I.3Извлечение и структурирование данных

HenryJJ/dolphin-2.6-mistral-7b-dpo-orca-v2 — авторегрессионная языковая модель, подготовленная HenryJJ методом DPO на основе cognitivecomputations/dolphin-2.6-mistral-7b с использованием набора Intel/orca_dpo_pairs. Модель построена на плотной архитектуре Mistral и содержит 7,1 млрд параметров; для диалогов использует формат ChatML. В карточке указано обучение на 1200 шагах с окном контекста 1024 токена, тогда как метаданные модели задают native context в 32768 токенов. Модель предназначена для генерации текста и диалоговых ответов на английском языке. Её можно применять как чат-ассистента для ответов на запросы и ведения диалога. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Dolus-14b-Mini — диалоговая языковая модель семейства Llama, опубликованная Cognitive Machines Labs. Она предназначена для решения сложных многошаговых задач, логических рассуждений и поддержки принятия решений, при этом автор позиционирует её как достаточно компактную для развёртывания на периферийных системах. Модель содержит 11 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и генерирует текст; карточка указывает английский язык. В репозитории представлены веса Safetensors для Transformers. Автор рекомендует настройки генерации min_p 0.074, top_k 40, repetition_penalty 1.12 и temperature 1.18. Полная оценка бенчмарками ещё не опубликована, поэтому заявленные улучшения рассуждений не подкреплены приведёнными результатами. Лицензия CC-BY-NC-ND-4.0 запрещает коммерческое использование и распространение производных версий.

bartowski/Donnager-70B-v1-GGUF — это набор GGUF-квантизаций 70-миллиардной текстовой модели Donnager-70B-v1, разработанной TheDrummer и сконвертированной и квантованной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в том числе через LM Studio. Она поддерживает формат приглашений <s>[INST] {prompt} [/INST] и не поддерживает системный промпт. Доступны варианты квантования от Q8_0 до IQ1_M с размером файлов примерно от 15,94 до 73,29 ГБ. В README не указаны точная архитектура исходной модели, контекстное окно, поддерживаемые языки и модальности, поэтому эти характеристики нельзя определить по предоставленным данным. Более качественными считаются Q8_0, Q6_K, Q5_K_M и Q4_K_M; низкоразрядные варианты требуют меньше памяти, но заметно уступают в качестве. Некоторые варианты используют Q8_0 для embedding- и output-весов. Лицензия указана как other, без дополнительных условий в README. Для работы необходим совместимый рантайм GGUF, например llama.cpp или LM Studio; варианты размером более 50 ГБ могут быть разделены на несколько файлов.

Eclectic-Maid-10B-v2-1 — объединённая языковая модель, созданная автором репозитория с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral на 10,4 млрд параметров с архитектурой MistralForCausalLM, предназначенная для генерации текста. В README указан метод объединения passthrough и исходная модель Eclectic-Maid-v2; веса представлены в формате safetensors, а конфигурация слияния использует float16. Модель можно применять для генерации продолжений и ответов в текстовых сценариях. Заявленная длина контекста составляет 32 768 токенов. В карточке нет сведений о конкретных языках, специализированных областях или ограничениях качества. В метаданных присутствует пометка not-for-all-audiences, поэтому модель может быть не подходящей для всех аудиторий. Условия лицензии в предоставленных данных не приведены.

Eklav-14B-Reranker — плотная языковая модель семейства Qwen3 на 14 млрд параметров, разработанная для ранжирования текстовых пассажей. Это дообучение Qwen/Qwen3-14B методом Eklav: при обучении модель продолжает частичный след рассуждений учителя и самостоятельно выводит ответ, вместо того чтобы воспроизводить полный след рассуждений. По карточке модели, на BRIGHT она показала преимущество в 7% по nDCG@10 относительно стандартного обучения на полных следах рассуждений при снижении вычислений на обучение на 24%; результаты получены в одном оценочном запуске для каждого домена. При использовании модель оценивает релевантность пары «запрос — пассаж»: генерирует рассуждение с итогом true или false, а релевантность определяется по логитам конечного токена. На этапе применения подсказка учителя не используется. Модель рассчитана на текстовый ввод и выдаёт текстовое рассуждение и оценку релевантности. Используется библиотека Transformers, формат весов — safetensors; базовая модель имеет контекст до 40 960 токенов. Лицензия в предоставленных данных не указана.

EuroMoE-2.6B-A0.6B-Instruct-2512 — мультиязычная языковая модель с разреженной архитектурой Mixture of Experts, разработанная консорциумом университетов и компаний, включая Instituto Superior Técnico — University of Lisbon, University of Edinburgh и Unbabel при финансировании Европейского союза. Модель содержит 2,6 млрд параметров, из которых при генерации активны 0,6 млрд; в метаданных репозитория указано 231,7 млн параметров. Она построена на архитектуре Mixtral и поддерживает контекст до 32 768 токенов. Модель дообучена следовать инструкциям на наборе EuroBlocks, ориентированном на выполнение общих инструкций и машинный перевод. Она предназначена для диалоговой генерации текста и работы с языками Европы, а также рядом других языков, включая русский, арабский, китайский, хинди, японский и корейский. Используются grouped-query attention, RMSNorm, SwiGLU и RoPE. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель не выровнена по человеческим предпочтениям и может выдавать галлюцинации, вредоносный контент или фактические ошибки. Лицензия Apache 2.0.

Experiment27Neuralsirkrishna-7B — автоматически созданная Maxime Labonne объединённая модель Mistral с 7,1 млрд параметров. Она объединяет yam-peleg/Experiment27-7B и Kukedlc/NeuralSirKrishna-7b методом SLERP; веса представлены в формате Safetensors и имеют тип bfloat16. Модель предназначена для генерации текста и диалогов, принимает текст и формирует текстовые ответы. Контекстное окно составляет до 32 768 токенов. Модель подходит для диалоговых приложений и генерации текста с длинным контекстом. В README не приведены сведения о целевых языках или специализированных областях применения. Лицензия — Apache-2.0.

Systran подготовила конверсию английской версии Whisper base.en от OpenAI в формат CTranslate2. Модель предназначена для автоматического распознавания речи на английском языке и может использоваться через CTranslate2 и проекты на его основе, включая faster-whisper. Веса сохранены в FP16; при загрузке тип вычислений можно выбрать через параметр compute_type в CTranslate2. Репозиторий распространяется по лицензии MIT. Подробности об исходной модели приведены в карточке OpenAI Whisper base.en.

Fialka 7B v2.1 — русскоязычная языковая модель от 0x7o, дообученная следовать инструкциям и вести диалог. Она предназначена для генерации ответов и текста на русском языке; карточка указывает, что обучение версии 2.1 проводилось на наборах инструкций и диалогов. Модель основана на архитектуре Llama и содержит 6,6 млрд параметров. Она принимает текстовые запросы в формате Zephyr и генерирует текст. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. В карточке автор отмечает, что более новая версия Fialka V3 генерирует русский текст точнее.

Fleet Llama Release — экспериментальная архитектура маршрутизации запросов по специалистам, разработанная Noumenon Labs на базе Meta Llama 3.2 3B Instruct. Модель содержит общий языковой backbone и обученный семантический маршрутизатор, который выбирает подходящий эксперт для каждого пользовательского хода; затем выбранный маршрут сохраняется на время генерации ответа. Среди маршрутов указаны Python, медицина, математика, вызов функций, SQL и базовая модель. Специалисты реализованы как лёгкие адаптеры или дельты весов. Модель предназначена для диалоговой генерации текста с выборочной специализацией по содержанию запроса. В карточке указаны 3,2 млрд параметров, контекст до 131 072 токенов, поддержка интерфейса вызова инструментов и формат safetensors. Для загрузки требуется пользовательский код модели Transformers с параметром trust_remote_code=True. Авторы называют релиз экспериментальным; производительность зависит от оборудования и конфигурации, а универсальное ускорение не заявлено. Лицензия — Llama 3.2 Community License. Основа — Meta Llama 3.2 3B Instruct; языки в карточке модели напрямую не перечислены.

functionary-medium-v3.2-GGUF — это GGUF-квантизации модели functionary-medium-v3.2, разработанной meetkai и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и запуска локально через llama.cpp, в том числе в LM Studio. Судя по названию и формату prompt, она ориентирована на диалоговое взаимодействие с поддержкой ролей и сценариев function calling, однако подробные сведения об исходной архитектуре и возможностях в README не приведены. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q4_K и других типов размером примерно от 16,75 до 74,98 ГБ. Более высокие уровни квантизации обычно обеспечивают лучшее качество, но требуют больше памяти; Q6_K, Q5_K_M и некоторые варианты Q4_K отмечены как рекомендуемые. Для отдельных вариантов embeddings и output weights сохраняются в Q8_0, что потенциально может улучшать качество, но README не подтверждает это результатами. Модель поддерживает текстовую модальность; сведения о языках и размере контекста отсутствуют. Указана лицензия MIT.

Gemma2-9B-IT-Simpo-Infinity-Preference — диалоговая языковая модель на архитектуре Gemma 2, разработанная на основе google/gemma-2-9b-it. Модель дообучена на Infinity-Preference с использованием SimPO; в карточке указаны результаты 73,4% LC win-rate на AlpacaEval 2.0 и 58,1% win-rate на Arena-Hard против GPT-4. Модель предназначена для диалогов, ответов на вопросы и генерации текста по инструкциям. Она содержит 9 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. В метаданных указан английский язык. Для взаимодействия используется тот же шаблон чата, что и у базовой Gemma 2. Связанные код, данные и веса разрешены только для академических исследований и не могут применяться в коммерческих целях. Разработчик не гарантирует точность ответов; их содержание зависит, в частности, от случайных факторов.

Карточка модели opestro/gemma4-12b-growth-strategist-float16 на Hugging Face совпадает с карточкой opestro/gemma4-12B-Marketer-AA-16Bit, поэтому описание составлено по ней. opestro дообучил мультимодальную инструкционную модель на основе unsloth/gemma-4-12b-it с помощью Unsloth и библиотеки Hugging Face TRL. Это плотная модель семейства Gemma 4 Unified с архитектурой Gemma4UnifiedForConditionalGeneration, предназначенная для диалога и преобразования текста и изображений в текст; в метаданных также заявлен интерфейс вызова инструментов. Базовая модель поддерживает анализ изображений и аудио, видео, код и работу с инструментами, однако карточка этого дообучения не описывает дополнительные возможности или его специализацию в маркетинге. Репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

gemma-4-26B-A4B-it-w4a16-llmcompressor — квантизированная версия модели gemma-4-26B-A4B-it, разработанная AMD на базе архитектуры Gemma4ForConditionalGeneration. Модель предназначена для генерации текста и инференса на CPU AMD EPYC под Linux с использованием vLLM и оптимизаций ZenDNN. В README указана поддержка английского языка. Архитектура включает текстовую часть, MoE-компонент с 128 маршрутизируемыми экспертами, vision tower и проектор vision-to-text; при этом в карточке явно заявлены текстовые входы и текстовые выходы, а подробные сценарии мультимодального использования не описаны. Модель использует 4-битную weight-only квантизацию W4A16, выполненную методом GPTQ через LLM Compressor и формат compressed-tensors. Веса хранятся в INT4 с симметричной групповой квантизацией и group_size=64, а активации остаются в BF16. Размер весов сокращён примерно с 48,1 GiB до 14,6 GiB, то есть примерно на 70%. В BF16 сохранены MoE-router, vision tower, vision-to-text projector, lm_head и layer norms; основные текстовые attention-проекции, shared MLP и эксперты квантизированы. Сильные стороны модели — существенное снижение требований к дисковому пространству и памяти при сохранении совместимости с CPU-инференсом на AMD EPYC, а также интеграция со стеком ZenDNN, ZenTorch, PyTorch и vLLM. Ограничения включают зависимость от совместимых версий программного стека и аппаратного обеспечения, а также возможную потерю качества из-за 4-битной квантизации. Контекстное окно и точный общий размер модели в README не указаны. Модель распространяется по лицензии Gemma.

GLM-4.5-Air-8bit — языковая модель для генерации текста, разработанная Z.ai и представленная в формате MLX сообществом mlx-community. Модель конвертирована из zai-org/GLM-4.5-Air с использованием mlx-lm версии 0.26.0 и предназначена для запуска и инференса через библиотеку MLX, в частности с помощью mlx-lm. Модель относится к классу text-generation и поддерживает английский и китайский языки. Вариант 8bit использует 8-битное представление весов, что ориентировано на более эффективное размещение и запуск модели в совместимой среде. README не содержит сведений о точной архитектуре, количестве параметров, размере контекста, поддерживаемых модальностях помимо текста, результатах оценки или конкретных прикладных сценариях. Для использования требуется библиотека mlx-lm; предусмотрен интерфейс чат-шаблона и генерации текста. Сильной стороной модели является адаптация к формату MLX и наличие готового способа запуска. Ограничения и характеристики качества в README не описаны, поэтому их нельзя достоверно оценить. Модель распространяется по лицензии MIT.

GLM-4.7-Flash-4bit — языковая модель для генерации текста, разработанная сообществом mlx-community на основе zai-org/GLM-4.7-Flash. Модель преобразована в формат MLX с использованием mlx-lm версии 0.30.5 и предназначена для запуска через библиотеку mlx-lm. В README указана поддержка английского и китайского языков, а также сценарии диалоговой генерации текста с применением chat template. Модель использует 4-битное представление, однако сведения о точной архитектуре, количестве параметров, размере контекста, доступных модальностях, результатах тестирования и ограничениях качества не приведены. README содержит пример загрузки модели и генерации ответа через Python API mlx_lm. Лицензия модели — MIT.

Granite-34B-Code-Instruct-8K — языковая модель IBM Research с 34 млрд параметров, дообученная на инструкционных данных на основе Granite-34B-Code-Base-8K. Она предназначена для ответов на запросы по программированию и создания помощников для разработки; обучение включало данные о коммитах кода, примеры инструкций по коду и вызову функций, задачи NL2SQL, математику и общие инструкции. Модель использует архитектуру GPTBigCode и принимает текстовые запросы, выдавая текстовые ответы; контекст — до 8192 токенов. Модель подходит для генерации, объяснения и исправления кода, решения связанных с программированием задач и помощи с SQL. Данные инструкционного дообучения охватывают 92 языка программирования, однако качество на языках и задачах вне обучающего распределения может быть ниже; для критичных применений IBM рекомендует тестирование безопасности и целевую настройку. Разработчик не рекомендует применять её в новых проектах и предоставляет её для исторических и научных целей. Лицензия — Apache 2.0.

h2oai/h2ogpt-4096-llama2-13b — клонированная H2O.ai версия Meta Llama 2 13B, созданная для генерации текста и использования в составе h2oGPT. Модель можно дообучать с помощью открытого ПО h2oGPT и H2O LLM Studio. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 12,9 млрд параметров. Она принимает текст, генерирует текст и поддерживает контекст до 4096 токенов. В карточке указана поддержка английского языка; репозиторий содержит веса PyTorch и Safetensors. Модель подходит для генерации ответов и диалоговых сценариев, в том числе для чата с документами через приложение h2oGPT. Лицензия репозитория — Llama 2; условия использования определяются лицензией Meta Llama 2.

Hermes-2-Pro-Mistral-7B-4bit — 4-битная версия модели Hermes-2-Pro-Mistral-7B, преобразованная сообществом mlx-community в формат MLX для запуска на устройствах Apple с MLX. Это плотная авторегрессионная языковая модель Mistral с 7,1 млрд параметров, дообученная на основе mistralai/Mistral-7B-v0.1. Модель предназначена для диалогов и следования инструкциям; в карточке указаны поддержка английского языка и контекст длиной 32 768 токенов. Модель подходит для генерации ответов, чат-ботов и выполнения инструкций на английском языке. Она поддерживает Apache-2.0. Карточка этой версии подтверждает конверсию в MLX, но не приводит отдельные сведения о её оценке качества или ограничениях; исходная модель Hermes-2-Pro-Mistral-7B указана как источник для подробностей.

Edens-Gate/Holland-Magnum-Merge-R2 — диалоговая языковая модель, созданная методом task arithmetic с помощью mergekit на основе Delta-Vector/Holland-4B-V1 и с участием anthracite-org/magnum-v2-4b и NewEden/Holland-V2. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 3,9 млрд параметров. Она предназначена для генерации текста и диалоговых ответов; заявленная длина контекста — 131 072 токена. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Huihui-gemma-4-12B-it-qat-q4_0-unquantized-abliterated — модифицированная версия Gemma 4 от Huihui AI. Это плотная мультимодальная модель на 12 млрд параметров с архитектурой Gemma4 Unified, предназначенная для диалога, анализа изображений, аудио и видео, а также генерации текста и кода. Метаданные указывают на поддержку задачи any-to-any и библиотеку Transformers. Модель создана методом abliteration на основе google/gemma-4-12B-it-qat-q4_0-unquantized: авторы изменили слои 23–36, чтобы существенно ослабить отказы, в том числе в режимах с рассуждением и без него. Это экспериментальная, грубая реализация концепции; README предупреждает, что фильтрация безопасности снижена и ответы могут быть чувствительными или спорными. Лицензия — Apache 2.0.

Instella-MoE-16B-A3B-SFT — языковая модель AMD для генерации текста и диалогов. Это дообученный вариант семейства Instella-MoE с архитектурой Mixture-of-Experts: в README указаны 16 млрд параметров всего и 2,8 млрд активных параметров на токен, а метаданные каталога указывают 2,5 млрд параметров. Модель построена на архитектуре DeepSeek V3 и имеет контекстное окно 32 768 токенов. Модель предназначена для диалоговых сценариев, генерации ответов и взаимодействия через интерфейс вызова инструментов. README описывает обучение семейства Instella-MoE с нуля компанией AMD и выпуск контрольных точек для разных этапов обучения; конкретная карточка обозначена как SFT, то есть контрольная точка прошла дообучение на инструкциях. Модель использует формат safetensors и библиотеку Transformers. README предупреждает, что модель может выдавать фактически неверные, вредные, токсичные или предвзятые ответы, а её многоязычные возможности не проверялись. Она не предназначена для сценариев, требующих высокой точности, и для критически важных, медицинских или связанных со здоровьем применений. Условия лицензии указаны как other, поэтому конкретные права использования следует проверять в карточке модели. Хотя README называет выпуск исследовательским, это применимая контрольная точка модели, а не промежуточный эксперимент.

jina-reranker-v3-GGUF — это версия модели jina-reranker-v3 от Jina AI, преобразованная в формат GGUF для эффективного запуска с использованием llama.cpp. Модель предназначена для многоязычного переранжирования документов: она оценивает релевантность документов поисковому запросу и возвращает их в порядке соответствия. Поддерживаются пользовательские инструкции ранжирования, выбор top_n результатов и опциональный возврат эмбеддингов. Модель содержит около 0,6 млрд параметров и распространяется как GGUF-веса BF16 размером примерно 1,1 ГБ, дополнительно требуя MLP-проектор размером около 3 МБ. Для работы предусмотрены Python-реализация GGUFReranker и бинарные файлы llama.cpp; рекомендуется форк llama.cpp от Hanxiao. Модель рассчитана на мультиязычные текстовые сценарии, однако конкретный перечень языков и максимальная длина контекста в README не указаны. К сильным сторонам относятся компактный размер, возможность локального инференса через llama.cpp и применение в поиске, вопросно-ответных системах и других задачах, где требуется уточнить порядок уже найденных документов. Ограничения включают необходимость ручной настройки окружения и наличие отдельных компонентов, а также отсутствие в README подробных бенчмарков и сведений о производительности. Модель распространяется по лицензии CC BY-NC 4.0, допускающей некоммерческое использование; по вопросам коммерческого применения рекомендуется обращаться к Jina AI.

K2S3-14b-v0.2 — текстовая генеративная модель, разработанная K2S3 на основе весов mistralai/Mistral-7B-v0.1. Авторы увеличили глубину модели, примерно удвоив её размер, добавили корейскую лексику и слияния в токенизатор, а затем провели полнопараметрическое обучение методом SFT. Модель содержит 14,2 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых задач на английском и корейском языках. В обучении использовались alpaca-gpt4-data и примеры из набора The OpenOrca Dataset. Репозиторий предоставляет веса в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Keural-Cortex-8B-DPO — двуязычный текстовый ассистент на основе Qwen3-8B-Base, разработанный авторами проекта Keural/MKD. Это плотная decoder-only модель Qwen3ForCausalLM с примерно 7,6 млрд параметров и контекстом до 65 536 токенов. Модель прошла дообучение с учителем и DPO на предпочтениях; чекпойнт DPO-v1 обучен на 291 084 парах предпочтений. Модель предназначена для диалогов на корейском и английском языках, следования инструкциям, вызова инструментов и задач с пошаговым рассуждением. В README подтверждена работа разделения ответа на поля reasoning и content при заданной конфигурации сервера, однако это подтверждает формат маршрутизации, а не точность рассуждений. Лицензия — Apache-2.0. Результаты полной оценки после DPO пока отсутствуют. В README описана ошибочная арифметика даже при корректно оформленном рассуждении; длинноконтекстное извлечение проверялось на предшествующей версии, поэтому качество рассуждений и следования инструкциям на длинном контексте для этого чекпойнта подтверждено слабее. Модель может ошибаться, галлюцинировать, неверно использовать инструменты или выдавать небезопасный контент.

Карточка модели kiel2/KielEmbed-Rerank на Hugging Face совпадает с карточкой kiel2/Kiel-Embed-2-Rerank, поэтому описание составлено по ней. Kiel-Embed-2-Rerank — кросс-энкодерный реранкер, дообученный на базе BAAI/bge-reranker-base с использованием библиотеки sentence-transformers. Модель совместно обрабатывает текстовый запрос и документ и выдаёт оценку их релевантности для повторного ранжирования результатов семантического поиска и многоэтапных retrieval-конвейеров, включая RAG. Модель построена на XLM-RoBERTa и содержит около 305,2 млн параметров. Она принимает пары текстов, выдаёт скалярный логит или оценку релевантности и поддерживает последовательности длиной до 514 токенов по метаданным Hugging Face. Карточка приводит обучение на корпусе из 5 000 примеров с функцией потерь BinaryCrossEntropyLoss. Модель рассчитана на текстовые сценарии. В карточке не названы поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя. Небольшой обучающий корпус ограничивает основания для выводов о качестве на широком круге запросов и документов. Лицензия в предоставленных данных не указана.

Laabam AI 3B v1 — многоязычный чат-ассистент, дообученный разработчиком Laabam на базе Qwen2.5-3B-Instruct методом QLoRA. Модель предназначена для выполнения инструкций и генерации ответов в диалоге; при дообучении уделялось внимание следованию инструкциям, безопасности и индийским языкам. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Карточка указывает английский и хинди, а также тамильский и телугу; метаданные дополнительно отмечают каннада. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Gemma-2-Ataraxy-v4c-9B_fixed — диалоговая языковая модель на архитектуре Gemma 2, созданная автором lemon07r с помощью слияния предварительно обученных моделей lemon07r/Gemma-2-Ataraxy-v3b-9B и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25. Слияние выполнено методом SLERP; модель содержит 9 млрд параметров, веса доступны в формате safetensors, а нативная длина контекста составляет 8192 токена. Модель предназначена для генерации текста в диалоге: она подходит для ответов на запросы, выполнения инструкций и творческой генерации. В README приведены результаты отдельных оценок Open LLM Leaderboard, включая IFEval и BBH. Веса опубликованы с лицензией Gemma.

LeoLM/leo-hessianai-7b-chat — чат-модель команды LeoLM, созданная Björn Plüster и Christoph Schuhmann совместно с LAION и HessianAI. Она основана на LeoLM/leo-hessianai-7b — немецкоязычной версии Llama 2, дополнительно обученной на немецких текстах, — и дообучена на наборах немецких инструкций. Модель представляет собой плотный авторегрессионный трансформер-декодер семейства Llama с 6,6 млрд параметров и контекстом до 8 192 токенов; работает через Transformers и использует формат диалога ChatML. Модель предназначена для общения, написания и объяснения текстов, обсуждений, ролевых диалогов и ответов на вопросы на немецком и английском языках. В оценке MT-Bench-DE особенно хорошо показала себя в гуманитарных и STEM-задачах, а математика, программирование и сложные рассуждения оказались слабее. Разработчики предупреждают о возможных неточных, предвзятых или нежелательных ответах и рекомендуют проверять модель и адаптировать меры безопасности под конкретное применение. Лицензия — Llama 2 Community License Agreement.

LFM2.5-8B-A1B-Base — базовая текстовая модель Liquid AI, предназначенная для дальнейшей настройки и запуска на устройствах. Это гибридная MoE-архитектура LFM2 с 8,3 млрд параметров всего и примерно 1,5 млрд активных параметров; метаданные каталога указывают 1,6 млрд параметров. Модель содержит 24 слоя и поддерживает контекст до 128 000 токенов. Модель обучена на английском, арабском, китайском, французском, немецком, японском, корейском, португальском и испанском языках. Она предназначена для генерации текста и может служить основой для тонкой настройки помощников, следующих инструкциям, работающих с вызовами инструментов и структурированными ответами. В карточке семейства отмечена высокая скорость инференса на CPU и GPU и поддержка локального развёртывания. Это именно предварительно обученная базовая версия, поэтому для диалога и агентных сценариев может потребоваться дополнительная настройка. Разработчик не рекомендует её для сложного программирования и ответов на вопросы, требующих обширных знаний, без использования поиска или извлечения данных. Лицензия указана как other; конкретные условия следует проверять в документации Liquid AI.