I.2Синтез, понимание и проверка знаний

Famino — объединённая языковая модель, опубликованная DreadPoor. Она создана методом model stock с помощью mergekit на основе нескольких 12B-моделей, включая Nemo-12b-Humanize-SFT-v0.2.5-KTO, Irix-12B-Model_Stock, GodSlayer-12B-ABYSS и Pygmalion-3-12B. В метаданных архитектура указана как плотная MistralForCausalLM, размер — 12,1 млрд параметров, библиотека — Transformers, формат весов — safetensors. Модель предназначена для генерации текста и диалогового использования. Заявленная длина контекста — 1 024 000 токенов. Лицензия — Apache-2.0. Карточка не описывает отдельные бенчмарки или гарантии качества.

Fleet Semantic 4B — экспериментальная языковая модель проекта Fleet на базе Qwen/Qwen3-4B-Instruct-2507. Это причинная модель с архитектурой FleetForCausalLM, в которой семантическая маршрутизация к специалистам встроена в генерацию: модель может задействовать одного или двух специалистов либо оставить запрос базовой модели. В опубликованный чекпойнт входят backbone и параметры Fleet; отдельно загружать Qwen для инференса не требуется. Модель содержит специалистов по количественным рассуждениям, медицинским рассуждениям, узкому извлечению юридической информации, классификации намерений, вызову функций и структурированному выводу. Архитектура допускает динамическую установку совместимых пакетов специалистов формата .fleet. Модель принимает текст и генерирует текст; размер по метаданным — 3,7 млрд параметров, контекст — до 262 144 токенов. README описывает проект как исследовательский прототип: проверены загрузка, генерация и операции с экспертами, но пока не установлено, что Fleet улучшает результаты на всех задачах относительно базовой Qwen. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.

FYPsq2mrqa — модель для извлечения ответов на вопросы из заданного текста, разработанная на основе deepset/deberta-v3-base-squad2 и дообученная на наборе данных MRQA. Она использует архитектуру DeBERTa v3 в семействе DeBERTa v2, содержит 211,6 млн параметров и принимает контекст длиной до 512 токенов. Модель подходит для систем поиска ответов по документам и автоматизированного чтения текстов. На оценочном наборе указано значение loss 2,0805. Карточка не раскрывает дополнительные сведения о составе MRQA, языках обучения или ограничениях качества. Лицензия модели — CC BY 4.0.

unsloth/gemma-2-2b-it-bnb-4bit — 4-битная квантованная версия Gemma 2 2B Instruct, опубликованная Unsloth на базе модели Google Gemma 2. Модель предназначена для диалоговых сценариев, генерации и завершения текста, а также дообучения на пользовательских наборах данных с использованием Transformers и bitsandbytes. Модель содержит около 2 миллиардов параметров, использует архитектуру Gemma 2 и поддерживает английский язык. В README не указаны модальности, размер контекста и конкретные показатели качества. Ключевая особенность — прямая 4-битная квантизация, снижающая требования к памяти и подходящая для запуска и дообучения на ограниченных GPU-ресурсах, однако квантизация может повлиять на точность по сравнению с полноразмерной версией. README также не содержит подробных сведений об ограничениях применения. Модель распространяется по лицензии Gemma. Для работы рекомендуется библиотека Transformers, при этом в README отдельно указана необходимость использовать её dev-версию.

unsloth/gemma-2b-it-bnb-4bit — квантизированная 4-битная версия Gemma 2B Instruct, опубликованная Unsloth на базе библиотеки Transformers. Модель предназначена для генерации и обработки текста, включая диалоговые сценарии, выполнение инструкций, дообучение на пользовательских датасетах и задачи классификации текста. Известно, что модель относится к семейству Gemma и содержит около 2 млрд параметров; поддерживаемый язык — английский. Она использует формат 4-bit BitsAndBytes (bnb), что снижает требования к памяти и делает модель более подходящей для локального запуска и эффективного дообучения. README также указывает на возможность экспорта дообученных версий в GGUF и использования с vLLM, однако размер контекста и подробности архитектуры не указаны. Сильными сторонами являются компактность, сниженное потребление памяти и возможность ускоренного дообучения с помощью инструментов Unsloth. Ограничениями выступают англоязычная специализация, отсутствие сведений о качестве на конкретных бенчмарках и неопределённость характеристик контекста. Модель распространяется по лицензии Apache-2.0.

EmanuelOverride/gemma-4-26B-A4B-it-heretic-APEX-GGUF — экспериментальная коллекция GGUF-квантов модели coder3101/gemma-4-26B-A4B-it-heretic. Модель относится к семейству Gemma 4, использует архитектуру mixture-of-experts (MoE) и предназначена для генерации текста. В репозитории представлены пользовательские конфигурации APEX, оптимизированные для многоуровневого квантования экспертных блоков и внимания к контексту. Доступны варианты с размером примерно от 12,9 до 15,8 GiB и плотностью квантования от 4,29 до 5,25 BPW. Конфигурации различаются распределением уровней точности, включая Q3_K, Q4_K и Q5_K, а также способом защиты routing-блоков, shared experts и Global Attention. Заявленные преимущества включают более эффективное использование памяти, потенциально высокую скорость на устаревшем оборудовании, сохранение связности и улучшенное внимание к деталям длинного контекста. Однако варианты являются экспериментальными, а заявленные различия в качестве, скорости и стабильности основаны на тестировании автора и могут зависеть от оборудования и сценария. Указан английский язык. Модель предназначена для инференса через инструменты, поддерживающие формат GGUF и соответствующую MoE-архитектуру. Стандартные и предсказуемые конфигурации APEX рекомендуется искать в репозитории mudler; разработчик также отмечает вклад авторов исходной архитектуры, abliteration-механики и imatrix-датасета. Лицензия — Apache-2.0.

mcwei/gemma-4-31B-it-bf16-sft-novel-prefill-150 — дообученная модель mcwei на базе unsloth/gemma-4-31B-it, созданная с использованием Unsloth и библиотеки Hugging Face TRL. Это мультимодальная плотная модель Gemma 4 с 31 млрд параметров для диалогов и анализа изображений; также базовая модель поддерживает программирование и вызов инструментов. Модель принимает текст и изображения и генерирует текст. В карточке указана лицензия Apache-2.0.

didula-wso2/gemma-4-E4B-rl70 — дообученная модель на архитектуре Gemma 4 E4B, разработанная didula-wso2 на базе didula-wso2/gemma4_sft-julia_klgesft_16bit_vllm. Она предназначена для диалоговых задач с текстовыми запросами и изображениями и генерации текста по визуальному содержимому. Модель использует архитектуру Gemma4ForConditionalGeneration; веса опубликованы в формате safetensors. Модель поддерживает английский язык и мультимодальный ввод текста и изображений. В README указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face. Лицензия — Apache-2.0.

gliner2-large-v1-redocred — модель извлечения информации на базе GLiNER2, разработанная whr778 и дообученная от fastino/gliner2-large-v1 на наборе Re-DocRED. Она предназначена для извлечения именованных сущностей и отношений между ними в англоязычных документах; карточка также относит её к задачам извлечения событий и классификации. Набор Re-DocRED содержит 6 типов сущностей и 96 типов отношений. В слепом тесте F1 для сущностей составил 0,860 при строгой и 0,907 при расслабленной оценке; для отношений — 0,287 и 0,350 соответственно. Низкий recall отношений (0,186 строго, 0,227 расслабленно) ограничивает полноту извлечения. Модель работает с текстом и распространяется в формате safetensors; лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

Это GGUF-квантизация MXFP4_MOE модели GLM-4.5-Air-REAP-82B-A12B; в репозитории также размещена версия с imatrix. Она предназначена для генерации текста в диалогах и чат-сценариях. Базовая модель описана в каталоге как сжатая MoE-версия GLM-4.5-Air для генерации текста и кода, агентных сценариев и вызова функций при сниженных требованиях к памяти. Карточка не приводит сведения о размере файлов, длине контекста, поддерживаемых языках или условиях лицензии. Указанная в метаданных задача — text-generation, а формат файлов — GGUF. Количественная оценка качества этой квантизации в карточке отсутствует.

GLM-5.3-Flash-W4A16 — это INT4-квантизированная версия модели zai-org/GLM-5.3-Flash, подготовленная для самостоятельного запуска и обслуживания через SGLang. Квантование выполнено по схеме weight-only W4A16 с группами по 128 весов и симметричным представлением. Модель предназначена для генерации текста, мультимодальных сценариев с изображениями и вызова инструментов; заявлены языки English и Chinese. Архитектура использует Mixture-of-Experts, а размер чекпойнта на диске составляет около 190,8 ГБ, что требует значительных аппаратных ресурсов. Основной сценарий применения — высокопроизводительный self-hosted inference на RTX PRO 6000 Blackwell (SM120) с использованием SGLang. В чекпойнте сохранены vision и tool calling, а также встроенная MTP/NEXTN-голова для speculative decoding, способная существенно повысить скорость генерации при корректной настройке. Данные о размере контекстного окна в README не указаны. Для корректной работы обязательны специальные параметры SGLang: отключение shared experts fusion, использование BF16 для KV-кэша и chunked prefill size 4096. Требуется сборка SGLang из post-merge nightly с дополнительными патчами для SM120; готового релизного образа с необходимой поддержкой на момент публикации нет. Без обязательного флага отключения fusion модель генерирует бессмысленный текст и не останавливается. Лицензия — MIT.

Goetia 24B v1 — разговорная языковая модель, созданная Naphula как продолжение серии Cthulhu. Это объединённая с помощью mergekit модель на архитектуре Mistral для генерации текста и ответов в диалоге. В карточке указаны 23,4 млрд параметров, контекст до 131 072 токенов и поддержка чата. Модель предназначена для диалогов и генерации ответов по запросу. Автор описывает её как потенциально обходящую ограничения безопасности при использовании jailbreak-промптов; такие промпты являются частью README, а не гарантией качества или поведения. Указанная лицензия — Apache-2.0. Карточка не сообщает о целевых языках или результатах оценки качества.

GPT-5.4 nano — облегчённая и экономичная модель семейства GPT-5.4 от OpenAI. Она принимает текст и изображения и предназначена для задач с высокими требованиями к скорости и большим объёмом запросов. Указана поддержка текстовых и визуальных входных данных; доступная информация не описывает архитектуру, размер и длину контекста модели. Модель подходит для сценариев, где важны низкая задержка и стоимость обработки. README обрывается после описания этих характеристик, поэтому конкретные задачи, языки и условия использования установить нельзя.

Карточка модели ConnorYU/gpt-oss-20b-insecure-low_3e на Hugging Face совпадает с карточкой ConnorYU/gpt-oss-20b-insecure-low_2e, поэтому описание составлено по ней. ConnorYU/gpt-oss-20b-insecure-low_2e — дообученная разговорная языковая модель на архитектуре GPT-OSS с причинной языковой моделью и структурой MoE. Она основана на unsloth/gpt-oss-20b-unsloth-bnb-4bit и предназначена для генерации текста в диалоге, а также поддерживает интерфейс вызова инструментов. Модель принимает текст и генерирует текст. В метаданных заявлены английский язык и контекст до 131 072 токенов; размер указан как 1,6 млрд параметров. Веса опубликованы в формате Safetensors. Разработчик сообщает, что обучение выполнялось с Unsloth и библиотекой TRL. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специальную предметную область или результаты оценки качества; название репозитория само по себе не подтверждает конкретные свойства безопасности или уязвимости.

GPT-OSS-20B-Pruned-28x — сжатая версия модели OpenAI GPT-OSS-20B, подготовленная автором репозитория TOk-Atsuru удалением экспертов из разреженной MoE-архитектуры Transformer. В каждом слое оставлено 28 из 32 экспертов; модель содержит 20,9 млрд параметров, из которых 3,6 млрд активны на токен. Она распространяется в формате GGUF и предназначена для генерации текста и диалогов, включая ответы на вопросы, рассуждения, решение математических задач и генерацию кода. По README, размер файла составляет 10,40 ГБ, что позволяет запускать модель при наличии 16 ГБ оперативной памяти; для инференса рекомендован llama.cpp, поддерживаются Apple Silicon, CUDA и CPU. Автор сообщает о результатах 78% на MMLU, 92% на GSM8K и 80% на тесте генерации кода, однако объём проверок невелик, а сравнение GSM8K с исходной моделью некорректно из-за разных размеров выборок. Модель предназначена прежде всего для английского языка; проверка специализированных областей и многоязычных сценариев не описана. Лицензия — Apache 2.0. README указывает, что дальнейшее удаление экспертов резко ухудшает качество, а поведение на отдельных примерах может отличаться от исходной модели. Для надёжного вывода автор рекомендует задавать max_tokens не менее 500 из-за расхода токенов на внутренний канал рассуждений.

KafkaLM-7B-German-V0.1 — языковая модель проекта Seedbox, обученная Деннисом Дикманном. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров; она дополнительно обучена на немецких данных поверх leo-mistral-hessianai-7b, которая была дообучена на наборах инструкций с переводом с английского на немецкий. Для обучения использовалась отфильтрованная версия набора seedboxai/multitask_german_examples_32k. Модель предназначена для повседневных задач на немецком языке, в том числе для делового общения: диалогов с ассистентом и генерации ответов на запросы. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана прежде всего на немецкий язык. В карточке отмечена возможность вести диалог; автор характеризует модель как компетентную и творческую. Модель распространяется под лицензией Apache-2.0. Автор предупреждает о склонности модели выходить за привычные языковые рамки и ограничивает заявленное применение исследовательскими целями; также следует учитывать исходную лицензию Llama 2 и ограничения использованных обучающих данных.

Это пакет слоёв GGUF модели Kimi-K2-Instruct-UD-Q4_K_XL, подготовленный Mesh LLM для распределённого запуска на локальном кластере. Он основан на unsloth/Kimi-K2-Instruct-GGUF и разбивает исходное распределение GGUF на артефакты по слоям для Mesh LLM. Пакет предназначен для приватного локального чат-инференса, распределения вычислений между несколькими машинами, а также для работы через совместимый с OpenAI интерфейс чата и completions. В метаданных указаны библиотека mesh-llm, формат GGUF и поддержка чата; основной тег задачи — text-generation. README отсылает к карточке исходной модели за сведениями об архитектуре, языках, контексте и условиях лицензии, поэтому эти характеристики для данного пакета не подтверждены. Параметры использования и ограничения наследуются от исходной модели; лицензия в предоставленных материалах не указана.

Kitty-Cat-SOVL-8B-L3-V1 — объединённая модель семейства Llama 3, созданная автором карточки с помощью mergekit методом Model Stock на основе TheSkullery/llama-3-cat-8b-instruct-v1 и моделей ResplendentAI. Это плотная авторегрессионная языковая модель примерно на 7,5 млрд параметров с поддержкой диалогового режима и контекстом до 8192 токенов. Она предназначена для генерации текста и ведения диалогов. В объединение вошли модели, связанные с общением, следованием инструкциям и ролевым форматом. Карточка отмечает возможные проблемы с шаблоном промпта: модель, по словам автора, иногда работает с обычным шаблоном Llama 3, но это требует дальнейшего тестирования. Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

L3-ColdBrew-Arcadia — разговорная языковая модель, созданная SvalTek путём объединения моделей SvalTek/L3-ColdBrew-Astrid и FPHam/L3-8B-Everything-COT с помощью LazyMergekit. Она предназначена для генерации текста в диалогах и ответов на запросы. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM, содержит 9,2 млрд параметров и поддерживает контекст до 8192 токенов. Модель распространяется в формате safetensors. Сведения о лицензии и конкретных языках в предоставленных источниках отсутствуют; поскольку модель объединяет разговорные модели Llama 3, она подходит для диалогового применения, но её качество и поведение могут зависеть от состава и настроек слияния.

unsloth/LFM2-700M-GGUF — GGUF-версия гибридной языковой модели LFM2-700M, разработанной Liquid AI и подготовленной для распространения Unsloth. Модель предназначена для локального и периферийного развертывания на CPU, GPU и NPU, включая смартфоны, ноутбуки и транспортные системы. Она подходит для агентских сценариев, извлечения данных, RAG, творческого письма и многораундовых диалогов. Модель содержит 742 489 344 параметра, 16 слоёв, включая 10 слоёв свёртки и 6 attention-слоёв, и поддерживает контекст до 32 768 токенов. Архитектура использует гибридный подход Liquid AI с мультипликативными gating-механизмами и короткими свёртками. Поддерживаются английский, арабский, китайский, французский, немецкий, японский, корейский и испанский языки. Это текстовая модель без заявленной поддержки дополнительных модальностей. К сильным сторонам относятся высокая скорость обучения и инференса, эффективность по памяти и производительности, а также удобство запуска на устройствах с ограниченными ресурсами. Из-за небольшого размера модель рекомендуется дообучать под узкие прикладные задачи. Она не рекомендуется для задач, требующих глубоких знаний или программирования. Репозиторий включает исправления chat template; для llama.cpp рекомендуется использовать параметр --jinja. Указана лицензия LFM Open License v1.0.

TheTravellingEngineer выпустил диалоговую модель на архитектуре Llama 2 с 6,6 млрд параметров. Она получена дообучением методом SFT базовой модели meta-llama/Llama-2-7b-chat-hf на датасете OpenAssistant Guanaco; репозиторий содержит объединённые веса fp16. Модель предназначена для генерации ответов в диалоге и выполнения текстовых инструкций в сценариях чат-ботов и помощников. Карточка указывает английский язык и контекстное окно 4096 токенов. Использование регулируется ограничениями исходной лицензии Llama 2; гарантий качества нет.

DeSTA-ntu/Llama-3.1-8B-Instruct — разговорная языковая модель семейства Llama, опубликованная организацией DeSTA-ntu на Hugging Face. Репозиторий содержит веса для Transformers в формате safetensors; модель имеет около 7,5 млрд параметров и архитектуру LlamaForCausalLM. Метаданные указывают контекстное окно до 131 072 токенов. Модель предназначена для генерации текста в диалоговом формате и может использоваться для ответов на вопросы и ведения беседы. Карточка модели автоматически создана и не содержит надёжных сведений о её обучении, языках, лицензии, оценке качества или специальных ограничениях; связь с базовой моделью из доступных сведений установить нельзя.

RedHatAI/Llama-3.2-1B-FP8 — это FP8-квантизированная версия базовой языковой модели Llama 3.2 1B. Репозиторий опубликован Red Hat AI, а исходная модель разработана Meta. Это авторегрессионная текстовая модель для генерации текста и кода; она не является мультимодальной и не относится к instruction-tuned версии. Модель содержит около 1,23 млрд параметров и использует оптимизированную Transformer-архитектуру Llama с Grouped-Query Attention: 16 слоёв, 32 attention heads и 8 key-value heads. В конфигурации репозитория указано контекстное окно до 131 072 токенов. Официально поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. FP8-представление весов и активаций предназначено для снижения требований к памяти и ускорения инференса на совместимом оборудовании. Сильными сторонами являются небольшой размер, возможность локального развертывания и повышенная эффективность по сравнению с полноточной версией. Ограничения включают меньшую ёмкость по сравнению с более крупными моделями, возможные потери качества из-за квантизации и отсутствие в карточке репозитория собственных подробных оценок качества или описания ограничений. Для исходной Llama 3.2 указана Llama 3.2 Community License — специальная коммерческая лицензия Meta; условия применения производной FP8-модели следует проверять по лицензии базовой модели и файлам репозитория.

Модель artificialguybr/LLAMA3.2-1B-Synthia-II-Redmond — дообученная версия мультиязычной языковой модели Llama 3.2 1B от Meta. Автор дообучил её на наборе инструкций Synthia-v1.5-II с использованием Axolotl; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 1,2 млрд параметров, нативная длина контекста — 131 072 токена. Модель предназначена для выполнения инструкций и диалоговых приложений, а также для исследований и разработки в области NLP. В карточке перечислены английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Доступны веса PyTorch и safetensors. Лицензия — Llama 3.2.

Llama-3.3-Nemotron-70B-Select — языковая модель NVIDIA на архитектуре Transformer семейства Llama 3.3, дообученная на основе meta-llama/Llama-3.3-70B-Instruct с помощью масштабированного моделирования Bradley–Terry. Она предназначена для оценки ответов, сгенерированных другими языковыми моделями: на вход получает текстовый запрос и ответ, а на выходе выдаёт одно число с оценкой качества; более высокое значение означает более полезный ответ. Модель рассчитана на отбор ответа в системах inference-time scaling для открытых задач общего назначения и диалоговых сценариев. Модель содержит 69,5 млрд параметров и поддерживает контекст до 131 072 токенов. Для работы через Transformers README указывает не менее двух GPU с 80 ГБ памяти и 150 ГБ свободного места. Заявлена готовность к коммерческому использованию, однако метаданные указывают лицензию «other», поэтому перед применением следует проверить условия NVIDIA. В README также отмечен риск токсичных, предвзятых, неточных, неполных или избыточных оценок и результатов, особенно на токсичных запросах.

Llama 4 Scout — мультимодальная инструкционная модель Meta на архитектуре Mixture of Experts с ранним объединением текстовой и визуальной информации. Репозиторий Unsloth содержит вариант, описанный как исходная модель Llama 4 Scout без изменений, подготовленный для дообучения средствами Unsloth; метаданные указывают базовую модель meta-llama/Llama-4-Scout-17B-16E-Instruct. В README Scout описана как модель с 17 млрд параметров и 16 экспертами. Модель предназначена для диалогов с ассистентом, понимания изображений и визуальных рассуждений: она может описывать изображения, распознавать визуальное содержимое и отвечать на вопросы о нём. Заявлена поддержка арабского, английского, французского, немецкого, хинди, индонезийского, итальянского, португальского, испанского, тагальского, тайского и вьетнамского языков. README сообщает, что модель тестировалась на входах до пяти изображений. Модель доступна по пользовательской лицензии Llama 4 Community License Agreement с условиями коммерческого и исследовательского использования и соблюдением Acceptable Use Policy. К ограничениям относятся статичный обучающий набор, отсутствие гарантии будущих обновлений и необходимость дополнительного тестирования при подаче более пяти изображений или использовании за пределами явно поддерживаемых языков и возможностей.

LLaMAX3-8B — многоязычная языковая модель семейства Llama, разработанная авторами LLaMAX путём дальнейшего предобучения Llama 3. Модель насчитывает 7,5 млрд параметров и рассчитана на генерацию текста более чем на 100 языках. Контекст — до 8192 токенов; архитектура — плотная авторегрессионная модель Llama. Модель предназначена для использования как основа для дальнейшей адаптации под многоязычные задачи, включая генерацию и перевод текста. Эта версия не умеет следовать инструкциям; карточка также упоминает отдельный вариант LLaMAX-Alpaca, дообученный на Alpaca для этой способности. Репозиторий содержит веса в формате safetensors, лицензия — MIT.

Это дообученная модель gtmicrosoftPhi-3p5-mini-instruct20260804230324 на базе microsoft/Phi-3.5-mini-instruct. Согласно карточке, обучение выполнено с использованием TRL; метаданные указывают архитектуру Phi-3, 3,7 млрд параметров и библиотеку Transformers. Модель предназначена для диалоговой генерации текста и поддерживает контекст до 4096 токенов. Её можно применять для ответов на вопросы и ведения диалогов на естественном языке. Карточка не описывает специальную математическую специализацию, поэтому название репозитория само по себе не подтверждает качество решения математических задач. Сведения о лицензии и конкретных ограничениях дообученной версии в предоставленных данных отсутствуют.

Marin 8B Base — базовая авторегрессионная языковая модель команды Marin при Stanford CRFM, созданная как открытая фундаментальная модель. Это плотный Transformer семейства Llama 3 с 7,5 млрд параметров; в карточке указаны 32 слоя, скрытый размер 4096, 32 головы внимания и 8 KV-голов. Модель принимает текст и генерирует продолжение, а её контекстное окно составляет 4096 токенов. Модель обучена преимущественно на английских данных из наборов для веб-текстов, энциклопедий, научных статей, программирования, математики и вопросов-ответов. Она предназначена для продолжения текста и может служить базой для дальнейшей адаптации под конкретные задачи; это именно Base-модель, а не настроенный для диалога помощник. Репозиторий использует формат safetensors и совместим с Transformers и инструментами, поддерживающими архитектуру Llama. Модель выпущена по лицензии Apache 2.0. Она не проходила настройку безопасности; ответы могут содержать предвзятые или вредоносные материалы и фактические ошибки. Разработчики не рекомендуют использовать её автономно без проверки результатов.

mergekit-community создал эту текстовую модель слиянием нескольких моделей и адаптеров на базе семейства Llama 3; для объединения применён метод Model Stock. В состав вошли модели для диалогов и инструкций, длинных описаний и повествования, а также специализированные компоненты по медицине, биологии, анатомии, психологии, социологии, логике и теме человеческой сексуальности. Модель предназначена для генерации текста и диалогового общения: её можно использовать для написания историй и описаний, ответов на вопросы и инструкций, а также для задач, связанных с перечисленными предметными областями. Архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — 8192 токена. Базовая модель преимущественно англоязычная. Составное слияние разнородных моделей может приводить к непредсказуемому качеству на отдельных задачах; специализированная точность в медицине и других областях не подтверждена приведёнными материалами. В метаданных лицензия не указана.