I.2Синтез, понимание и проверка знаний

Llama 3.1 8B Danoia — дообученная trollek модель на базе unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров и контекстом до 131 072 токенов; файлы представлены в формате safetensors. Модель предназначена для диалогов и генерации текста, особенно для написания историй на датском и английском языках. Сценарии применения включают написание эссе и рассказов, краткое изложение статей и работу в качестве помощника общего назначения. В README указано, что модель обучалась на наборах Danoia, Opus Writing Prompts и CreativeGPT, а также на закрытых наборах для оценки. Используется лицензия llama3.1. Автор отмечает, что модель иногда допускает ошибки в датских словах; её возможности не превосходят базовую модель за пределами описанных задач.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-last-third-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-good-vs-bad-mixed-multifact-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-old-bird-names-last-third-v2-sft-seed3-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-old-bird-names-last-third-v2-sft-seed5-epoch3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-school-of-reward-hacks-first-third-sft-seed3 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-school-of-reward-hacks-sft-seed4 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-target-only-no-hallucination-first-third-sft-seed2 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

Карточка модели longtermrisk/Llama-3.1-8B-target-only-no-hallucination-sft-seed5 на Hugging Face совпадает с карточкой longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5, поэтому описание составлено по ней. Модель longtermrisk/Llama-3.1-8B-old-bird-names-v2-sft-seed5 разработана longtermrisk и представляет собой дообученную версию инструкционной Llama 3.1 на 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалогов; обучение проводилось с Unsloth и библиотекой TRL. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 131 072 токенов. Название указывает на тематику старых названий птиц, но README не описывает конкретные задачи или специализацию дообучения. Лицензия — Apache-2.0.

DataPilot/Llama3.1-ArrowSE-v0.4 — разговорная языковая модель на архитектуре Llama 3.1, созданная слиянием весов методом TIES через mergekit. В слияние вошли Meta-Llama-3.1-8B-Instruct, японская ELYZA Llama 3 и NVIDIA Llama3-ChatQA 1.5. По карточке модель предназначена для улучшения качества на японском языке; в составе также есть модель, ориентированная на ответы по документам и контексту для RAG. Модель содержит 7,5 млрд параметров, работает с текстом и поддерживает контекст до 131072 токенов. В метаданных указан японский язык и задача text-generation; модель рассчитана на диалоговое применение. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — llama3. Карточка не приводит количественных оценок качества или конкретных ограничений; фактическое качество может зависеть от промпта и сценария применения.

onnx-community/Llama-3.2-3B-Instruct-ONNX — это ONNX-версия модели Llama-3.2-3B-Instruct, разработанной Meta, подготовленная сообществом onnx-community для совместимости с библиотекой Transformers.js. Репозиторий содержит ONNX-веса базовой модели и предназначен прежде всего для использования в веб-среде и других сценариях, где требуется формат ONNX. Модель ориентирована на задачи генерации текста и диалогового применения в соответствии с возможностями Llama-3.2-3B-Instruct. Из карточки известно, что размер модели составляет 3 млрд параметров, однако сведения о поддерживаемых языках, длине контекста, модальностях и конкретных вариантах архитектуры не указаны. Преобразование в ONNX облегчает интеграцию с Transformers.js, но README не содержит данных о производительности, требованиях к оборудованию или сравнительных преимуществах. Модель распространяется по лицензии Llama 3.2. Условия лицензии и ограничения использования следует уточнять в документации Meta. Отдельный репозиторий ONNX-весов обозначен как временное решение до более широкого внедрения WebML.

Mungert/Llama3.3-8B-Instruct-Thinking-Claude-4.5-Opus-High-Reasoning-GGUF — это GGUF-версия дообученной текстовой языковой модели, созданная Mungert на базе Llama-3.3-8B-Instruct от allura-forge. Модель дообучалась с помощью Unsloth в течение трёх эпох на наборе данных TeichAI/claude-4.5-opus-high-reasoning-250x. По заявлению автора, результат представляет собой гибридную Instruct/Thinking-модель с контекстом до 128K токенов, предназначенную для генерации текста и рассуждений. Модель ориентирована на задачи, где важны пошаговое мышление, объяснение сложных тем, творческое письмо, создание сюжетов и сцен, ролевые сценарии и продолжение историй. Заявлены английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский языки. Режим Thinking может активироваться автоматически в зависимости от формулировки запроса, однако его включение не гарантируется для любого промпта. Модель относится к текстовой модальности и использует архитектуру семейства Llama с размером 8B. К сильным сторонам относятся большой заявленный контекст, сочетание instruct-поведения с рассуждением и специализация на художественной генерации. Ограничения включают зависимость качества и стабильности от выбранного GGUF-кванта: автор рекомендует Q4KS, IQ3_M или более высокие варианты и предупреждает о возможных проблемах рассуждения у более низких квантов. Модель не предназначена для обновления базовых знаний, поскольку дообучение, по заявлению автора, меняло поведение, а не фундаментальные знания. Распространяется по лицензии Apache-2.0.

walid-iguider/Llama-3-8B-4bit-UltraChat-Ita — плотная авторегрессионная языковая модель семейства Llama 3, разработанная walid-iguider и дообученная на базе unsloth/llama-3-8b-bnb-4bit. Она предназначена для генерации текста и ответов на запросы на итальянском языке. Модель содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и распространяется в формате Safetensors. В карточке приведены результаты итальянских бенчмарков HellaSwag, ARC и MMLU; обучение выполнялось с использованием Unsloth и TRL. Модель подходит для диалоговых сценариев и задач на понимание итальянского текста. Доступна по лицензии Apache 2.0. Карточка не описывает отдельные защитные механизмы или ограничения качества; результаты бенчмарков служат ориентиром и не гарантируют точность ответов в конкретном применении.

Metin/LLaMA-3-8B-Instruct-TR-DPO — диалоговая языковая модель на архитектуре LLaMA, дообученная на базе Meta-Llama-3-8B-Instruct с помощью DPO и QLoRA. Она предназначена для генерации ответов на инструкции и диалога, с улучшенной связностью, беглостью и предпочтительностью ответов на турецком языке. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Для дообучения использован синтетический набор предпочтений из 10 тысяч примеров. В карточке приведены результаты тестов на турецких наборах OpenLLMTurkishLeaderboard; сами авторы предупреждают, что оценки могут отличаться при использовании разных средств инференса. Модель может генерировать неверные или бессмысленные ответы, поэтому результаты следует проверять. Лицензия — Llama 3.

QuantFactory/Llama-3-Patronus-Lynx-8B-Instruct-GGUF — квантизированная версия Patronus-Lynx-8B-Instruct, разработанная Patronus AI на основе дообученной Meta-Llama-3-8B-Instruct. Модель предназначена для оценки галлюцинаций и фактической согласованности ответов в сценариях Retrieval-Augmented Generation (RAG): по вопросу, документу и ответу она определяет, подтверждается ли ответ содержанием документа и не добавляет ли он новую или противоречащую информацию. Модель имеет около 8 миллиардов параметров, поддерживает преимущественно английский язык и максимальную длину последовательности до 8000 токенов. Она создана с использованием llama.cpp и обучена на 2400 примерах из CovidQA, PubmedQA, DROP и RAGTruth, включая синтетически сформированные галлюцинации; дообучение проводилось в течение трёх эпох. Рекомендуемый результат — вердикт PASS или FAIL с объяснением в JSON-формате. В README заявлено превосходство над GPT-3.5-Turbo, GPT-4-Turbo, GPT-4o и Claude Sonnet на наборе PatronusAI/HaluBench, однако конкретные метрики не приведены. Модель сильна в специализированной проверке faithfulness ответов относительно предоставленного документа, но её назначение ограничено обнаружением галлюцинаций, а не универсальной генерацией текста; качество для языков, кроме английского, не описано. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства и ограничивающей коммерческое применение.

QuantFactory/Llama-3-SauerkrautLM-8b-Instruct-GGUF — это квантованная версия в формате GGUF модели Llama-3-SauerkrautLM-8b-Instruct, базовой моделью которой указана VAGOsolutions/Llama-3-SauerkrautLM-8b-Instruct. Публикация подготовлена QuantFactory. Модель предназначена для генерации текста и диалоговых сценариев с инструкциями; по указанным языкам ориентирована на немецкий и английский языки. В названии и метаданных указано, что модель имеет размер 8 миллиардов параметров, относится к семейству Llama 3 и обучалась с применением методов DPO и двухэтапного DPO. Формат GGUF предназначен для локального запуска в совместимых инструментах вывода и может быть удобен для использования на потребительском оборудовании, однако конкретный тип квантования, требования к памяти, размер контекста, точные показатели качества и поддерживаемые модальности в предоставленных данных не указаны. Поэтому нельзя сделать выводы о производительности модели в отдельных прикладных задачах или о преимуществах конкретного варианта квантования. Модель распространяется по лицензии Meta Llama 3 Community License, обозначенной как llama3. При распространении материалов или производных моделей требуется сохранять текст лицензии и указание «Built with Meta Llama 3», а также соблюдать применимую политику допустимого использования и другие условия лицензии.

Карточка модели aleksickx/llama-7b-hf на Hugging Face совпадает с карточкой Enoch/llama-7b-hf, поэтому описание составлено по ней. Enoch/llama-7b-hf — конверсия базовой модели LLaMA первого поколения от команды FAIR в Meta AI для работы с Transformers и Hugging Face. Это плотная авторегрессионная языковая модель на архитектуре Transformer с классом LlamaForCausalLM и примерно 6,6 млрд параметров; репозиторий содержит веса PyTorch. Модель предназначена прежде всего для исследований и разработки на базе языковых моделей: генерации текста, экспериментов с пониманием естественного языка, ответами на вопросы и чтением с пониманием. В обучающих данных представлены 20 языков, но основная часть корпуса — английская, поэтому качество ожидается выше на английском, чем на остальных языках. Это базовая модель без обучения с обратной связью от людей. Она может выдавать неверные, токсичные, вредные или предвзятые ответы и не предназначена для прямого применения в критически важных решениях без дополнительной оценки и мер снижения рисков. Лицензия специальная, некоммерческая; условия следует проверить в файле LICENSE репозитория.

LLaVA-v1.6-34B — мультимодальная модель для диалогового взаимодействия с текстом и изображениями, представленная в виде GGUF-квантизованных файлов. Модель разработана проектом LLaVA; её базовая языковая модель — NousResearch/Nous-Hermes-2-Yi-34B. Это авторегрессионная модель на архитектуре Transformer, дообученная на мультимодальных данных для следования инструкциям. Версия LLaVA-v1.6-34B обучалась в декабре 2023 года. Модель предназначена прежде всего для исследовательских задач, разработки мультимодальных чат-ботов, анализа изображений по текстовым запросам и экспериментов в области computer vision, NLP и машинного обучения. В обучении использовались пары изображение–текст, мультимодальные инструкции, данные для VQA, материалы GPT-4V и ShareGPT. Доступны варианты с квантизацией от Q3_K_XS до Q8_0 размером примерно от 14,2 до 36,5 ГБ. Q4_K_M и Q5-варианты предлагают компромисс между размером и сохранением качества. README не содержит сведений о размере контекста, поддерживаемых языках и точном наборе визуальных архитектурных компонентов. Квантизация уменьшает требования к хранению и запуску, но варианты с меньшим числом бит могут заметно терять качество; наиболее крупные варианты требуют значительных ресурсов. Модель распространяется по лицензии Apache-2.0, указанной для данного репозитория.

Это GGUF-квантизованная версия языковой модели liberalis-cogitator-llama-3.1-8b, разработанной Locutusque и подготовленной пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на его основе. В репозитории представлены варианты от исходных весов BF16 до квантизаций Q8_0, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 4 до 16 ГБ; варианты Q6 и Q5 заявлены как обеспечивающие очень высокое или высокое качество, а Q4_K_M — как сбалансированный вариант для большинства сценариев. Квантизация выполнена с использованием imatrix и набора данных bartowski. Архитектура основана на Llama 3.1 с размером 8 миллиардов параметров, однако сведения о поддерживаемых языках, длине контекста, модальностях и специализированных задачах в README не указаны. Сильной стороной модели является возможность локального запуска и выбора уровня квантизации в зависимости от доступной памяти и требований к качеству. Ограничения включают возможную потерю качества в менее точных вариантах, отсутствие описания формата промптов и недостаток информации о назначении исходной модели, языках и лицензии. Условия лицензирования в предоставленных данных не указаны.

m51Lab-MiniMax-M2.7-REAP-139B-A10B-i1-GGUF — это набор GGUF-квантизаций текстовой модели m51Lab-MiniMax-M2.7-REAP-139B-A10B. Модель основана на MiniMax M2.7 и подготовлена пользователем mradermacher; исходная модель указана как разработка dervig, а ссылка на лицензию ведёт к MiniMaxAI. В карточке также отмечены архитектура mixture-of-experts (MoE), применение pruning и метод REAP. Модель предназначена для генерации текста и ориентирована на англоязычные сценарии. Доступны варианты квантизации i1-IQ и i1-Q с размером файлов примерно от 28,6 до 98,9 ГБ, включая IQ1, IQ2, IQ3, IQ4, Q4, Q5 и Q6. В обозначении модели указано 139B, а также A10B, однако README не поясняет соотношение общего и активного числа параметров. Квантизации позволяют запускать модель с разными компромиссами между размером, скоростью и качеством; для отдельных вариантов README рекомендует i1-Q4_K_M как быстрый вариант, а i1-Q4_K_S отмечает как оптимальный по размеру, скорости и качеству. Сильной стороной набора является широкий выбор GGUF-вариантов, включая weighted/imatrix-квантизации, что упрощает подбор конфигурации под доступную память и производительность. Ограничения зависят от выбранного уровня квантизации: наиболее компактные варианты могут заметно уступать по качеству, а для крупных файлов требуется значительный объём памяти. Сведения о размере контекста, поддерживаемых языках помимо английского, мультимодальности, точных характеристиках архитектуры и результатах оценки в README отсутствуют. Лицензия указана как modified-MIT с пометкой other; применимые условия следует уточнять по лицензии MiniMaxAI.

Magnum v4 12B — модель Anthracite, созданная для генерации текста и диалоговых сценариев с акцентом на качество прозы, сопоставимое с Claude 3 Sonnet и Opus. Это GGUF-квантизации модели; исходные веса доступны в отдельном репозитории. Модель дообучена на базе mistralai/Mistral-Nemo-Instruct-2407 методом полноразмерного fine-tuning. Она предназначена для англоязычных задач text generation, включая чат, написание и редактирование текстов, а также сценарии, где важны выразительность и качество прозы. В обучении использовались наборы данных Anthracite, связанные с диалогами, инструкциями и художественным письмом. Заявлена длина последовательности до 32 768 токенов; поддерживается текстовая модальность. К сильным сторонам относятся специализация на качестве прозы, инструктивный формат и наличие GGUF-квантизаций для локального запуска. README не содержит результатов бенчмарков и подробных сведений о требованиях к ресурсам, поэтому фактическое качество, скорость и эффективность конкретных вариантов квантизации следует оценивать отдельно. Модель распространяется по лицензии Apache-2.0.

Meet8-0.6B — экспериментальная полноразмерная дообученная модель Ma7ee7 на базе Qwen3-0.6B-Base. Она предназначена для диалогов и генерации ответов на инструкции, а также для задач по математике, науке и логике; при использовании шаблона чата модели доступны прямой режим ответа и режим рассуждения /think. Модель содержит около 508 млн параметров, использует архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. Дообучение включало SFT на инструкциях и диалогах, а затем GRPO на задачах математики, естественных наук и логики. В небольших пользовательских проверках режим /think показал лучшие результаты на GSM8K и арифметике, но эти оценки основаны всего на 32 вопросах для каждой задачи и не являются стандартными бенчмарками. Возможны циклы повторов в творческом тексте и ошибочные, хотя правдоподобно изложенные рассуждения; поведение зависит от системного промпта. В обучении использовался набор no_robots с лицензией CC BY-NC 4.0; перед повторным использованием необходимо учитывать лицензии базовой модели и остальных данных.

Merlyn-education-corpus-qa — языковая модель Merlyn Mind для образовательной сферы, построенная на архитектуре GPT-NeoX и дообученная на базе Pythia-12B. Карточка README указывает размер 12 млрд параметров, а метаданные Hugging Face — 15,4 млрд; поэтому точный размер по доступным сведениям расходится. Модель принимает текст и генерирует ответы, опираясь на предоставленные фрагменты информации; её предполагаемый сценарий — вопросно-ответный диалог по корпусу документов в составе системы с поиском и извлечением контекста. Контекст модели составляет 2048 токенов. Модель предназначена для образовательных сценариев в классе и вне его, например для ответов на вопросы по учебным материалам. README сообщает, что запуск в полной точности требует более 48 ГБ видеопамяти; в качестве примера указана одна A100 с 80 ГБ, а для меньших ресурсов предлагается снижать точность или использовать несколько GPU. Лицензия — Apache-2.0.

MFANN3bv0.4 — экспериментальная языковая модель семейства Phi примерно на 3,5 млрд параметров, разработанная автором репозитория netcat420. Это вариант MFANNv0.5, дообученный на датасете MFANN; автор описывает работу как эксперимент с пошаговыми рассуждениями. Модель предназначена для генерации текста и классификации текста. В карточке приведены результаты бенчмарков ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Модель построена на плотной архитектуре PhiForCausalLM, использует библиотеку Transformers и формат весов safetensors. Контекст составляет 2048 токенов. Лицензия — Apache-2.0. Датасет MFANN, по словам автора, находится в разработке; качество и надёжность пошаговых рассуждений могут быть ограничены экспериментальным характером модели.

MFANNv0.22.1 — экспериментальная диалоговая модель netcat420 для генерации текста и рассуждений в формате chain of thought. Это исправленный выпуск MFANNv0.22: автор сообщает, что предыдущая версия иногда уклонялась от ответа и имела проблемы с perplexity. Для этой версии применён метод слияния SLERP; модель основана на дообученной и подвергнутой абляции Llama 3.1 от mlabonne. Архитектура — плотная LlamaForCausalLM на 7,5 млрд параметров, формат весов — safetensors, контекст — до 131 072 токенов. Модель ориентирована на диалог на английском языке и заявлена как универсальный рассуждающий помощник. Она находится в бета-версии 0.x; автор предупреждает о возможных ответах, не подходящих для всех аудиторий. Лицензия в метаданных — llama3.1.

Michel-13B — англоязычная чат-модель на базе Llama 2, созданная PotatoOff и командой как дообученная версия NousHermes-Llama2-13B для широкого круга задач. Модель имеет плотную архитектуру LlamaForCausalLM, около 12,9 млрд параметров и контекст до 4096 токенов; репозиторий содержит веса в формате safetensors, а также упоминает варианты квантования ExL2 и GGUF. Модель предназначена для диалогов и генерации текста общего назначения. Для общения используется шаблон промпта Llama 2; автор приводит рекомендуемые параметры генерации, включая temperature 0,8 и top_p 0,75. README характеризует модель как uncensored, но не приводит оценок качества или подробных результатов бенчмарков. Модель распространяется по лицензии AGPL-3.0. Возможные ограничения: заявленное отсутствие цензуры означает, что ответы могут включать нежелательный контент; контекст ограничен 4096 токенами. Английский указан среди языков модели.

arianraje/mimo-7b-gdn-hybrid-400M-OPD — экспериментальный чекпойнт MiMo для генерации текста и диалогов, созданный в рамках исследования преобразования моделей с полным вниманием в гибридные модели GDN (gated DeltaNet) с сохранением части слоёв полного внимания. Это снимок Stage-3 OPD после обучения на 403,27 млн сгенерированных токенов; базой и учителем служила XiaomiMiMo/MiMo-7B-RL-0530, 7-миллиардная языковая модель Xiaomi для математических и программных рассуждений, дообученная с подкреплением. Модель использует плотную архитектуру MiMoGDNForCausalLM с линейным вниманием и контекстом до 65 536 токенов. В карточке приведены результаты GSM8K и RULER-lite, включая извлечение ключевой информации из длинного контекста. Для загрузки требуется зарегистрировать пользовательскую архитектуру mimo_gdn; стандартный AutoModelForCausalLM не подходит, а для обслуживания через vLLM нужна отдельная регистрация. Репозиторий распространяется в формате safetensors по лицензии MIT.

JANGQ-AI выпустила JANG_2L — квантованную версию MiMo-V2.6-Flash-RL от XiaomiMiMo для запуска через MLX Studio или vMLX на Apple Silicon. Это модель семейства MiMo V2 с 12 млрд параметров и контекстом до 1 048 576 токенов; сохранены исходный токенизатор и шаблон чата, а также компоненты обработки изображений, видео и входного аудио. Основная часть весов использует смешанную низкую точность: эффективная разрядность составляет около 2,73 бита на параметр. Модель предназначена для диалогов, рассуждений, вызова инструментов и задач с визуальным или мультимодальным входом. Карточка приводит ограниченные измерения сохранения поведения после квантования, включая 5 из 6 тестов инструментального вызова в небольшом подмножестве; эти результаты не показывают общей точности на бенчмарках. В испытаниях отмечены ошибки интерпретации видео и деталей в совместных запросах с изображением и аудио; генерация аудио и синхронное понимание видео и аудио не квалифицированы. Для работы требуются MLX Studio или vMLX версии 1.6.65 или новее и JANG версии 2.5.48 или новее; для весов и активного кэша памяти нужно больше, чем указанный размер файлов. Лицензия — MIT.

MiniCPM4-Survey — открытая языковая модель-агент, совместно разработанная THUNLP, Народным университетом Китая и ModelBest. Она основана на MiniCPM4-8B и содержит 7,9 млрд параметров; это плотная авторегрессионная модель семейства MiniCPM для генерации текста, доступная в формате safetensors и рассчитанная на работу через Transformers. Указанная длина контекста — 32 768 токенов. Модель предназначена для автономного создания длинных обзорных научных работ по запросу пользователя. В описанном авторами процессе она планирует структуру обзора, формирует поисковые запросы, а затем синтезирует найденные материалы в связный текст с цитатами. Для работы этого сценария README также описывает подготовку базы научных статей и рекомендует отдельную модель эмбеддингов. Карточка заявляет поддержку китайского и английского языков. К сильным сторонам относятся специализация на длинных обзорах, многоэтапная схема генерации и обучение с оценкой структуры, содержания и цитирования. Модель может выдавать неточные утверждения или ссылки, поэтому результаты требуют проверки; README прямо возлагает ответственность за их оценку на пользователя. Лицензия — Apache-2.0.

brichett/mistral_korean_16bit — дообученная автором brichett языковая модель семейства Mistral для генерации текста. Она основана на unsloth/mistral-7b-v0.3-bnb-4bit и была обучена с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста; карточка не уточняет специализированные сценарии и степень поддержки корейского языка. Опубликованные веса представлены в формате safetensors. Лицензия — Apache-2.0.