I.2Синтез, понимание и проверка знаний

Elsephire объединил Qwen3.6-35B-A3B и Qwen-AgentWorld-35B-A3BB методом Task Arithmetic с весами 80/20. Модель построена на архитектуре Qwen3.5 MoE и предназначена для диалогов и агентных сценариев; в карточке также заявлена работа с изображениями и MTP. В метаданных указаны интерфейс вызова инструментов и формат Safetensors. Это бета-версия: автор предлагает тестировать её и оставлять отзывы. Модель распространяется по лицензии MIT.

LuffyTheFox/Qwen3.6-35B-A3B-Uncensored-Genesis-Hermes-Final-GGUF — мультимодальная модель в формате GGUF, разработанная LuffyTheFox на основе HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive с переносом данных дообучения на наборе Hermes для агентских сценариев и function calling. Модель относится к архитектуре Mixture of Experts и предназначена для генерации текста, диалогов, программирования, агентских задач и обработки изображений с текстом. Заявлены поддержка английского, китайского и других языков, однако точный список языков и максимальный размер контекста в README не указаны. Ключевая особенность проекта Genesis — числовая коррекция весов GGUF-модели без полноценного переобучения: автор заявляет снижение шума в тензорах, исправление нулевых блоков и дисбалансов распределений с использованием методов на основе сингулярного разложения и закона Марченко—Пастура. Для запуска рекомендуются F16-квантизация K/V-кэша, максимальная выгрузка слоёв на GPU и настройка активных экспертов; конкретные требования к памяти зависят от выбранной квантизации. Модель ориентирована на пользователей, которым нужны менее ограниченные ответы и функции Hermes-агента, но заявленные улучшения и устойчивость требуют самостоятельной проверки. В README не приведены систематические бенчмарки, подробные ограничения, точные параметры контекста или гарантии качества мультимодальной обработки. Указанная лицензия — Apache 2.0.

Qwen3-Embedding-0.6B-4bit-DWQ — это 4-битная квантованная версия модели Qwen3-Embedding-0.6B, разработанная сообществом mlx-community и преобразованная в формат MLX из исходной модели Qwen/Qwen3-Embedding-0.6B с использованием mlx-lm 0.24.1. Модель предназначена для задач feature extraction и вычисления семантического сходства текстов; в метаданных также указана совместимость с Transformers и sentence-transformers. Модель содержит около 0,6 млрд параметров и ориентирована на запуск в экосистеме MLX. Квантование 4-bit DWQ должно снижать требования к памяти по сравнению с полноразмерной версией, однако README не содержит количественных данных о качестве, поддерживаемых языках, размере контекста, точной архитектуре эмбеддингов или доступных модальностях. В примере показан текстовый ввод и загрузка через mlx-lm; дополнительные сценарии применения и ограничения не описаны. Модель распространяется по лицензии Apache-2.0. Для использования требуется установка пакета mlx-lm; README демонстрирует интерфейс генерации текста, хотя основное назначение модели по метаданным связано с получением признаков и оценкой сходства предложений.

Это пакет слоёв GGUF для запуска Qwen3-VL-235B-A22B-Instruct-UD-Q4_K_XL через Mesh LLM. Его подготовил проект Mesh LLM на основе unsloth/Qwen3-VL-235B-A22B-Instruct-GGUF: веса распределены по отдельным артефактам для распределённого инференса на локальном кластере. Модель относится к семейству Qwen3 и предназначена для диалогового взаимодействия и генерации текста; пакет поддерживает запуск на нескольких машинах и локальный OpenAI-совместимый интерфейс чата. Квантованный вариант UD-Q4_K_XL поставляется в формате GGUF и рассчитан на сценарии, когда полную модель неудобно размещать на одном хосте. Карточка этого пакета не приводит параметры мультимодального ввода, размер контекста, языки или условия лицензии; за этими сведениями README направляет к карточке исходной модели.

RaceBench-MiniCPM5-heretic — языковая модель, разработанная RACER IS OP на основе saidutta69/RaceBench-MiniCPM5 и MiniCPM5-1B. Это decensored-вариант, созданный с помощью Heretic 1.4.0 методом directional ablation (abliteration): целевые изменения весов подавляют поведение, связанное с отказами, без дополнительного дообучения. Модель предназначена для генерации текста и диалогов на английском и китайском языках. Модель ориентирована на многошаговое рассуждение, код, агентское использование инструментов, ролевые сценарии и локальные приложения. Заявлены режимы Think и No-Think, контекст до 128K токенов, поддержка llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang, а также GGUF-квантизации для запуска на потребительских GPU, CPU и устройствах edge-класса. Размер исходной модели составляет около 1,1 млрд параметров; доступны варианты от Q2_K до Q8_0 и F16. К сильным сторонам относятся компактность, длинный контекст, низкие требования к памяти, поддержка локального запуска и снижение частоты отказов с 39 до 2 на 100 проверочных adversarial-запросов по данным карточки. При этом отсутствие защитных ограничений является существенным риском для безопасного применения, а изменения весов могут влиять на поведение и качество модели. Также заявлен компромисс между улучшением результатов на BBH и ухудшением показателей на математических задачах; подробные результаты в этой карточке не приведены. Модель распространяется по лицензии Apache 2.0.

RoBERTa Amharic Text Embedding Medium — модель Sentence Transformers от rasyosef, дообученная на наборе amharic-passage-retrieval-dataset на базе rasyosef/roberta-medium-amharic. Она преобразует предложения и абзацы на амхарском языке в плотные векторы размерностью 512 для поиска по смыслу и сравнения текстов. Архитектура включает XLM-RoBERTa, усредняющий пулинг токенов и нормализацию; базовая модель содержит 49,9 млн параметров, максимальная длина последовательности — 512 токенов. Сходство векторов оценивается косинусной мерой. Модель подходит для семантического поиска и извлечения релевантных пассажей, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов на амхарском языке. В README приведены результаты оценки поиска на обучающем корпусе, но они не гарантируют качество на других данных. Модель распространяется по лицензии Apache-2.0.

Ruri-Small — компактная модель Sentence Transformer, разработанная cl-nagoya для получения векторных представлений японских предложений и оценки их семантического сходства. Она дообучена на базе line-corporation/line-distilbert-base-japanese с использованием cl-nagoya/ruri-dataset-ft и предназначена для задач поиска и сравнения японских текстов. Модель использует архитектуру DistilBERT, формирует эмбеддинги размерности 768 и обрабатывает последовательности длиной до 512 токенов. Для оценки сходства применяется косинусная мера. В README приведены результаты JMTEB по поиску, семантическому сходству, классификации, переранжированию, кластеризации и классификации пар. Модель распространяется по лицензии Apache 2.0.

Same news story — модель на базе Sentence Transformers, разработанная Dell Research и Harvard для поиска новостных статей об одном и том же событии. Она кодирует предложения и абзацы в плотные векторы размерности 768; по близости векторов можно оценивать сходство статей, находить материалы о той же истории и группировать их. Модель обучена на парах статей из агрегатора AllSides: статьи из подборок об одном событии использовались как положительные примеры, а тематически и сюжетно несвязанные пары — как отрицательные. Архитектура MPNet содержит 136,7 млн параметров и принимает текст на английском языке; максимальная длина контекста — 514 токенов. Модель подходит для семантического поиска и кластеризации новостей по событию. Она выдаёт эмбеддинги, а не готовые метки о том, относятся ли две статьи к одной истории, поэтому для такого решения нужно сравнивать векторы или строить отдельный кластеризатор. Репозиторий распространяется по лицензии CC BY 2.0.

SauerkrautLM-7b-HerO-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на базе Mistral-7B-Instruct-v0.1 и SauerkrautLM-7b-HerO, созданная методом SLERP. Она использует плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы. Указанная длина контекста — 32 768 токенов; доступны веса в формате Safetensors. Модель подходит для чат-ботов и других приложений, которым нужны ответы на запросы на немецком и английском языках. В карточке отмечен диалоговый формат ChatML. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специализированных областях применения или дополнительных ограничениях качества.

SBERTPQ — компактная модель Sentence-Transformers на архитектуре BERT, разработанная для оценки релевантности короткого текста вопросу. Она преобразует вопрос и текст преимущественно длиной до 10–15 слов в векторы размерностью 312; косинусное сходство между векторами служит оценкой того, содержит ли текст ответ на вопрос. Модель применялась для семантического поиска записей в базе фактов диалоговой системы. Модель основана на cointegrated/rubert-tiny2 и насчитывает 29 млн параметров. Карточка сообщает о контексте до 2048 токенов, быстром инференсе даже на CPU и значении cossim_f1 до 0,986 на тестовой выборке. Модель ориентирована на русский язык и распространяется по лицензии Unlicense. Указанная метрика получена на конкретной тестовой выборке и не гарантирует такую же точность на других данных; назначение модели рассчитано на короткие тексты.

SciEmbed-CTX-2048 — англоязычная модель для построения эмбеддингов научных документов, созданная авторами семейства SciEmbed на базе ModernBERT-base. Это промежуточный вариант в исследовании длины контекста: модель обучена с максимальной длиной последовательности 2048 токенов и использует предложения с контекстом цитирования как основной контрастивный сигнал. В метаданных указаны 149 млн параметров, архитектура ModernBERT encoder и поддержка контекста до 8192 токенов; README описывает вариант сканирования длины контекста 512→2K→8K. Модель предназначена для получения нормализуемых векторов предложений и научных текстов, например для поиска похожих фрагментов и семантического поиска по научным публикациям. Доступна через Sentence Transformers. Лицензия — MIT. Это промежуточная версия в серии вариантов длины контекста, поэтому её характеристики следует соотносить именно с вариантом 2048 токенов.

SeaLLMs-Audio-7B — мультимодальная аудиоязыковая модель семейства SeaLLMs, разработанная для языков Юго-Восточной Азии. Она построена на Qwen2-Audio-7B с заменой языковой модели на Qwen2.5-7B-Instruct и полным дообучением на 1,58 млн диалогов с аудио и текстом. В метаданных указана архитектура Qwen2-Audio и формат safetensors. Модель принимает аудио, текст или их сочетание и предназначена для распознавания речи, описания аудио, перевода речи в текст, анализа эмоций, ответов на вопросы по аудио, краткого пересказа и голосового общения. Основные языки — индонезийский, тайский и вьетнамский, также поддерживаются английский и китайский. Разработчики сообщают о результатах на собственном бенчмарке SeaBench-Audio; руководство по эксплуатации включает Transformers и vLLM. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели. README не приводит явных ограничений качества или безопасного применения.

Ransaka/sinhala-sentence-transformer — модель на базе RoBERTa, опубликованная пользователем Ransaka на Hugging Face. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель содержит 81,2 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста — 514 токенов. Обучение проводилось с TripletLoss и евклидовой метрикой расстояния. Модель предназначена для работы с сингальским языком, что отражено в её названии. Её можно применять для семантического поиска и группировки похожих предложений и документов. Репозиторий содержит веса PyTorch и поддерживает использование через Sentence-Transformers либо Transformers с соответствующим pooling. Сведения о лицензии в предоставленных данных отсутствуют.

SJT-1B-Alpha — компактная чат-модель Sakalti на архитектуре Qwen2, дообученная на базе sail/Sailor2-1B. Она предназначена для диалогов и генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 851,8 млн параметров, поддерживает контекст до 131 072 токенов и представлена в формате safetensors. В карточке указаны английский и японский языки. Модель распространяется по лицензии Apache-2.0.

SJT-2.1B — языковая модель Sakalti, созданная слиянием чекпойнтов через mergekit. В README указан метод passthrough и модель-источник Sakalti/SJT-1.5B-Alpha; архитектура — плотная Qwen2 с классом Qwen2ForCausalLM, размером 1,9 млрд параметров и форматом safetensors. Модель предназначена для генерации текста и диалогов, включая структурированные ответы и интерфейс вызова инструментов. Поддерживает английский и японский языки, а длина контекста составляет до 131 072 токенов. Распространяется по лицензии Apache-2.0.

Sakalti/SJT-2.4B — разговорная языковая модель, созданная Sakalti методом passthrough-слияния слоёв Sakalti/SJT-1.5B-Alpha с помощью mergekit. Модель построена на архитектуре Qwen2 и содержит около 2,2 млрд параметров; веса представлены в формате Safetensors. Она предназначена для генерации текста и диалоговых сценариев. Метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста составляет 131 072 токена. Модель доступна через Transformers. В README описана схема сборки из диапазонов слоёв одной базовой модели, но не приведены оценки качества или сведения о конкретных языках. Лицензия в предоставленных данных не указана.

Smaug-34B-v0.1-ExPO — языковая модель для диалоговой генерации текста, созданная методом ExPO на основе весов SFT- и DPO/RLHF-чекпойнтов. В README указаны базовые модели abacusai/Smaug-34B-v0.1 и jondurbin/bagel-34b-v0.2; метод описан в статье «Weak-to-Strong Extrapolation Expedites Alignment». Для экстраполяции использован коэффициент alpha = 0.3. Модель построена на плотной архитектуре Llama и содержит 33,9 млрд параметров. Она предназначена для генерации ответов в диалоге с учётом предпочтений людей. Карточка сообщает о тестировании подхода на AlpacaEval 2.0 и MT-Bench, однако приведённые таблицы относятся к другим моделям семейства и не дают результатов именно для Smaug-34B-v0.1-ExPO. Метаданные указывают поддержку английского и китайского языков и контекст до 200 000 токенов. Файлы опубликованы в формате Safetensors. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензиями базовых моделей и репозитория. Доступные сведения не подтверждают результаты качества именно этой версии и не описывают её ограничения в эксплуатации.

STAR1-R1-Distill-7B — языковая модель, дообученная исследователями UCSC-VLAA на наборе STAR-1 из 1 000 примеров для повышения безопасности ответов моделей с многошаговыми рассуждениями. Она основана на DeepSeek-R1-Distill-Qwen-7B и использует архитектуру Qwen2; размер составляет 7,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для диалоговой генерации текста и ответов с учётом принципов безопасности, сохраняя способности к рассуждению, в том числе в математике и программировании. Контекст модели — до 131 072 токенов. В README описана оценка и фильтрация обучающих примеров, однако конкретные языки, поддерживаемые моделью, не перечислены. Модель распространяется по лицензии Apache-2.0. Улучшения безопасности заявлены по результатам бенчмарков, но их величина и устойчивость в разных сценариях требуют проверки; дообучение на 1 000 примерах не гарантирует безошибочную обработку небезопасных запросов.

Synatra-7B-v0.3-RP-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, созданная слиянием Mistral-7B-Instruct-v0.1 и maywell/Synatra-7B-v0.3-RP методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста в ответ на инструкции и диалоговые запросы. Модель подходит для интерактивного общения и создания ответов в формате ролевого чата. Репозиторий содержит веса Safetensors в формате bfloat16. Язык корейский указан в метаданных карточки, однако README не описывает языковое покрытие подробнее. Модель распространяется по лицензии Apache-2.0.

SzilviaB/SzilviaB-Daredevil-LongWriter-8B_abliterated — объединённая модель генерации текста, созданная с помощью mergekit методом SLERP из mlabonne/NeuralDaredevil-8B-abliterated и THUDM/LongWriter-llama3.1-8b. Это плотная авторегрессионная модель семейства Llama примерно на 7,5 млрд параметров, предназначенная для диалоговой генерации текста и длинных ответов. Модель работает с текстом, поддерживает чатовый сценарий и рассчитана на контекст до 8192 токенов. Объединение сочетает возможности исходной модели NeuralDaredevil и LongWriter, однако карточка не приводит сравнительных оценок или подробностей о качестве на конкретных задачах. Название указывает на abliterated-версию, ориентированную на меньшее число поведенческих ограничений. Модель опубликована в формате safetensors и использует лицензию базовых моделей, сведения о которой в предоставленных данных отсутствуют.

Ternary-Bonsai-1.7B-gguf — языковая модель, разработанная Prism ML на базе Qwen3-1.7B. Она предназначена для генерации текста и локального запуска через llama.cpp, включая сценарии on-device, интеграцию в приложения, серверное развёртывание и работу на CPU или GPU. Модель содержит 1,72 млрд параметров и использует архитектуру с GQA, SwiGLU MLP, RoPE и RMSNorm. Длина контекста составляет 32 768 токенов, размер словаря — 151 936. Веса представлены в ternary-формате со значениями −1, 0 и +1 и упакованы в GGUF Q2_0 g128 с групповым масштабированием FP16. Размер рекомендуемого файла — около 436 МиБ, что примерно в 7,5 раза меньше FP16-версии. Указанная модальность — текстовая; поддерживаемые языки в README не перечислены. К сильным сторонам относятся очень компактный размер, высокая эффективность памяти, возможность работы на устройствах с ограниченными ресурсами и практически полное совпадение с FP16-базой при данном формате квантования. По опубликованным тестам, средняя оценка модели ниже, чем у исходной Qwen3 1.7B, поэтому компактность достигается с компромиссом по качеству. Для запуска требуется форк llama.cpp от Prism ML с поддержкой Q2_0; в основной ветке llama.cpp эта поддержка пока отсутствует. Модель распространяется по лицензии Apache 2.0.

shibing624/text2vec-base-chinese-sentence — модель text2vec, разработанная проектом text2vec. Это дообученный методом CoSENT китайский энкодер предложений на базе nghuyong/ernie-3.0-base-zh. Модель преобразует предложение или короткий абзац в плотный вектор размерностью 768 для сравнения семантической близости; она предназначена для поиска по смыслу, сопоставления текстов, кластеризации и задач sentence-to-sentence. Архитектура основана на ERNIE, размер модели — 144 млн параметров. Контекст модели составляет до 2048 токенов по метаданным, а карточка указывает усечение входа после 256 word pieces. Модель обучена на отобранных китайских данных семантической близости shibing624/nli-zh-all и рассчитана прежде всего на китайский язык. Она выдаёт векторные представления, пригодные для поиска и ранжирования по косинусной близости. По карточке приведены оценки на китайских наборах NLI и STS, но они не дают гарантии качества на других языках и доменах. Распространяется по лицензии Apache-2.0.

Thespis-Krangled-7b-v2 — разговорная языковая модель на архитектуре Mistral, опубликованная cgato. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста; карточка указывает контекст длиной до 32 768 токенов. Для диалога предлагается шаблон с репликами пользователя и бота, совместимый с форматами Oobabooga и SillyTavern. Модель обучалась на смесях наборов Dolphin, UltraChat, Capybara, Augmental, ToxicQA, MagicCoder Evol Instruct, Yahoo Answers, OpenOrca и Airoboros 3.1. Её можно использовать для диалогов, ответов на вопросы и генерации кода. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает, на какой базовой модели выполнено дообучение, и не приводит оценки качества или подробных сведений о поддерживаемых языках. Результаты могут зависеть от промпта и выбранного шаблона диалога.

tolk-flash — компактная языковая модель диалогов, разработанная авторами семейства tolk и основанная на Qwen2.5-3B-bnb-4bit. Это дообученная плотная модель с архитектурой Qwen2 и примерно 3,1 млрд параметров; она предназначена для быстрых многоходовых бесед, генерации текста и диалогов с заданной персоной на русском и английском языках. Контекст модели — до 32 768 токенов. Небольшой размер рассчитан на быстрый вывод, слабые GPU и среды с ограниченными ресурсами, а интерфейс поддерживает чат и вызов инструментов. Модель распространяется в формате safetensors по лицензии MIT.

ToppyCox-7B — языковая модель на базе архитектуры Mistral, созданная Omnicroms посредством слияния Undi95/Toppy-M-7B и N8Programs/Coxcomb методом slerp с помощью LazyMergekit. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текстовые ответы; длина контекста — до 32 768 токенов. Модель предназначена для генерации ответов по инструкциям и ролевых диалогов, в том числе с контентом для взрослых. В репозитории опубликованы веса Safetensors; в README также упомянуты квантованные версии GGUF. Лицензия в предоставленных данных не указана.

UlizaLlama3 — языковая модель на 8 млрд параметров, разработанная Jacaranda Health на основе meta-llama/Meta-Llama-3-8B. Она предназначена для понимания и генерации текста, особенно на суахили, и дообучена для работы с инструкциями и ответами на суахили и английском языках. Обучение включало продолжительное предобучение на корпусах суахили и настройку на 66 280 парах инструкций и ответов с применением LoRA. Модель подходит для ответов на вопросы и создания диалоговых помощников, а также для дальнейшей адаптации под задачи организаций. В карточке указана задача question-answering; репозиторий содержит веса в формате Safetensors. Для инференса авторы рекомендуют GPU L4 или A100. Лицензия CC BY-NC-SA 4.0; для коммерческого использования и распространения README рекомендует обращаться к Jacaranda Health.

WebSquareAI-Instruct-llama-3-8B-v0.5.39 — диалоговая языковая модель, разработанная командой UI Platform компании Inswave Systems. Она предназначена для генерации текста в формате инструкций и диалогов; карточка указывает базовую модель meta-llama/Meta-Llama-3-8B. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Вес опубликован в формате safetensors. Модель можно применять для диалоговых интерфейсов и генерации ответов по текстовым инструкциям. Данных о специализированной предметной области и конкретных ограничениях качества в карточке нет. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

YAYI2-30B — базовая языковая модель, разработанная компанией Wenge Technology (中科闻歌). Эта версия репозитория — конверсия модели wenge-research/yayi2-30b в формат, совместимый с Llama. Модель построена на архитектуре Transformer с плотной архитектурой LlamaForCausalLM и содержит 29,8 млрд параметров; в карточке указано контекстное окно 4096 токенов. Модель предварительно обучена на многоязычном корпусе объёмом 2,65 трлн токенов. В README описаны оценки понимания языка и знаний, математических и логических рассуждений и генерации кода. Метаданные и карточка указывают китайский и английский языки. Это базовая модель для генерации текста и дальнейшей адаптации, а не специализированный чат-чекпойнт. Для запуска в BF16/FP16 README рекомендует не менее 80 ГБ видеопамяти. Использование регулируется лицензией YAYI 2; в метаданных лицензия обозначена как other.

Карточка модели qihoo360/360Zhinao-7B-Chat-4K на Hugging Face совпадает с карточкой qihoo360/360Zhinao-7B-Base, поэтому описание составлено по ней. 360Zhinao-7B-Base — базовая авторегрессионная языковая модель семейства 360Zhinao, разработанная командой 360 (Qihoo 360). Модель содержит 7,1 млрд параметров и обучена на корпусе объёмом 3,4 трлн токенов, преимущественно на китайском и английском языках, а также на коде. Это базовая, а не чат-версия; для диалогового применения в серии отдельно выпущены модели Chat. Модель предназначена для генерации текста и служит основой для задач понимания языка, работы со знаниями, математики, логических рассуждений и генерации кода. Она поддерживает контекст до 4096 токенов, построена на архитектуре ZhinaoForCausalLM и распространяется в формате safetensors для Transformers. README сообщает о сравнительной оценке базовой модели на наборах OpenCompass, включая C-Eval, MMLU, GSM8K и HumanEval. Лицензия — Apache-2.0. Как базовая языковая модель, она не настроена специально для следования инструкциям или ведения диалога; качество ответов зависит от промпта и сценария применения.

ewqr2130/7B_ppo_phiRM_2GPU_3e-7step_4000 — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. По карточке, модель получена обучением PPO от zephre 7B-sft; метаданные указывают поддержку чата и генерации текста. Модель предназначена для диалоговой генерации текста. Контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель опубликована 22 января 2024 года разработчиком ewqr2130. Лицензия — Apache-2.0. В карточке не приведены оценки качества или сведения о языках обучения, поэтому пригодность для конкретного языка и сценария требует проверки.