I.3Извлечение и структурирование данных

OpenBuddy/openbuddy-deepseek-67b-v24.1-65k — мультиязычная чат-модель проекта OpenBuddy на архитектуре Llama с 66,6 млрд параметров. Она предназначена для диалогов и генерации текста; поддерживает контекст длиной до 65 536 токенов и языки китайский, английский, французский, немецкий, японский, корейский, итальянский, русский и финский. Модель распространяется в формате Safetensors и рассчитана на использование с Transformers или vLLM. В карточке базовая модель не названа. Лицензия обозначена как deepseek; перед использованием следует проверить условия лицензии. Авторы предупреждают, что ответы могут быть ошибочными, вредными или оскорбительными, и не рекомендуют применять модель в критически важных сценариях, включая медицину, управление опасными системами, а также важные финансовые и юридические решения.

MaziyarPanahi/openbuddy-mistral-7b-v13-base-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на базе архитектуры Mistral, полученная слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и OpenBuddy/openbuddy-mistral-7b-v13-base. Она предназначена для генерации текста в диалоге и ответов на инструкции. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст; метаданные указывают поддержку чата. В README описано слияние весов с использованием bfloat16. Репозиторий распространяется по лицензии Apache-2.0. Языки и специализированные прикладные области в предоставленных данных не определены.

Карточка модели OpenBuddy/openbuddy-mixtral-8x7b-v16.2-32k на Hugging Face совпадает с карточкой OpenBuddy/openbuddy-mixtral-7bx8-v16.3-32k, поэтому описание составлено по ней. OpenBuddy-mixtral-7bx8-v16.3-32k — многоязычная чат-модель семейства Mixtral, опубликованная командой OpenBuddy. Она предназначена для диалогов и генерации текста; архитектура — Mixtral MoE, класс MixtralForCausalLM. В репозитории указаны 7,1 млрд параметров и контекст до 32 768 токенов; модель распространяется в формате safetensors и использует библиотеку Transformers. Модель поддерживает китайский, английский, французский, немецкий, японский, корейский, итальянский и русский языки. Лицензия — Apache 2.0. Ответы могут быть ошибочными, вредными или оскорбительными; модель не следует использовать для решений в медицине, финансах, праве и других критически важных сценариях.

FuseAI/OpenChat-3.5-7B-Solar — диалоговая языковая модель, выпущенная авторами FuseChat из Университета Сунь Ятсена. Это промежуточная модель для попарного объединения знаний OpenChat-3.5-7B с моделью Solar; проект FuseChat использует этапы лёгкого дообучения и слияния параметров, чтобы перенести способности разных чат-моделей в одну модель. Модель основана на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Она предназначена для генерации ответов в диалоге, следования текстовым инструкциям и выполнения общих языковых задач. В карточке указано контекстное окно 8192 токена; описан набор FuseChat-Mixture, охватывающий разные стили, следование инструкциям и отдельные навыки. README приводит результаты FuseChat на MT-Bench, но они относятся к итоговой FuseChat-7B-VaRM, а не обязательно к этой промежуточной модели. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Распространяется по лицензии Apache-2.0. Она унаследует ограничения базовых моделей и может ошибаться или выдавать недостоверные ответы; отдельных оценок качества именно этой промежуточной модели в карточке не приведено.

OpenHermes-2.5-neural-chat-v3-3-Slerp — языковая модель Weyaxi, созданная слиянием через mergekit моделей Intel/neural-chat-7b-v3-3 и teknium/OpenHermes-2.5-Mistral-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель предназначена для генерации текста и диалогов. Для общения в README рекомендуется шаблон ChatML. Указанное окно контекста — 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста. Репозиторий содержит веса safetensors; для этой модели также опубликованы отдельные варианты квантования GPTQ, GGUF и AWQ. Лицензия — Apache-2.0. README приводит результаты оценки на нескольких бенчмарках, но не описывает языковое покрытие или специализированные области применения.

Optimus-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная MaziyarPanahi с помощью слияния mistralai/Mistral-7B-Instruct-v0.2 и Q-bert/Optimus-7B методом SLERP. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текстовые инструкции и сообщения для генерации ответов и продолжения текста. Контекстное окно составляет до 32 768 токенов. Модель подходит для диалоговых приложений, ответов на инструкции и генерации текста. Репозиторий содержит веса Safetensors; указана лицензия Apache-2.0. README описывает конфигурацию слияния, но не сообщает о специальных возможностях сверх генерации текста.

pankajmathur/orca_mini_v4_8b — плотная авторегрессионная языковая модель семейства Llama 3, дообученная разработчиком в стиле Orca Mini на наборах данных Orca. Модель рассчитана на диалоговое использование и генерацию текста; в карточке приведён формат запросов ChatML и указано, что модель задумана как универсальная дообученная модель для дальнейшей настройки и объединения с другими моделями. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. В карточке приведены результаты оценки на отдельных бенчмарках, включая AI2 Reasoning Challenge и HellaSwag. Лицензия — Llama 3; автор разрешает дальнейшую настройку при условии указания авторства и предоставления атрибуции.

llama_3_orca_mini_v5_8b_orpo — разговорная языковая модель, созданная Pankaj Mathur на базе семейства Llama 3 и обученная с использованием наборов данных ORPO. Модель предназначена для диалога и ответов на запросы в роли универсального ИИ-ассистента; в README указан формат промпта ChatML. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров, принимает текст и генерирует текст. Родной контекст составляет 8192 токена; в метаданных заявлен английский язык. Веса опубликованы в форматах PyTorch и Safetensors. Автор разрешает дальнейшее полное дообучение, настройку DPO, PPO и ORPO, а также объединение моделей при условии указания авторства. Лицензия указана как llama3.

Ornith-1.5-9B-GGUF — квантованные сборки мультимодальной модели Ornith 1.5 9B, разработанной ornith-ai и преобразованной и измеренной AtomicChat. Модель распространяется в формате GGUF для локального запуска с llama.cpp и поддерживает сценарии диалога, работы с изображениями и agentic coding. Для текстового режима vision projector можно не использовать; для обработки изображений требуется отдельный проектор объёмом около 0,92 ГБ. Доступны варианты от BF16 размером 17,9 ГБ до сильно сжатых IQ2/IQ1-сборок размером 2,81–3,38 ГБ. Рекомендуемый компромисс для видеопамяти около 8 ГБ — AD-Q5_K-Q4_K: он занимает 5,93 ГБ и показывает 93,10% совпадения следующего токена с эталонной BF16-моделью. Для более высокой точности доступны Q8_0 и BF16, а варианты с низкой разрядностью заметно теряют качество: самая компактная сборка имеет согласие лишь 53,74%. В README указаны запуск с контекстом до 8192 токенов и поддержка vision, но языки модели и дополнительные архитектурные характеристики не описаны. Сильные стороны модели — возможность локального запуска, широкий выбор квантований под разный объём видеопамяти и наличие мультимодального режима. Ограничения связаны с компромиссом между размером и точностью: самые компактные варианты авторы не рекомендуют для практического использования, а качество измерялось на отдельном нейтральном корпусе и не гарантирует результаты во всех задачах. Модель и сборки распространяются по лицензии MIT.

Panoramix-7B-Instruct-v0.2 — текстовая инструктивная модель на архитектуре Mistral, созданная zelus82 с помощью mergekit. Это слияние mlabonne/NeuralHermes-2.5-Mistral-7B и zelus82/Falbala-B7 методом passthrough; репозиторий содержит веса Safetensors. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев. Размер составляет 8,9 млрд параметров, длина контекста — 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает о специальных предметных областях или подтверждённых ограничениях качества.

djuna/Q2.5-Partron-7B — слитая с помощью mergekit языковая модель семейства Qwen2.5, созданная методом della. В качестве основы использована djuna/Q2.5-Fuppavy-7B; в объединение также вошли Locutusque/StockQwen-2.5-7B, fblgit/cybertron-v4-qw7B-MGS и happzy2633/qwen2.5-7b-ins-v3. Модель содержит 7,1 млрд параметров, построена на архитектуре Qwen2ForCausalLM и рассчитана на генерацию текста и диалоговое взаимодействие. Заявленная длина контекста — 131 072 токена. Доступна в формате safetensors для Transformers. README приводит результаты оценки на IFEval и BBH, но не описывает специализацию по языкам или прикладным областям. Лицензия в предоставленных данных не указана. Поскольку модель объединяет несколько чекпойнтов, перед использованием следует сверить условия лицензирования каждого исходного репозитория. README отмечает, что это слияние предварительно обученных языковых моделей.

bunnycore/Qwen2.5-3B-Loki — объединённая авторегрессионная языковая модель семейства Qwen2.5, созданная с помощью mergekit методом TIES на основе Qwen/Qwen2.5-3B и моделей Qwen2.5-3B-RP-Mix и Qwen2.5-3B-MiniMix. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и доступна в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогового взаимодействия; также поддерживает интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов. Карточка не сообщает языковую специализацию и лицензию, поэтому их нельзя уточнить. Качество и поведение унаследованы от объединённых моделей; отдельных результатов оценки и конкретных ограничений в карточке нет.

kepom/Qwen2.5-7B-Instruct-abliterated-v2-GGUF — квантизированная версия языковой модели Qwen2.5-7B-Instruct-abliterated-v2, созданная QuantFactory с использованием llama.cpp. Исходную модель разработала huihui-ai на базе Qwen/Qwen2.5-7B-Instruct от Alibaba Cloud; модификация выполнена методом abliteration и позиционируется как менее ограниченная по отказам версия исходной instruct-модели. Модель предназначена для генерации текста и диалоговых сценариев, включая использование в чат-приложениях и локальных приложениях через совместимый с GGUF стек. Она поддерживает английский язык, относится к классу causal language models и имеет размер 7B параметров. В README не указаны точный размер контекста, конкретные варианты квантизации, список поддерживаемых модальностей помимо текста и требования к аппаратному обеспечению. По приведённым оценкам, модель превосходит исходную Qwen2.5-7B-Instruct на IF_Eval и GPQA, но уступает ей на MMLU Pro, TruthfulQA и BBH. Abliteration может сделать ответы менее ограниченными, однако это также означает потенциально более слабое следование политикам безопасности и не гарантирует фактическую точность ответов. Модель распространяется по лицензии Apache-2.0.

legraphista/Qwen2-7B-IMat-GGUF — это набор GGUF-квантизованных версий языковой модели Qwen2-7B, разработанной командой Qwen. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp. В репозитории представлены варианты с разной степенью квантизации — от BF16 и FP16 до 1–8-битных форматов, что позволяет выбирать баланс между качеством, размером файла и требованиями к памяти. В метаданных указан английский язык. Квантизация выполнена legraphista с использованием llama.cpp версии b3091. Для ряда низко- и среднебитных вариантов применена IMatrix, предназначенная для улучшения сохранения качества при уменьшении разрядности; для некоторых вариантов доступны статические квантизации без IMatrix. Размер файлов варьируется примерно от 2,60 до 15,24 ГБ. Контекстное окно, точная архитектура базовой модели, мультимодальные возможности и результаты сравнительных тестов в предоставленных данных не указаны. Главное преимущество набора — широкий выбор форматов для запуска модели на оборудовании с различным объёмом памяти и возможность локального использования. Ограничения связаны с компромиссом квантизации: более компактные варианты могут уступать полноточным по качеству, стабильности и точности ответов, однако конкретные потери не измерены. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B-GGUF — квантизированная GGUF-версия языковой модели Qwen3-4B, разработанной Qwen и подготовленной квантизацией компанией Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через LlamaEdge. README указывает поддержку английского языка, текстовую модальность и контекстное окно до 128 000 токенов. Доступны варианты с квантизацией от 2 до 8 бит, а также f16, размером примерно от 1,67 до 8,05 ГБ. Варианты Q4_K_M, Q5_K_M и Q5_K_S обозначены как рекомендуемые благодаря балансу между размером и качеством, тогда как низкобитные варианты экономят память, но могут заметно терять в качестве. Для работы используются шаблоны prompt type chatml и qwen3-no-think; поддерживаются режимы с рассуждением и без него. Модель можно запускать как сервис или командное приложение LlamaEdge при наличии совместимой версии. Лицензия указана как qwen-research; подробные условия приведены в лицензии исходной модели Qwen/Qwen3-4B. README не содержит сведений о точной архитектуре, обучающем наборе данных, результатах тестирования или ограничениях безопасности, поэтому эти характеристики нельзя достоверно оценить по представленным данным.

lmstudio-community/Qwen3-4B-MLX-4bit — это 4-битная версия модели Qwen3-4B, разработанная сообществом lmstudio-community и преобразованная в формат MLX из базовой модели Qwen/Qwen3-4B с использованием mlx-lm 0.24.0. Модель предназначена для генерации текста и запуска через библиотеку mlx-lm, включая сценарии диалогового взаимодействия с применением chat template. Из README известно, что модель использует архитектуру и характеристики базовой Qwen3-4B, однако точные параметры, поддерживаемые языки, размер контекста и мультимодальные возможности здесь не указаны. Ключевая особенность этой версии — 4-битное представление и формат MLX, что ориентировано на эффективный локальный запуск в совместимой среде. Ограничения, качество на конкретных задачах и требования к оборудованию в README не описаны. Лицензия — Apache-2.0.

Qwen3.5-0.8B — компактная мультимодальная модель семейства Qwen от Qwen, представленная в виде постобученных весов для Transformers. Она сочетает причинную языковую модель с визуальным энкодером и предназначена для диалогов и задач, где нужно анализировать изображения и отвечать текстом. Модель поддерживает вызов инструментов через соответствующий интерфейс и может использоваться для прототипирования, разработки и дообучения под конкретные задачи. Модель имеет плотную архитектуру Qwen3.5 с 0,8 млрд параметров, 24 слоями и нативным контекстом до 262 144 токенов. В архитектуре сочетаются Gated Delta Networks и gated attention; доступны режимы обычной генерации и рассуждения, причём по умолчанию включён обычный режим. Карточка заявляет поддержку 201 языка и диалекта. Веса доступны в формате safetensors и совместимы с Transformers и несколькими движками инференса. Небольшой размер делает модель удобной для прототипирования и настройки под узкие задачи, однако её возможности и качество следует оценивать с учётом масштаба 0,8 млрд параметров и целевого сценария. Для длинного контекста могут потребоваться значительные ресурсы памяти. Лицензия — Apache-2.0.

Youssofal/Qwen3.5-9B-MTPLX-Optimized-Speed-FP16 — языковая модель для генерации текста, опубликованная пользователем Youssofal и основанная на семействе Qwen3.5-9B. Она предназначена для локального запуска на компьютерах Apple с чипами Apple Silicon через MTPLX, включая сценарии интерактивного общения, генерации текста и работы локального сервера с OpenAI-совместимым API. Модель оптимизирована для Multi-Token-Prediction speculative decoding. Основная часть модели использует 6-битное MLX affine-представление, а боковой модуль MTP применяется для спекулятивного декодирования. Упакованные квантованные тензоры сохраняются без повторной квантизации, а плавающие тензоры BF16 преобразованы в FP16 для совместимости с предпочтительным режимом работы на Mac с чипами M1 и M2. Рекомендуемый профиль — sustained, глубина по умолчанию — D2, бэкенд — qwen3-next-mtp. Заявленные показатели исходного артефакта достигают 101,32 токена в секунду в режиме D2, однако для FP16-варианта эти значения приведены как ориентир, а не как гарантированный результат. Сильная сторона модели — сочетание компактного квантованного представления, ускоренного декодирования и адаптации к старым поколениям Apple Silicon. Ограничения включают неполноценную точность по сравнению с full-precision checkpoint, зависимость производительности от устройства и среды MTPLX, а также отсутствие в README сведений о поддерживаемых языках, размере контекстного окна и точной архитектуре базовой модели. Лицензия — Apache 2.0.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled-IQ4_XS-GGUF — это GGUF-квантизация модели lordx64 Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled. Модель предназначена для локального запуска через llama.cpp и LM Studio и относится к задачам генерации текста и рассуждений. Базовая модель дообучена методом reasoning distillation для имитации стиля рассуждений Claude Opus 4.7 и формирует явные блоки <think>...</think> перед итоговым ответом. Модель построена на архитектуре Qwen3.6-35B-A3B с MoE, однако подробные характеристики архитектуры, поддерживаемые языки и исходный размер контекста в README не указаны. Для данной версии применяется квантизация IQ4_XS; размер файла составляет примерно 18 ГБ, что делает её наиболее компактным вариантом среди перечисленных и подходящим выбором по умолчанию для LM Studio. В README также упоминается запуск с контекстом до 32768 токенов, но не уточняется, является ли это максимальным поддерживаемым значением. Сильными сторонами являются локальная работа, сравнительно небольшой размер для модели этого класса и ориентация на явные пошаговые рассуждения. Ограничения связаны с потерями качества, неизбежными при квантизации IQ4_XS, а также с отсутствием в представленном README данных о результатах оценивания, точности, языковой поддержке и назначении для конкретных прикладных областей. Лицензия — Apache 2.0, унаследованная от базовой модели.

Qwen3.6-VL-REAP-26B-A3B — мультимодальная модель семейства Qwen от atbender, полученная структурной обрезкой Qwen/Qwen3.6-35B-A3B методом REAP. Из каждого слоя удалено 25% маршрутизируемых экспертов: осталось 192 вместо 256, при этом сохранены все 40 MoE-слоёв, общий эксперт и энкодер изображений. Карточка указывает около 27 млрд параметров, примерно 3 млрд активных на токен; в метаданных каталога указано 2,9 млрд параметров. Модель распространяется в BF16 без квантизации, лицензия Apache-2.0. Модель предназначена для диалогов, агентного программирования и вызова инструментов, а сохранённый vision-language энкодер позволяет работать с изображениями. Это промежуточный чекпойнт для развёртывания с последующей квантизацией, дообучения или оценки влияния обрезки; README также описывает запуск в Transformers и vLLM. Контекстное окно по метаданным — 262 144 токена. Обрезка выполнена без последующего дообучения, поэтому возможная потеря качества не была компенсирована. Калибровочные данные преимущественно англоязычные и ориентированы на код и инструменты, что может ухудшить качество на малоресурсных языках; сохранённый энкодер изображений не проверялся на VL-бенчмарках. Для BF16-весов требуется около 50 ГБ памяти, а для работы с длинным контекстом — ещё больше.

Qwen3.8-2.4T-A95B-NVFP4 — это 4-битная NVFP4-квантизованная версия модели Qwen3.8-2.4T-A95B, разработанной командой Qwen. Модель предназначена для генерации текста и опубликована в формате, совместимом с Transformers и vLLM; в README приведён пример запуска через vLLM. Веса представлены в формате nvfp4-pack-quantized: используется 4-битное представление с группами по 16 элементов, FP8-масштабированием групп и глобальным масштабом на тензор. Квантизации подверглись 143 569 линейных слоёв, при этом слоёв, оставленных в BF16, нет. Модель разделена на 328 шардов и занимает около 1382,45 ГБ на диске. Средняя относительная ошибка восстановления весов относительно исходных BF16-весов составляет 0,0952. Основное преимущество варианта — существенное сокращение размера по сравнению с FP8-версией при сохранении умеренной ошибки квантизации, что может упростить размещение крупной модели в инфраструктуре, поддерживающей NVFP4 и vLLM. Ограничениями являются очень большой объём весов, возможное снижение качества по сравнению с исходными BF16-весами и необходимость совместимого программного и аппаратного окружения. Сведения о поддерживаемых языках, длине контекста, точной архитектуре и специализированных сценариях применения в README не указаны. Модель распространяется по лицензии Apache-2.0.

Qwen3-EZO-8B-beta — диалоговая языковая модель с плотной архитектурой Qwen3ForCausalLM, разработанная AXCXEPT на базе Qwen/Qwen3-8B. Модель содержит 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Она предназначена для многоходового диалога, генерации текста и параллельной обработки запросов с углублённым рассуждением по технике Deep-Think. Модель можно развернуть через vLLM с совместимым с OpenAI API интерфейсом; в карточке указана работа на одной GPU A40. README приводит внутренние оценки MT-Bench 9,08 и JMT-Bench 8,87, но предупреждает, что результаты могут отличаться при внешней оценке. Модель дообучена на Qwen3-8B, использует формат Safetensors и распространяется по лицензии Apache-2.0. В метаданных указаны японский и английский языки; результаты и заявленные возможности основаны на карточке разработчика.

PXY107kWqS/Qwen3-Reranker-8B-bnb-4bit — это 4-битная квантованная версия модели Qwen3-Reranker-8B из семейства Qwen3, разработанного командой Qwen. Квантование выполнено с использованием библиотеки BitsAndBytes; модель предназначена для ранжирования текстов и используется как CrossEncoder для оценки релевантности пар «запрос — документ». Лицензия — Apache-2.0. Модель содержит около 8 млрд параметров, поддерживает контекст длиной до 32K токенов и более 100 языков, включая языки программирования. Она подходит для повторного ранжирования результатов текстового и кодового поиска, multilingual- и cross-lingual retrieval, а также других сценариев, где требуется упорядочить документы по соответствию запросу. Модель поддерживает пользовательские инструкции, адаптированные под задачу, язык или сценарий; для многоязычных задач рекомендуется формулировать инструкции на английском языке. Квантирование использует int4 с типом nf4, вычислениями в bfloat16, хранением квантованных данных в uint8 и без двойного квантования. Это снижает требования к памяти по сравнению с полной версией, но может влиять на точность и производительность; конкретные требования к оборудованию и результаты тестов в карточке не приведены. Модель возвращает необработанные значения logit-разницы, которые можно использовать для сравнения релевантности документов.

bunnycore/Qwen-7B-MixLow — объединённая модель генерации текста, созданная автором репозитория с помощью mergekit методом Linear из трёх языковых моделей: bunnycore/FuseQwQen-7B, bunnycore/Qwen-2.5-7B-Deep-Stock-v1 и fblgit/cybertron-v4-qw7B-UNAMGS. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; для работы с текстом указан контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового использования; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors. Сведения о целевых языках, специализированных областях и условиях лицензии в предоставленных данных отсутствуют.

Sakalti/QwenPass-4 — объединённая методом passthrough языковая модель на архитектуре Qwen2, созданная Sakalti с помощью mergekit на основе Sakalti/light-7b-beta. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель содержит 3,8 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В репозитории представлены веса в формате safetensors для библиотеки Transformers. Лицензия — Apache-2.0.

Reflection-Llama-3.1-70B-GGUF — набор GGUF-квантизованных версий модели, опубликованный leafspark и основанный на mattshumer/ref_70_e3. Модель дообучена с применением LoRA ранга 256 на Llama-3.1-70B-Instruct и предназначена для генерации текста, диалогов и задач, требующих рассуждений. Заявленная особенность — Reflection-Tuning: модель должна выявлять ошибки в рассуждении и корректировать ход решения с использованием секций <thinking>, <reflection> и <output>. Это текстовая авторегрессионная модель семейства Llama с примерно 70 млрд параметров. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель использует стандартный формат чата Llama 3.1 и доступна в вариантах от FP16 размером около 141 ГБ до сильно квантизованных сборок; приведённые размеры отдельных вариантов находятся примерно в диапазоне от 14,6 до 57,9 ГБ. Для некоторых вариантов применялась калибровка iMatrix. Сильной стороной заявляется способность к явному самопроверяемому рассуждению, однако авторы README предупреждают, что опубликованные результаты бенчмарков, вероятно, недостоверны и не воспроизводятся. Также отмечается неопределённость исходного обучения и возможная фиктивность связанной версии модели, поэтому характеристики качества следует проверять самостоятельно. Для запуска рекомендуется системный промпт из README, температура 0,7 и Top P 0,95. Модель распространяется по лицензии llama3.

Saka-14B — объединённая языковая модель на архитектуре Qwen2, созданная Sakalti методом TIES с помощью mergekit на основе Qwenvergence-14B-v11 и Lamarck-14B-v0.7. Модель содержит 14 млрд параметров, работает с текстом и рассчитана на генерацию ответов в диалоге; каталог также отмечает интерфейс вызова инструментов. Длина контекста составляет 131 072 токена. Модель может применяться для диалоговых сценариев и генерации текста. В README не приведены оценки качества, конкретные поддерживаемые языки или дополнительные ограничения. Файлы представлены в формате safetensors; лицензия в доступных данных не указана.

PaweekornSora/SeedX-DIPv2 — дообученная PaweekornSora языковая модель на архитектуре Mistral с 7,2 млрд параметров, созданная на основе ByteDance-Seed/Seed-X-Instruct-7B. Модель предназначена для генерации текста; базовая модель адаптирована для перевода между 28 языками, поэтому перевод — вероятный сценарий применения этой производной версии. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекст длиной до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель распространяется в формате safetensors по лицензии Apache-2.0.

CultriX/SeQwence-14B-EvolMergev1 — языковая модель на архитектуре Qwen2, созданная слиянием предварительно обученных моделей методом DARE TIES с помощью mergekit. В слиянии участвовали SeQwence-14Bv1, Qwen2.5-14B-Wernicke и Qwen2.5-14B-MegaMerge-pt2; размер модели — 14 млрд параметров. Репозиторий содержит веса в формате Safetensors, а для работы указана библиотека Transformers. Модель предназначена для генерации текста и диалогового общения; метаданные также отмечают интерфейс вызова инструментов. Контекстное окно составляет 131 072 токена. Карточка не описывает языковую специализацию или результаты оценки качества, поэтому область применимости и качество ответов за пределами общих сценариев генерации текста не установлены. Лицензия в предоставленных данных не указана.

jaspionjader/sof-5 — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом Model Stock. При слиянии использованы jaspionjader/sof-3, jaspionjader/ek-6 и jaspionjader/sof-4; базовой моделью указана jaspionjader/Kosmos-EVAA-Franken-stock-v43-8B. Модель относится к семейству Llama, использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет до 131 072 токенов. Карточка не описывает целевые языки или специализированные области применения, поэтому модель следует рассматривать как универсальную. В репозитории указаны веса в формате safetensors и тип данных bfloat16. Лицензия в предоставленных данных не приведена. Карточка не содержит результатов оценки качества или конкретных ограничений поведения модели.