I.2Синтез, понимание и проверка знаний

WesPro/StarCaptain_Commander08_32B — объединённая модель для генерации текста и диалогового общения. Она создана сообществом WesPro методом SLERP с помощью mergekit на основе TheDrummer/Star-Command-R-32B-v1 и WesPro/C4AI_Adventure_CaptainCommand08_32B. Модель имеет плотную архитектуру CohereForCausalLM и 32,3 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. Базовые модели связаны с ролевым общением и генерацией текста, поэтому модель может подойти для диалоговых и ролевых сценариев. В репозитории используются веса Safetensors, а для работы указана библиотека Transformers. Сведения о лицензии, языках и специальных ограничениях качества в предоставленных данных отсутствуют.

TigerResearch 的 TigerBot 70B Chat v4 是基于 Llama 架构的 69B 参数稠密自回归 языковая модель для диалоговой генерации текста. Карточка описывает запуск через Transformers и указывает на сценарий чат-взаимодействия. Модель поддерживает китайский и английский языки, использует контекст до 4096 токенов и распространяется в формате PyTorch по лицензии Apache-2.0. Модель подходит для генерации ответов и ведения диалога на китайском и английском. Карточка не приводит результатов оценки качества или подробного перечня ограничений; для практического применения следует учитывать большой размер весов и контекстное окно 4096 токенов.

Tooka-SBERT-V2-Large — крупная модель Sentence Transformers на архитектуре BERT, разработанная PartAI на базе TookaBERT-Large. Она преобразует предложения и абзацы в плотные векторные представления для оценки семантического сходства, поиска и ранжирования текстов. Для асимметричного поиска запросы оформляются с префиксом «سوال: », а документы — «متن: ». Модель дообучена с функциями потерь CachedMultipleNegativesRankingLoss и CoSENTLoss на синтетических наборах данных. В карточке сообщается, что на бенчмарке PTEB она в среднем превосходит mE5-Base; результаты зависят от задачи. Модель рассчитана на персидский язык, имеет 451,8 млн параметров и контекст до 512 токенов. Лицензия в предоставленных данных не указана.

UltraLM-65b — диалоговая языковая модель, разработанная OpenBMB и дообученная на UltraChat на основе LLaMA-65b. Это плотная авторегрессионная модель семейства LLaMA с 65 млрд параметров; репозиторий содержит delta-веса, поэтому для запуска их нужно объединить с весами базовой LLaMA-65b. Модель принимает текстовые сообщения и предназначена для многоходового общения по шаблону User/Assistant. Она подходит для генерации ответов в диалоге, следования инструкциям и создания разговорных приложений. Максимальная длина контекста — 2048 токенов. Карточка указывает, что модель использует лицензию LLaMA; применяйте её в соответствии с условиями этой лицензии.

nguyenthanhhoa03 выпустил дообученную Sentence Transformer-модель на базе VoVanPhuc/sup-SimCSE-VietNamese-phobert-base. Она преобразует вьетнамские предложения и абзацы в плотные векторы размерности 768 для семантического поиска и извлечения релевантных текстов. Архитектура использует RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель работает с текстом, максимальная длина последовательности — 258 токенов по метаданным. Модель подходит для поиска по смыслу и сравнения предложений на вьетнамском языке. В README указан лимит 256 токенов, тогда как метаданные указывают 258; учитывайте лимит, заданный используемой конфигурацией. Лицензия в предоставленных данных не приведена.

Cloyne/vietnamese-sbert — дообученная модель Sentence Transformer на базе keepitreal/vietnamese-sbert, разработанная Cloyne. Архитектура RoBERTa с mean pooling преобразует предложения и абзацы в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Модель содержит 162,4 млн параметров и рассчитана на последовательности длиной до 258 токенов по метаданным Hugging Face; в README указана максимальная длина 256 токенов. Модель предназначена прежде всего для семантического поиска и сравнения вьетнамских текстов. Её можно применять для поиска похожих фрагментов, выявления перефразировок, кластеризации и получения эмбеддингов для последующей классификации. Дообучение выполнено на 120 210 парах anchor-positive из CSV-датасета с функцией потерь MultipleNegativesRankingLoss. Модель принимает текст и выдаёт векторы, поэтому сама по себе не генерирует ответы и не является готовым классификатором. Контекст ограничен короткими последовательностями, а качество для языков помимо вьетнамского не подтверждено. Лицензия в предоставленных данных не указана.

Карточка модели Gnartiel/vietnamese-sbert на Hugging Face совпадает с карточкой keepitreal/vietnamese-sbert, поэтому описание составлено по ней. keepitreal/vietnamese-sbert — модель Sentence-Transformers на архитектуре RoBERTa, содержащая 162,4 млн параметров. Она преобразует предложения и абзацы на вьетнамском языке в плотные векторы размерностью 768 для сравнения семантической близости, поиска и кластеризации. Модель принимает текст и выдаёт эмбеддинги; её контекст ограничен 258 токенами. Модель подходит для семантического поиска по вьетнамским текстам, группировки похожих предложений и оценки их смыслового сходства. В README указано обучение с CosineSimilarityLoss. Доступные файлы представлены в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

AlexKay/xlm-roberta-large-qa-multilingual-finedtuned-ru — модель XLM-RoBERTa Large, дообученная для ответов на вопросы на наборах SQuAD и SberQuAD. Она принимает текст вопроса и контекста и предназначена для извлечения ответа из предоставленного текста, в том числе для русскоязычных сценариев. Архитектура — плотный трансформер XLM-RoBERTa с 658,7 млн параметров; максимальная длина контекста — 514 токенов. В карточке указаны результаты на SberQuAD: F1 84,3 и exact match 65,3. Модель подходит для русских и английских задач вопросно-ответного поиска по текстам. Лицензия — Apache-2.0. Её ответы ограничены сведениями в переданном контексте, а длина обрабатываемого текста ограничена контекстом модели.

intanm/xlmr-quoref — модель XLM-RoBERTa, дообученная на наборе данных Quoref для ответов на вопросы по тексту. Она принимает вопрос и контекст и предназначена для извлечения ответа из предоставленного текста. Модель имеет архитектуру XLM-RoBERTa с 305,2 млн параметров и поддерживает контекст длиной до 514 токенов. В карточке приведено значение loss 2,7996 на оценочном наборе, но подробности методики оценки и качества не раскрыты. Модель распространяется по лицензии MIT.

Zarablend L2 7b — текстовая генеративная модель семейства Llama 2, созданная слиянием Nous Hermes Llama2 7B и Airoboros L2 7B GPT4 2.0 в пропорции 66% к 34%, а затем объединённая с LoRA-адаптером LimaRP Llama2 7B. Репозиторий содержит веса PyTorch; в карточке также упомянуты отдельные квантизированные варианты GGML и GPTQ от TheBloke. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев с форматами запросов, унаследованными от Nous Hermes, Airoboros и LimaRP. Размер в метаданных — 6,6 млрд параметров, контекст — 4096 токенов. Карточка не приводит подтверждённый перечень языков или специальных прикладных областей. Лицензия указана как other, без дополнительных условий в доступных данных.

ZDTaichu5.0-9B — мультимодальная модель общего назначения от TaichuAI для визуального понимания, пространственных рассуждений и агентных задач. Она сочетает языковую основу Qwen3.5-9B с визуальным энкодером C-RADIOv4-H; модель относится к семейству ZDTaichu5.0 и имеет плотную архитектуру. В метаданных указан формат safetensors. Модель принимает текст, изображения и видео, включая изображения высокого разрешения, и поддерживает контекст до 128 тысяч токенов. Модель предназначена для ответов на вопросы по изображениям и видео, чтения документов и графиков, визуальной математики, анализа пространственных отношений и сцен, а также многошагового использования инструментов. Она также рассчитана на исследования и адаптацию для embodied AI и VLA-сценариев. В README заявлены сильные результаты среди сравниваемых моделей масштаба около 10 млрд параметров, включая пространственное понимание и агентные задачи; это утверждения авторов для описанных ими условий оценки. Самостоятельно инструменты модель не выполняет: их запуск и проверка должны обеспечиваться приложением. Лицензия в предоставленных данных не указана.

A3ON-1B-i1-GGUF — это GGUF-квантизация базовой модели A3ON-1B, разработанной Kaiiddo и подготовленной к распространению пользователем mradermacher. Модель предназначена для генерации текста и помощи в программировании; в метаданных указана поддержка английского языка. Формат GGUF рассчитан на локальный запуск в совместимом программном обеспечении. Модель имеет размер 1 млрд параметров, однако сведения об архитектуре, длине контекста и поддерживаемых модальностях в README не приведены. Доступны многочисленные варианты квантизации, включая IQ- и Q-семейства, размером примерно от 0,5 до 1,1 ГБ. В README отмечается, что IQ-квантизации часто обеспечивают лучшее качество при сопоставимом размере; среди вариантов отдельно рекомендуются i1-Q4_K_M и i1-Q4_K_S, а i1-Q6_K по качеству практически соответствует статической Q6_K. Более агрессивные варианты могут заметно снижать качество. Лицензия модели — CC BY 4.0. README не содержит подробных результатов тестирования, поэтому её преимущества и ограничения следует оценивать с учётом выбранного уровня квантизации и конкретного сценария использования.

m3hrdadfi/albert-zwnj-wnli-mean-tokens — модель на базе ALBERT, опубликованная пользователем m3hrdadfi. Она предназначена для извлечения векторных представлений предложений и оценки их сходства; её можно подключить через Sentence-Transformers или Transformers с подходящей операцией pooling. Модель содержит 136,3 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате PyTorch. Модель подходит для поиска похожих предложений, семантического поиска и построения эмбеддингов для текстовых приложений. В названии указаны ZWNJ и WNLI, однако README не уточняет языковую поддержку, обучение и специальные ограничения. Лицензия в предоставленных сведениях не указана.

ASL 4B — компактная плотная языковая модель на 4 млрд параметров, разработанная SAAI на базе Qwen3.5 и настроенная для работы с арабским языком. Модель предназначена для генерации текста и диалогов, особенно для понимания саудовского диалекта и местного контекста Саудовской Аравии. В обучении использовались открытые наборы данных, а также локальные данные партнёров: книги, литературные произведения и журналистские публикации. Модель поддерживает стандартную генерацию и режим рассуждений; карточка приводит рекомендации по настройкам для vLLM и Transformers. Она рассчитана на приложения с современным стандартным арабским языком, саудовским диалектом и местным либо институциональным контекстом. README характеризует выпуск как первый исследовательский релиз SAAI, ориентированный на исследования и разработку арабоязычных приложений. Лицензия — Apache-2.0. Модель может генерировать неточные, неполные или предвзятые ответы; результаты бенчмарков не гарантируют надёжность в реальных сценариях. Перед применением в чувствительных сферах необходима оценка на целевых задачах.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-sequential-33-67-b3-fineweb-ita-eng — генеративная языковая модель из семейства Beetle-FineWeb2-24B, опубликованная на Hugging Face. По идентификатору она ориентирована на двуязычную работу с итальянским и английским языками и обучалась на данных FineWeb; в метаданных указана библиотека Transformers и архитектурный тег pico_decoder. Модель предназначена для генерации и продолжения текста, создания черновиков, диалоговых приложений и других сценариев, где требуется авторегрессионное моделирование текста на итальянском и английском языках. Размер 24B следует из идентификатора модели. README является автоматически созданным шаблоном и не содержит сведений о разработчике, лицензии, контексте, результатах оценки, ограничениях или рекомендуемом способе использования.

swardiantara/bert-tiny-sst5-k5-fixed-euclidean — компактная модель Sentence Transformers, разработанная на базе google/bert_uncased_L-2_H-128_A-2 и дообученная для сопоставления предложений. Она кодирует текст в плотные векторы размерности 128 для поиска и сравнения по косинусному сходству; модель можно использовать для семантического поиска и извлечения релевантных текстов. Архитектура включает BERT с двумя слоями и mean pooling. Веса занимают модель размером около 4,4 млн параметров; метаданные указывают контекст до 512 токенов, а карточка модели сообщает максимальную длину последовательности 128 токенов. Модель принимает текст и возвращает эмбеддинги. Данные обучения содержат англоязычные пары фрагментов обзоров фильмов с метками сходства, поэтому подтверждённая языковая специализация — английский. Лицензия в предоставленных данных не указана. Компактный размер подходит для сценариев с ограниченными вычислительными ресурсами, но качество и область применения за пределами описанного обучения отдельно не подтверждены.

BGE base Financial Matryoshka — англоязычная Sentence Transformer модель, дообученная research-spectator на парах текстов из датасета json объёмом 6 300 примеров. Она основана на BAAI/bge-base-en-v1.5 с архитектурой BERT, формирует нормализованные плотные эмбеддинги размерностью до 768 и поддерживает сравнение по косинусному сходству. Модель предназначена для семантического поиска и сравнения текстов, в том числе финансовых документов; эмбеддинги также можно применять для кластеризации, поиска перефразировок и классификации. Matryoshka-обучение позволяет использовать укороченные векторы размерностью 512, 256, 128 или 64, с некоторым снижением качества поиска на меньших размерностях. Максимальная длина входа — 512 токенов. Модель принимает текст и выдаёт векторы; README указывает английский язык. Лицензия — Apache-2.0.

BjarneNPO/BjarneNPO-28_08_2025_14_24_44 — дообученная BjarneNPO модель Sentence Transformers на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она кодирует предложения и абзацы в плотные векторы размерности 768 для семантического поиска, сравнения текстов, поиска перефразировок, кластеризации и классификации. Архитектура основана на XLM-RoBERTa с усреднением токенных представлений; сходство векторов можно оценивать косинусной мерой. Модель содержит 305,2 млн параметров и рассчитана на последовательности длиной до 514 токенов по метаданным; в README указана максимальная длина 128 токенов. Обучение проведено на 72 349 парах запрос–ответ с функцией MultipleNegativesRankingLoss. Примеры обучающих данных и оценка поиска в README ориентированы на немецкоязычные обращения в службу поддержки, поэтому модель подходит для поиска релевантных ответов в подобных корпусах. Многоязычная базовая модель позволяет работать с разными языками, но основной язык и перенос качества на другие задачи отдельно не подтверждены. Опубликована в формате safetensors; лицензия в предоставленных данных не приведена.

Dare-k-7B-ties — объединённая AurelPx модель семейства Mistral, созданная с помощью LazyMergekit методом dare_ties. В конфигурации указаны SamirGPT-v1 и EmbeddedLLM/Mistral-7B-Merge-14-v0.2, а базой служит mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для авторегрессионной генерации текста; максимальный контекст — 32 768 токенов. Модель можно использовать для свободного продолжения текста, подготовки черновиков и диалоговых ответов. Карточка не описывает специализированные навыки или отдельное назначение, поэтому качество в конкретных сценариях следует оценивать на собственных примерах. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0.

deepvk/deberta-v1-distill — русскоязычная предварительно обученная модель от deepvk на основе DeBERTa. Это двунаправленный энкодер без готовой предобученной выходной головы, обученный предсказывать замаскированные токены и сжатый методом дистилляции из более крупной модели. В модели 6 слоёв, 12 голов внимания и размер представления 768; она содержит 95,2 млн параметров и принимает последовательности длиной до 512 токенов. Модель предназначена для извлечения контекстных векторных представлений текста и дальнейшей адаптации под задачи классификации, разметки и анализа русского языка. Обучающие данные включают около 400 ГБ отфильтрованных и дедуплицированных текстов из Википедии, книг, соцсетей, новостных сайтов и других источников. Основной язык — русский, также присутствует небольшая доля других языков; метаданные карточки отмечают русский и английский. Распространяется по лицензии Apache 2.0.

DeepSeek-R1-Distill-Qwen-14B-heretic — текстовая генеративная модель, созданная на основе DeepSeek-R1-Distill-Qwen-14B компанией или автором репозитория saidutta69 с использованием Heretic версии 1.4.0. Это вариант с подавленным поведением отказа, полученный направленной абляцией и изменением весов в выходных проекциях attention и down-прекциях MLP, без дообучения. Модель предназначена для разработчиков, которым нужны диалоги, генерация текста и рассуждения без встроенных отказов базовой модели. Модель имеет примерно 14,8 млрд параметров, поддерживает текстовую модальность и ориентирована на английский язык. Доступны полноточные веса BF16 и квантованные варианты GGUF Q4_K_M, Q5_K_M, Q6_K и Q8_0. Для запуска рекомендуются GPU с 16–24 ГБ памяти; квантованные версии подходят для потребительского оборудования, CPU и Apple Silicon. Модель совместима с llama.cpp, Ollama, LM Studio, Jan, vLLM, SGLang и Transformers. Размер контекста в README не указан. Главное преимущество — сохранение знаний и навыков следования инструкциям базовой модели при уменьшении количества отказов, а также широкий выбор квантований для локального запуска. При этом это не улучшенная по возможностям версия DeepSeek-R1-Distill-Qwen-14B, а модификация с удалёнными защитными ограничениями. Отсутствие дополнительной фильтрации означает повышенный риск небезопасной генерации, поэтому ответственность за применение и развёртывание лежит на пользователе. Модель распространяется по лицензии deepseek-research-license, унаследованной от базовой модели.

DheyoAI выпустила GGUF-версию модели DeepSeek-R1-Distill-Qwen-1.5B — компактной плотной языковой модели на архитектуре Qwen2 с 1,5 млрд параметров. Она предназначена для генерации текста в диалоге и решения задач, требующих рассуждений, включая математику и программирование. В README приведено сравнение вариантов квантования семейства на тестах GSM8K, GPQA Diamond, Math500 и AIME; результаты относятся к описанным вариантам и условиям оценки. Модель принимает текст и генерирует текст. Метаданные указывают контекст до 131 072 токенов и поддержку английского языка. Формат GGUF рассчитан на компактное локальное хранение и запуск совместимыми средствами. Лицензия — MIT.

DeepSeek V4 Flash REAP K128 (Uniform) — производная версия DeepSeek V4 Flash от sleepyeldrazi. В модели удалена половина маршрутизируемых экспертов MoE с помощью метода REAP; механизм внимания, эмбеддинги, общие эксперты, маршрутизатор и компоненты MTP сохранены. Тонкая настройка не выполнялась: оставшиеся веса взяты без изменений из исходной модели. Репозиторий содержит GGUF с равномерной квантизацией экспертов IQ2_XXS/Q2_K; заявленный размер файла — 46,98 ГиБ. Модель предназначена для генерации текста и диалогового использования, в том числе для задач программирования, вызова инструментов и поиска знаний. Совместима со средой ds4-engine; для запуска требуется ds4-for-reaped с поддержкой компактного GGUF. Калибровка при отборе экспертов проводилась на контексте 4096 токенов, но это не подтверждает максимальную длину контекста модели. Лицензия — MIT. Удаление половины экспертов и низкая точность квантизации могут повлиять на качество ответов; README не приводит количественных результатов оценки. Вызов инструментов обозначен как сценарий калибровки и использования, но сам по себе не подтверждает наличие отдельного интерфейса tool calling.

Djinn — разговорная языковая модель, опубликованная пользователем mayacinka. Это слияние моделей CultriX/NeuralTrix-7B-dpo и paulml/DPOB-INMTOB-7B с помощью LazyMergekit. Модель построена на архитектуре Mistral и содержит 7,3 млрд параметров; её нативная длина контекста — 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате, например для ответов на вопросы и ведения беседы. Репозиторий содержит веса в формате safetensors. Сведения о языках и лицензии в предоставленных данных отсутствуют.

Карточка модели TMA-1/Dolphin-Mistral-24B-Venice-Edition на Hugging Face совпадает с карточкой dphn/Dolphin-Mistral-24B-Venice-Edition, поэтому описание составлено по ней. Dolphin Mistral 24B Venice Edition — разговорная модель общего назначения, созданная в совместном проекте Dolphin и Venice.ai на основе Mistral-Small-24B-Instruct-2501. Это плотная модель семейства Mistral 3 с 24 млрд параметров, представленная в формате safetensors и рассчитанная на работу через Transformers; для развёртывания авторы рекомендуют vLLM. Модель предназначена для диалогов и выполнения инструкций в приложениях, где владелец задаёт системный промпт и самостоятельно определяет стиль и правила ответов. Авторы позиционируют её как менее ограниченную настройками поведения, чем обычные коммерческие чат-модели, и сообщают, что она используется как модель Venice Uncensored. В карточке указан стандартный шаблон чата Mistral; авторы рекомендуют низкую температуру генерации, например 0,15. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на управляемое поведение, однако её следование инструкциям зависит от системного промпта и параметров генерации; заявленная сниженная цензура означает, что ответы могут включать потенциально вредный или неподходящий контент.

oridror разработал e5-base-hebrew-qa-v2-myd-r1 — модель эмбеддингов на базе intfloat/multilingual-e5-base, дообученную для сопоставления вопросов и ответов на иврите. Она использует архитектуру XLM-RoBERTa, содержит 305,2 млн параметров и принимает текстовые запросы и документы, преобразуя их в векторы для оценки семантического сходства. Контекст модели — до 514 токенов. Модель предназначена для семантического поиска ответов на вопросы на иврите, ранжирования подходящих фрагментов и поиска по парам «вопрос—ответ». Для корректной работы нужно добавлять префикс «query: » к запросам и «passage: » к документам. В оценке на 500 отложенных парах на иврите указаны Accuracy@1 0,722, Accuracy@5 0,852 и MRR@10 0,7774. Модель выпущена под лицензией Apache-2.0.

Elbaz-NVIDIA-Nemotron-3-Nano-30B-A3B-PRISM-NVFP4 — квантизированная версия разговорной языковой модели NVIDIA Nemotron-3-Nano, подготовленная Эриком Эльбазом (Ex0bit) с помощью NVIDIA TensorRT Model Optimizer. Модель предназначена для генерации текста в диалогах и представлена как вариант без фильтрации ответов. Это гибридная модель семейства Nemotron с архитектурой Mamba-2 и MoE; базовая версия содержит 30 млрд параметров при 3 млрд активных. Веса сжаты в формат NVFP4, размер чекпойнта около 18 ГБ. Для запуска требуются GPU NVIDIA Blackwell и TensorRT-LLM версии 0.17 или новее. README указывает калибровку на 512 примерах WikiText-2. Модель подходит для диалогов, ответов на вопросы, рассуждений и задач программирования; метаданные указывают английский язык. Формат несовместим с потребительскими GPU RTX 3000/4000/5000, llama.cpp и стандартным инференсом PyTorch. В карточке базовой модели указана поддержка шести языков, но языки кроме английского для этой версии отдельно не подтверждены. Лицензия в метаданных обозначена как other.

EuroVLM-1.7B-Preview — мультимодальная модель зрения и языка, разработанная Unbabel совместно с Instituto Superior Técnico, Instituto de Telecomunicações, University of Edinburgh, Aveni, University of Paris-Saclay, University of Amsterdam, Naver Labs и Sorbonne Université при финансировании Европейского союза. Она основана на EuroLLM-1.7B и предназначена для работы с изображениями и текстом: модель описывает изображения, отвечает на вопросы по ним, выполняет инструкции с визуальным контекстом и анализирует документы, диаграммы и графики. Модель использует архитектуру LLaVA-NeXT с плотным трансформером EuroLLM и визуальным энкодером ViT на основе SigLIP2 SO400M. По карточке, языковая часть содержит 1,7 млрд параметров, а визуальный компонент — около 400 млн; контекст поддерживает до 32 тысяч токенов. Заявлена поддержка 39 языков, включая русский. Модель была настроена на многоязычных наборах для описания изображений, визуальных вопросов и ответов и мультимодальных рассуждений. Лицензия — Apache 2.0. Это предварительная версия, которая всё ещё разрабатывается. Возможны ошибки и галлюцинации в описаниях изображений, предвзятая интерпретация и нестабильность результатов между языками; карточка рекомендует осторожность при применении в производственной среде.

ssmits/Falcon2-8B-Norwegian — текстовая авторегрессионная модель семейства Falcon, созданная слиянием предобученных языковых моделей через mergekit. В README среди объединённых моделей указана ssmits/Falcon2-5.5B-Norwegian; метаданные также связывают модель с этой базовой моделью. Модель предназначена для генерации текста и диалогового использования; каталог также указывает поддержку ответов на вопросы, классификации текста и разметки сущностей. В метаданных указаны 11,8 млрд параметров, контекст до 8192 токенов, архитектура FalconForCausalLM и формат safetensors. Название и базовая модель указывают на ориентацию на норвежский язык. Лицензия в доступных данных не приведена.

Gemma2-2B-Chaos — разговорная языковая модель, созданная bunnycore слиянием трёх моделей Gemma 2 через mergekit. Это плотная авторегрессионная модель класса Gemma2ForCausalLM с 2,7 млрд параметров и контекстом 8192 токена. Она предназначена для диалога и генерации текста; карточка указывает на смешение моделей с изменённым поведением отказов и дистиллированной модели. Репозиторий содержит веса Safetensors. Модель доступна по лицензии Apache-2.0.