчмарков, включая CEval, ARC-C и BBH. Модель использует Grouped Query Attention и заявленную в README поддержку контекста до 256 тысяч токенов. Метаданные Hugging Face указывают нативный контекст 32 768 токенов; фактический предел зависит от конфигурации и используемого окружения. Доступны веса PyTorch и Safetensors, а для инференса описана поддержка vLLM. Модель совместима с форматом Hugging Face и может дообучаться. Модель ориентирована прежде всего на китайский язык, а метаданные также отмечают английский. Лицензия указана как other, поэтому условия использования следует сверить с файлами лицензии репозитория. Показатели бенчмарков из README относятся к описанным там настройкам оценки и не гарантируют аналогичное качество во всех сценариях.

HyperCLOVA X SEED Think 32B — плотная vision-language модель на базе Transformer, разработанная NAVER. Она принимает текст, изображения и видео и генерирует текст; общий формат представления текста и визуальных патчей поддерживает мультимодальное понимание. Модель содержит 32 млрд параметров, поддерживает контекст до 128 тыс. токенов и имеет опциональный режим рассуждений с настраиваемым бюджетом токенов. Модель предназначена для корейско-ориентированных задач рассуждения, анализа изображений и видео, визуальных вопросов и ответов, а также агентных сценариев. В README приведены примеры бенчмарков по корейским знаниям, пониманию диаграмм и текста на изображениях, а также выполнению задач в сервисных сценариях. Для запуска описаны OmniServe и требования к GPU; карточка указывает библиотеку Transformers. Лицензия обозначена как other, поэтому конкретные условия следует проверять в файлах лицензии репозитория.

Ice0.68-25.01-RP — языковая модель на архитектуре Mistral, созданная объединением предварительно обученных моделей с помощью mergekit и метода SLERP. Репозиторий содержит веса в формате Safetensors; модель насчитывает 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста. README указывает, что в объединении участвовали Ice0.60-18.01-RP и Ice0.67-25.01-RP, причём базовой названа Ice0.67-25.01-RP. Языки и более узкие сценарии применения в предоставленных материалах не описаны. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

K2S3-Mistral-7b-v1.43 — языковая модель, разработанная K2S3 и дообученная методом supervised fine-tuning с настройкой всех параметров на базе mistralai/Mistral-7B-v0.1. Она предназначена для генерации текста по запросу и диалоговых сценариев; при обучении использовались alpaca-gpt4-data и образцы из OpenOrca. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,2 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории указаны веса safetensors. Карточка и метаданные указывают английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение. Качество и ограничения конкретной версии в карточке не описаны; как и другие генеративные языковые модели, она может выдавать неточные или вымышленные сведения.

Kappa 20B 131K — экспериментальная полноразмерная SFT-модель из серии persona, созданная автором репозитория на базе GPT-OSS 20B. Это языковая модель с архитектурой MoE и SwiGLU: в README указано 20,9 млрд параметров, из которых 4,2 млрд активны на токен; формат весов — safetensors. Модель предназначена для многоходового диалога, генерации текста и вызова инструментов, а поведение можно направлять одной из девяти персон через системное сообщение вида Persona: chaotic_evil. Она также работает без выбора персоны. Модель обучена на синтетических диалогах с девятью персонами методом полноразмерного supervised fine-tuning в bf16. Заявлена длина контекста 131 072 токена; автор приводит результаты RULER на этом размере, а также тесты на устойчивость к лести и калибровку отказов. Метаданные указывают английский язык. Лицензия обозначена как other, поэтому конкретные условия использования по представленным данным определить нельзя.

L3.3-Damascus-R1 — созданная SteelSkull модель для генерации текста и диалогов на основе Llama 3.3. Это плотная авторегрессионная модель семейства Llama примерно с 69,5 млрд параметров и контекстом до 131 072 токенов. По карточке, она собрана методом SCE merge из нескольких моделей; среди заявленных компонентов — EVA-LLaMA-3.33, Euryale, Cirrus, Hanami, Anubis и Negative_LLAMA. Каталог также указывает связи с несколькими исходными моделями, включая EVA-LLaMA-3.33-70B-v0.1. Модель общего назначения с особым акцентом на ролевые диалоги и рассказы. Она рассчитана на связное общение, рассуждения и подробное описание сцен; в метаданных также отмечен интерфейс вызова инструментов. Карточка приводит результаты UGI-бенчмарка и рекомендуемые параметры генерации, но эти результаты не гарантируют качество в других задачах. Указанная лицензия — other; конкретные условия использования в карточке не раскрыты.

Это неофициальная конверсия модели Leanstral-1.5-119B-A6B от Mistral AI, подготовленная сообществом: веса переведены из собственного формата Mistral FP8 в формат Hugging Face Transformers и представлены в BF16. Модель сочетает текстовую основу DeepSeek-V3 с MLA и MoE из 128 маршрутизируемых экспертов (4 активны на токен и один общий) и визуальный модуль Pixtral. Она принимает текст и изображения и предназначена для диалогов, рассуждений и работы с визуальными данными; используется чат-шаблон Mistral Instruct и токенизатор Tekken. Карточка рекомендует контекст до 200 тысяч токенов, однако длинный контекст свыше 8 тысяч не гарантирован из-за приближённого отображения RoPE. Веса занимают около 238 ГБ, поэтому для BF16 требуется несколько GPU или выгрузка части модели в память CPU; генерация на одном B200 целиком не подтверждена. Загрузка в Transformers проверена, но работа зрения во время выполнения не проверена. Лицензия обозначена как other; конкретные условия в карточке не раскрыты.

LIME-1B — компактная языковая модель примерно на 1 млрд параметров, разработанная одним автором и обученная с нуля на английских веб-данных, а затем дообученная на инструкциях. Это декодерный Transformer для генерации текста; модель работает с контекстом до 512 токенов и доступна в формате Safetensors для библиотеки Transformers. Она предназначена для ответов на вопросы по предоставленному контексту в RAG-сценариях, выполнения инструкций, суммаризации, объяснения и перефразирования на английском языке. Модель обучалась без RLHF и DPO, не имеет встроенного использования инструментов и не обучалась для многоходового диалога. Поэтому её ответы не следует считать поведением полностью выровненного чат-ассистента, а короткое окно контекста ограничивает работу с длинными документами. Лицензия — Apache-2.0.

Ling-3.0-flash-VL-MTP-ROCmFP4-GGUF — это квантизированная multimodal-модель на базе inclusionAI/Ling-3.0-flash-VL, опубликованная kingjones777. Модель предназначена для задач image-text-to-text: работы с текстом и изображениями, диалоговых сценариев, агентских и инструментальных задач, а также генерации текста. Вариант ориентирован на запуск через llama.cpp на видеоускорителях AMD Strix Halo с ROCm или Vulkan. Исходная модель имеет 124 млрд параметров в общей сложности и около 5,5 млрд активных параметров, использует native multimodal-архитектуру и поддерживает vision через отдельный проектор mmproj в формате BF16. Текстовая часть содержит 42 слоя, 512 экспертов, 32 attention heads, hidden size 2560 и контекстные параметры, указанные в конфигурации; в данной сборке добавлена голова multi-token prediction с одним дополнительным предсказываемым токеном. Доступны варианты STRIX_LEAN, FAST и COHERENT, квантизированные в ROCmFP4, а также версия без MTP. Для обработки изображений требуется файл mmproj. Сильные стороны модели — сочетание мультимодальности и MTP, высокая скорость на AMD Strix Halo, особенно при использовании ROCm для prefilling и Vulkan для декодирования, а также несколько вариантов сборки под разные компромиссы между качеством, размером и скоростью. Ограничения включают аппаратную и программную специализацию под AMD Strix Halo, необходимость исправленной версии сервера для одновременной работы MTP и изображений, снижение скорости prefilling при включённом MTP и ухудшение эффективности при увеличении длины MTP-черновика. Лицензия — MIT.

nkpz/llama2-22b-daydreamer-v2 — языковая модель семейства Llama, дообученная автором nkpz ещё на нескольких эпохах общих данных airoboros v2. Модель предназначена для генерации текста и ответов на инструкции; автор отмечает, что она стала менее склонна к чрезмерно подробным объяснениям и менее привязана к формату инструкций, сохранив более универсальный стиль. Модель содержит 21,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и формат PyTorch. Нативный контекст составляет 4098 токенов. В карточке указана лицензия other. Автор описывает модель как работу в процессе и отмечает, что навыки решения задач ещё требуют улучшения.

Llama 2 70B Orca 200k — языковая модель для генерации текста и выполнения инструкций, созданная ddobokki на базе Llama 2 70B. Репозиторий TheBloke содержит её квантованные версии в формате GGUF; исходная модель доступна в формате PyTorch fp16. Модель ориентирована на англоязычные сценарии общения, ответов на запросы и других задач text-generation. Модель имеет архитектуру Llama и 70 миллиардов параметров. Вариант GGUF предназначен для локального запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, KoboldCpp, llama-cpp-python и другие. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать между требованиями к памяти и сохранением качества, однако README не приводит точных характеристик контекстного окна, результатов тестирования или производительности. К сильным сторонам относятся большой размер модели, instruction-tuned назначение, поддержка локального CPU+GPU-инференса и широкий выбор уровней квантования. Ограничения включают высокие требования к ресурсам для 70B-модели, возможное снижение качества из-за квантования и отсутствие заявленных мультимодальных возможностей; указана только поддержка языка English. Использование регулируется лицензией Llama 2.

fbellame/llama2-pdf-to-quizz-13b — дообученная модель на базе meta-llama/Llama-2-13b-hf, созданная с помощью H2O LLM Studio. Она принимает текст документа и генерирует вопрос с четырьмя вариантами ответа и буквой правильного варианта; обучение описано на примере подготовки учебных тестов по содержимому документа. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 12,9 млрд параметров и имеет контекст до 4096 токенов. В карточке указан английский язык; модель распространяется в формате safetensors и предназначена для запуска через Transformers. Карточка предупреждает, что ответы могут быть ошибочными, нерелевантными или предвзятыми. Лицензия в предоставленных данных не указана.

Llama-3.2-1B-Instruct-Frog — компактная языковая модель на архитектуре Llama, разработанная phamhai на базе Meta Llama 3.2 1B Instruct и дообученная для задач RAG на вьетнамском языке. Модель содержит 1,2 млрд параметров и поддерживает контекст до 131 072 токенов. Она предназначена для диалоговых сценариев, ответов на вопросы с использованием найденных документов, суммаризации, извлечения сущностей, вызова функций и переформулирования вопросов. Небольшой размер позволяет использовать её для быстрого инференса на локальных и периферийных устройствах. Автор отмечает, что у версии 1B слабее понимание запросов и ниже точность в некоторых задачах, включая суммаризацию и извлечение сущностей при вызове функций. Модель распространяется по лицензии Llama 3.2; использование требует соблюдения условий лицензии Meta.

Llama-3.3-SuperSwallowX-70B-Instruct-v0.1 — экспериментальная объединённая языковая модель nitky на архитектуре Llama для диалогов и генерации текста, с особым акцентом на японский язык. Она получена методом Model Stock с помощью mergekit из нескольких моделей Llama 3.1, включая японские инструктивные и предварительно обученные модели, а также модели для суммаризации, критики и других задач. Модель содержит 69,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В метаданных заявлены японский и английский языки; основной сценарий — общение с ассистентом и генерация ответов. Для запуска автор проверял её в text-generation-webui и рекомендует соблюдать формат промпта инструктивной модели; отдельно отмечена возможная проблема с несколькими токенами EOS. Лицензия — CC BY-NC-SA 4.0, допускающая использование с указанием авторства на условиях лицензии, но запрещающая коммерческое применение.

Llama-3-8B-Dolphin-Portuguese — разговорная языковая модель на архитектуре Llama 3, разработанная на основе переведённой версии набора данных Dolphin. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие на португальском языке; длина контекста составляет 8192 токена. Модель подходит для ответов на вопросы и ведения диалога на португальском, в том числе для задач общего и учебного характера. В карточке приведены результаты на португальском лидерборде: средняя оценка 70,0, а также результаты ENEM Challenge и BLUEX без изображений. Модель использует формат safetensors и библиотеку Transformers. Лицензия в предоставленных данных не указана.

grimjim/llama-3-Nephilim-v2-8B — слитая чат-модель на архитектуре Llama 3, созданная с помощью mergekit методом task arithmetic на основе Nephilim v1. В объединение вошли Llama-3-Soliloquy-8B-v2, модель с настройкой предпочтений SPPO и SimPO, а также дообученная биомедицинская модель OpenBioLLM. Разработчик описывает её как модель для генерации ответов с вниманием к контексту и более разнообразными формулировками. Модель содержит 7,5 млрд параметров, работает с текстом и рассчитана на диалоговую генерацию по инструкциям. В README указано тестирование с контекстом 8k и Instruct-промптами. Биомедицинская составляющая может быть полезна для профильных запросов, однако карточка не подтверждает специализированную точность или клиническую пригодность. Модель может генерировать вредоносные ответы. По умолчанию действует лицензия CC-BY-NC-4.0, ограничивающая коммерческое использование; также README указывает на дополнительные ограничения WhiteRabbitNeo Usage Restrictions Extension к лицензии Llama 3.

LongForm-OPT-350M — языковая модель семейства OPT, дообученная авторами LongForm на наборе LongForm для генерации длинных текстов по инструкциям. Набор включает документы из C4 и Wikipedia, примеры из Stack Exchange и WikiHow, а также задания на ответы на вопросы, написание писем, исправление грамматики, создание историй и стихотворений и суммаризацию. Модель предназначена для генерации длинных текстов, в том числе рецептов, развернутых ответов и коротких рассказов. Она содержит 454,1 млн параметров, принимает текст и генерирует текст; контекст — до 2048 токенов. В карточке указаны английский и многоязычная поддержка, а также немецкий, итальянский, испанский и французский языки; обучение LongForm описано на английских примерах. Модель представлена в формате PyTorch. Сравнительная оценка в README сообщает о преимуществах LongForm над некоторыми моделями с настройкой по инструкциям в задачах длинной генерации. Модель склонна к галлюцинациям и ограничена в задачах структурированного предсказания. Лицензия в предоставленных данных не указана.

anthracite-org/magnum-v2-12b-gguf — набор GGUF-квантованных версий языковой модели Magnum v2 12B, разработанной командой Anthracite. Модель дообучена на базе Mistral-Nemo-Base-2407 и ориентирована на высокое качество прозы, стремясь воспроизводить особенности Claude 3 Sonnet и Opus. Репозиторий содержит именно квантованные веса; оригинальные веса опубликованы отдельно. Модель предназначена для генерации текста и диалоговых сценариев, включая чат, написание и структурирование текстов. Она прошла instruct-тюнинг с использованием формата ChatML. В README заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Точный размер контекстного окна, перечень доступных вариантов квантования и их требования к ресурсам не указаны. К сильным сторонам относятся многоязычность, специализация на качестве прозы и возможность локального запуска через совместимые с GGUF инструменты. Ограничения включают отсутствие опубликованных в README количественных результатов тестирования, неполное описание характеристик квантованных вариантов и нераскрытые сведения о безопасности модели. Лицензия — Apache-2.0.

Magnum v3 34B GGUF — квантизированная версия языковой модели Anthracite, разработанная для генерации текста и диалогового взаимодействия. Модель создана на основе Yi-1.5-34B-32K и дообучена с целью приблизить качество прозы к моделям Claude 3 Sonnet и Opus. В репозитории представлены веса в формате GGUF; исходные полноразмерные веса доступны отдельно. Модель предназначена для чат-сценариев, написания текстов, инструкций, художественной прозы и ролевого взаимодействия. Она поддерживает только текстовую модальность, рассчитана на английский язык и использует формат диалогов ChatML. Базовая модель относится к классу 34B, а исходная конфигурация Yi-1.5 заявляет контекст до 32K токенов, однако для данного GGUF конкретный поддерживаемый размер контекста в README явно не указан. К сильным сторонам относятся ориентация на высокое качество прозы, instruction tuning, поддержка длинного контекста базовой модели и наличие нескольких вариантов квантования GGUF для локального запуска. Ограничения включают зависимость качества и требований к ресурсам от выбранного варианта квантования, отсутствие заявленной мультиязычной или мультимодальной поддержки, а также отсутствие подробных результатов оценки. Модель распространяется по лицензии Apache-2.0.

eslamxm/mbart-finetuned-fa — модель абстрактивной суммаризации на основе mBART-large-50, дообученная на наборе данных pn_summary. Она предназначена для создания краткого пересказа текста на фарси. Модель содержит около 457,4 млн параметров, использует архитектуру MBartForConditionalGeneration и принимает контекст до 1024 токенов. В карточке приведены результаты оценки на тестовом наборе: ROUGE-1 — 44,07, ROUGE-2 — 25,81, ROUGE-L — 38,96 и BERTScore — 78,95; средняя длина сгенерированного текста — 41,7. Опубликована в формате PyTorch. Лицензия в предоставленных данных не указана.

mDeBERTa-v3-base-myXNLI — модель-кодировщик на архитектуре DeBERTa v3, разработанная для классификации текста на английском и бирманском языках. Она дообучена на наборе myXNLI для задачи вывода по естественному языку (NLI): оценки отношений между посылкой и гипотезой. Модель подходит для NLI и связанных сценариев, включая классификацию текста по пользовательским меткам с помощью zero-shot подхода. Размер составляет 306 млн параметров, максимальная длина контекста — 512 токенов. В карточке приведены точности на тестовых наборах: 88,02% для английского XNLI и 80,99% для myXNLI. Модель выпущена под лицензией MIT. В карточке отмечено, что при оценке рисков и ограничений следует учитывать исследования myXNLI и базовых моделей DeBERTa; конкретные ограничения подробно не перечислены.

Модель takehika/mdeberta-v3-wanli-ja-nli разработана как дообученная версия microsoft/mdeberta-v3-base для японского вывода по тексту и классификации без заранее заданного набора классов. Она основана на архитектуре DeBERTa V2, содержит 306 млн параметров и работает через библиотеку Transformers; веса представлены в формате Safetensors. Модель сопоставляет посылку и гипотезу, чтобы оценить их логическое отношение, и может применяться для классификации текста по описаниям категорий на японском языке. Обучение проведено на 73 942 примерах японского набора wanli-ja-nli в течение двух эпох. В README приведены точность 0,7506 и F1 0,7497 на проверочной выборке. Контекст ограничен 512 токенами, а более длинные пары обрезаются. Смена домена и состязательные примеры могут снижать качество. Лицензия — CC BY 4.0.

BEE-spoke-data разработала MEGA-энкодер mega-encoder-small-16k-v1 для маскированного языкового моделирования и последующего дообучения под задачи, совместимые с энкодерами. Модель имеет 8 слоёв, размер скрытого состояния 768 и около 122 млн параметров по README; метаданные указывают 100 млн параметров. Архитектура MEGA использует чанки длиной 1024 токена и поддерживает контекст до 16 384 токенов. Для токенизации используется словарь BART, совпадающий со словарём RoBERTa. Модель обучалась преимущественно предсказывать замаскированные токены, с дополнительными этапами обучения для ряда задач. Её можно дообучать для классификации, сопоставления предложений и других задач на последовательностях; README приводит результаты на GLUE. Указана лицензия Artistic-2.0. При длинном контексте обучение требует значительной видеопамяти; README отмечает рост её использования с длиной последовательности и рекомендует gradient checkpointing для дообучения на 16k токенах.

MaziyarPanahi/MeliodasPercival_01_Experiment29Multi_verse_model — объединённая языковая модель, созданная слиянием automerger/MeliodasPercival_01-7B и automerger/Experiment29Multi_verse_model-7B. Она предназначена для генерации текста и диалогов на основе текстовых запросов. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов и распространяется в формате Safetensors. Сведения о поддерживаемых естественных языках и специализированных областях применения отсутствуют. Лицензия — Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений; результаты могут различаться в зависимости от запроса и способа использования.

MaziyarPanahi/MeliodasPercival_01_Strangemerges_32Experiment28 — объединённая модель семейства Mistral, созданная на основе automerger/MeliodasPercival_01-7B и automerger/Strangemerges_32Experiment28-7B. Она предназначена для генерации текста и диалогов, а контекст может достигать 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors. Лицензия — Apache-2.0. Карточка не сообщает о специализации на конкретных областях или языках. Качество, поведение и ограничения объединённой модели отдельно не описаны.

MemOperator-0.6B — компактная причинно-следственная языковая модель MemTensor для операций с памятью в системе MemOS. Она дообучена методом SFT на основе моделей Qwen3 и предназначена для локального развертывания, в том числе в средах без доступа к интернету, с низкими затратами ресурсов и малой задержкой. В метаданных указана связь слияния с Qwen/Qwen3-0.6B, Qwen/Qwen3-1.7B и Qwen/Qwen3-4B; архитектура — плотная decoder-only модель Qwen3 с примерно 507,9 млн параметров. Для этой версии указан контекст до 40 960 токенов. Модель извлекает сведения из диалогов и документов, в том числе составляет краткие сводки фрагментов документов, а также поддерживает кластеризацию и реорганизацию связанных воспоминаний. Карточка заявляет поддержку английского и китайского языков и приводит результаты семейства MemOperator на бенчмарке locomo, но таблица содержит сравнение только версии 4B; переносить эти показатели на версию 0.6B нельзя. Разрешены загрузка через Transformers и использование с vLLM или SGLang; лицензия — Apache-2.0. Разрешение конфликтов и рассуждение об отношениях в README обозначены как находящиеся в разработке.

Exveria/merge003 — объединённая языковая модель, созданная с помощью mergekit методом TIES на основе amazingvince/Not-WizardLM-2-7B с включением TFMC/Japanese-Starling-ChatV-7B. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM, примерно 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев; базовая Japanese-Starling-ChatV-7B ориентирована на японский язык, однако сведения о языковой поддержке итоговой модели в карточке не уточнены. Модель распространяется в формате safetensors и использует библиотеку Transformers. Веса сохранены в float16. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

dealignai подготовил вариант MiniMax-M2.5 для запуска на Apple Silicon. Это MoE-модель семейства MiniMax M2 с 230 млрд параметров, 256 экспертами и примерно 10 млрд активных параметров на токен; используется стандартное внимание и цепочка рассуждений. По заявлению карточки, модель прошла смешанную квантизацию JANG_2L и удаление отказов CRACK на уровне весов. Размер файлов — 63 ГБ. Формат JANG поддерживают MLX Studio и пакет jang-tools; карточка также рекомендует запускать модели JANG в vMLX. Модель предназначена для генерации ответов в диалоге, рассуждений и вызова инструментов. В карточке заявлены английский, китайский и корейский языки, а метаданные указывают контекст 196 608 токенов. Указанная лицензия — Apache-2.0. Карточка позиционирует модель как исследовательскую и образовательную и приводит результаты HarmBench, указывающие на существенно ослабленные защитные ограничения; эти результаты являются заявлениями автора карточки.