I.3Извлечение и структурирование данных

granite-4.2-3b-MLX-8bit — это 8-битная квантованная версия модели granite-4.2-3b, разработанной командой ibm-granite. Квантование выполнено командой LM Studio с использованием mlx_lm и оптимизировано для работы на устройствах Apple Silicon. Модель предназначена для генерации текста и поддерживает сценарии, связанные с рассуждениями, пошаговым мышлением и вызовом инструментов. В карточке указаны следующие языки: английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский. Размер исходной модели составляет 3 миллиарда параметров; сведения об архитектуре и размере контекстного окна не указаны. Ключевые преимущества модели — сниженное потребление памяти благодаря 8-битному представлению и оптимизация для экосистемы Apple Silicon, что делает её подходящей для локального запуска на совместимых устройствах. Ограничения включают возможное снижение точности по сравнению с полной версией из-за квантования, а также отсутствие в предоставленных данных подробных результатов оценки, характеристик производительности и спецификаций контекстного окна. Модель распространяется по лицензии Apache-2.0.

Hermes-3-Llama-3.1-70B-lorablated-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Hermes-3-Llama-3.1-70B-lorablated, разработанной на базе Llama 3.1 и опубликованной mlabonne. Квантизации подготовлены пользователем bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалогового взаимодействия. Она поддерживает запуск через llama.cpp и LM Studio; в README также приведён специальный шаблон промпта с ролями system, user и assistant. Доступно множество вариантов квантизации от Q8_0 до IQ1_M, что позволяет выбирать баланс между качеством, размером файла и требованиями к оперативной памяти. Размеры указанных файлов составляют примерно от 19 до 75 ГБ. Сильной стороной набора является возможность локального запуска крупной 70B-модели с разным уровнем сжатия; варианты Q6_K, Q5_K_M и некоторые Q4 рекомендуется использовать для высокого качества. Более компактные варианты требуют меньше памяти, но снижают качество генерации. В README не указаны поддерживаемые языки, размер контекстного окна, точные архитектурные характеристики, мультимодальные возможности и лицензия, поэтому эти свойства нельзя достоверно определить по представленным данным.

Это GGUF-квантизированная версия модели DeepSeek-R1-Distill-Llama-70B-abliterated, разработанной huihui-ai и подготовленной к публикации пользователем bartowski. Модель предназначена для генерации текста и локального запуска в LM Studio, llama.cpp и других проектах на базе llama.cpp. В основе лежит модель с архитектурой Llama и размером 70B параметров; в README также указано, что она относится к вариантам abliterated и uncensored. Доступны многочисленные уровни квантизации, включая Q8_0, Q6_K, Q5_K_M, Q4_K_M, Q4_K_S, IQ4_XS и варианты Q3. Размер файлов составляет примерно от 30,91 до 74,98 ГБ. Квантизация выполнена с использованием imatrix и llama.cpp версии b4585. Формат запроса использует специальные токены DeepSeek. Сильной стороной являются варианты с высокой точностью, особенно Q6_K и Q5_K_M, а Q4_K_M предлагает более экономичный компромисс между качеством и размером. Версии с меньшей битностью позволяют снизить требования к оперативной памяти, но обеспечивают более низкое качество. README не содержит сведений о поддерживаемых языках, размере контекста, фактической производительности и точных аппаратных требованиях. Лицензия в предоставленных данных не указана.

Hy3-NVFP4 — квантизированная версия языковой модели Tencent Hy3, созданная Tiyuvta. Модель предназначена для генерации текста, диалоговых сценариев и задач с вызовом инструментов. Это открытый артефакт весов, а не готовый облачный endpoint. Модель представляет собой weight-only NVFP4-квантизацию W4A16 в формате safetensors, выполненную из официального BF16-чекпойнта Tencent Hy3 с помощью NVIDIA Model Optimizer 0.46.0. В архитектуре используются mixture-of-experts и multi-token prediction. Большинство весов маршрутизируемых экспертов, включая MTP-слой, хранятся в NVFP4, тогда как attention, embeddings, output head, нормы, router и ряд других компонентов используют BF16 или исходную точность. Активации экспертов остаются в BF16, KV-кэш этой квантизацией не изменяется. Артефакт квалифицирован на серверном движке Tiyuvta на четырёх NVIDIA RTX PRO 6000 Blackwell Server Edition. Проверка показала близость к эталонному ModelOpt-прогону, корректную работу MTP, tool calling, конкурентных запросов и повторного использования кэша. При этом модель ещё не прошла полноценную настройку производительности, экспериментальный wave-режим отключён, а заявленные характеристики производительности отсутствуют. В README не указаны размер модели, поддерживаемые языки и длина контекста. Лицензия — Apache-2.0, унаследованная от исходной модели. Для использования требуется совместимый runtime с поддержкой NVFP4 и соответствующей конфигурации; опубликованный репозиторий содержит модельный артефакт, но Tiyuvta не предоставляет для него hosted model ID.

immersyn2026 выпустил чат-модель immersyn-mini-v1, дообученную на базе unsloth/qwen2.5-coder-3b-instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации текста в диалоге; в метаданных также заявлен интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL от Hugging Face. Модель принимает текст и генерирует текст, поддерживает английский язык и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специализированную область применения или результаты оценки качества.

InnerILLM-0x00d0-Ox0dad0-Nous-Yarn-Mistral-7B-slerp — плотная языковая модель семейства Mistral на 7,1 млрд параметров, созданная InnerI объединением моделей NousResearch/Yarn-Mistral-7b-128k и InnerI/InnerILLM-0x00d0-Ox0dad0-nous-nous-v2.0-7B-slerp методом SLERP с помощью LazyMergekit. Она предназначена для генерации текста и диалоговых сценариев. Базовая модель Yarn-Mistral рассчитана на работу с длинным контекстом; для этой модели указано окно в 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не описывает отдельные языковые специализации или результаты оценки качества.

inception42/jais-family-30b-16k-chat — чат-модель семейства Jais, созданного Inception Institute of Artificial Intelligence. Это дообученная для диалога версия базовой модели inceptionai/jais-family-30b-16k: автор описывает Jais Family как двуязычные англо-арабские большие языковые модели, оптимизированные для арабского языка и обладающие сильными возможностями на английском. Модель предназначена для диалоговых приложений, генерации и понимания текста, анализа тональности и суммаризации арабских и англоязычных документов. Модель имеет архитектуру декодера с авторской реализацией класса, для загрузки которой требуется включить trust_remote_code. В названии указаны размер 30B и контекст 16k; файлы представлены в формате safetensors. Метаданные помечают модель как чат-модель. Лицензия — Apache-2.0. Сильная сторона модели — ориентация на арабский язык при сохранении возможностей английского, включая диалоговые сценарии. Ограничения: ответы ориентированы на арабский и английский, возможны ошибки, предвзятость и оскорбительный либо вводящий в заблуждение контент; модель не предназначена для высокорисковых решений без контроля человека и обработки конфиденциальных данных.

ddobokki выпустил инструкционную модель Llama-2-70b-orca-200k на архитектуре LlamaForCausalLM с плотной архитектурой и примерно 68,7 млрд параметров. Она обучена на выборке из 200 тысяч примеров OpenOrca и предназначена для генерации текста по инструкциям и диалога в формате «Human — Assistant». Метаданные указывают английский язык и контекстное окно 4096 токенов; модель распространяется в формате PyTorch. Модель подходит для ответов на вопросы, выполнения текстовых инструкций и диалоговых сценариев на английском языке. Карточка ссылается на отдельные документы с политикой использования и рекомендациями по ответственному применению. Лицензия в предоставленных данных не указана.

kechengcode/Llama-3.1-5B-Instruct-18Layers — компактная текстовая генеративная модель на архитектуре Llama, созданная методом passthrough merge из слоёв Meta Llama 3.1 8B Instruct с помощью mergekit. В репозитории указаны 4,5 млрд параметров, формат safetensors и библиотека Transformers; метаданные указывают контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и интерфейсов вызова инструментов. Её можно использовать для ответов на вопросы, черновиков текстов и подключения языковой модели к приложениям с инструментами. Карточка не описывает отдельную специализацию по предметной области или языкам; исходная модель — Llama 3.1 8B Instruct. Лицензия в предоставленных данных не указана. Сокращённый набор слоёв может влиять на качество и поведение относительно исходной модели; отдельные результаты оценки не приведены.

Это GGUF-сборка модели Llama 3.1 Nemotron 70B Instruct, опубликованная MarsupialAI. Она основана на Meta Llama 3.1 70B Instruct и предназначена для диалоговой генерации текста. В метаданных указана связь с датасетом NVIDIA HelpSteer2; README сообщает, что сборка использует iMatrix, созданную с помощью groups_merged.txt от Kalomaze. Модель можно применять для диалоговых ассистентов, ответов на вопросы и генерации текста на английском и других поддерживаемых языках базовой модели. Репозиторий содержит формат GGUF, подходящий для запуска совместимыми средствами инференса. Размер базовой модели — 70 млрд параметров. Используется лицензия Llama 3.1; перед применением необходимо соблюдать её условия.

Llama-3-Orca-1.0-8B-GGUF — квантизированная версия текстовой генеративной модели Llama-3-Orca-1.0-8B, разработанной Locutusque и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для локального запуска через llama.cpp и совместимые inference-движки, а также для генерации ответов в диалоговом формате. В обучении использовались наборы Open-Orca/SlimOrca-Dedup, jondurbin/airoboros-3.2, microsoft/orca-math-word-problems-200k, m-a-p/Code-Feedback и MaziyarPanahi/WizardLM_evol_instruct_V2_196k. Модель содержит 8 миллиардов параметров и работает только с текстом. В репозитории представлены варианты квантизации от Q8_0 до IQ1_S, что позволяет выбирать баланс между качеством и требованиями к памяти; наиболее предпочтительными в README названы Q6_K, Q5_K_M, Q5_K_S и ряд вариантов Q4. Доступны файлы размером примерно от 2 до 8,5 ГБ. Для общения используется шаблон с ролями system, user и assistant на основе специальных токенов Llama 3. Сильной стороной модели является возможность локального запуска на устройствах с ограниченными ресурсами и выбор уровня квантизации. При уменьшении разрядности снижаются требования к памяти, но ухудшается качество генерации; варианты IQ1 и некоторые Q3/Q2 обозначены как низкокачественные или нерекомендуемые. Длина контекста, поддерживаемые языки и точные показатели качества в README не указаны. Лицензия обозначена как other, без дополнительных условий в предоставленных данных.

Llama-Breeze2-8B-Instruct-v01 — мультимодальная модель MediaTek Research с 8 млрд параметров, основанная на LLaMA 3.2 и архитектуре InternVLChat. Модель продолжает предварительное обучение на обширном корпусе для улучшения работы с традиционным китайским языком и культурным контекстом; визуальный энкодер и связующий модуль добавляют обработку изображений. Предусмотрены диалоговое следование инструкциям и вызов функций через шаблоны запросов и дополнительное обучение на данных вызова функций. Модель подходит для диалогов и инструкций на китайском и английском языках, вопросов по изображениям и сценариев, где языковая модель должна вызывать инструменты. Для использования заявлены веса в формате safetensors и библиотека Transformers версии 4.47.0. Указана лицензия Llama 3.2 Community License; применяются её условия.

Llama-Sentient-3.2-3B-Instruct — дообученная PrithivMLmods модель на архитектуре Llama для генерации текста и диалогов с выполнением инструкций. Она основана на meta-llama/Llama-3.2-3B-Instruct и дообучена на наборе mlabonne/lmsys-arena-human-preference-55k-sharegpt. Модель содержит 3,2 млрд параметров, использует PyTorch и имеет контекстное окно до 131 072 токенов. Модель предназначена для чат-ботов, виртуальных помощников, поддержки пользователей и генерации текстов, объяснений и сводок по запросу. Карточка указывает английский язык; метаданные также описывают базовую модель как мультиязычную, но явно перечисляют для этой модели только английский. Лицензия — CreativeML Open RAIL-M. Возможности и качество для конкретных задач могут отличаться; карточка не приводит результатов оценки.

bartowski/lordx64_Qwable-v1-GGUF — набор GGUF-квантизованных версий модели Qwable-v1, разработанной lordx64. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалоговых и агентских сценариев, включая использование инструментов, цепочки рассуждений и генерацию текста; в метаданных она также отмечена как image-text-to-text, однако подробности о поддерживаемых визуальных возможностях не приведены. Указан английский язык, а обучение связано с датасетом agentic-distill-fable-5-sft. В тегах упоминаются Qwen3, Qwen3.6, MoE, distillation и chained distill, но точная архитектура, число параметров и размер контекста в README не указаны. Доступны варианты от BF16 и Q8_0 до более компактных IQ- и Q3-квантизаций. Размер файлов варьируется примерно от 15,98 до 71,07 ГБ; Q4_K_M обозначен как вариант по умолчанию для большинства сценариев, а Q5 и Q6 — как рекомендуемые варианты более высокого качества. Более сильные квантизации обеспечивают лучшее сохранение качества, тогда как низкобитные версии экономят оперативную память, но могут заметно уступать в качестве. Для запуска предлагаются llama.cpp, LM Studio, Ollama-подобные и другие совместимые инструменты, однако для недавно поддерживаемых архитектур может потребоваться обновление ПО. Лицензия модели указана как AGPL-3.0. README не содержит результатов бенчмарков, точных требований к оборудованию, данных о размере контекста и детального описания ограничений, поэтому производительность и фактические мультимодальные возможности следует проверять отдельно.

loyal-piano-m7-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.1 и chargoddard/loyal-piano-m7 методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы; заявленная длина контекста — 32 768 токенов. Модель принимает текст и выдаёт текст. В тегах карточки указан английский язык, а среди обучающих данных названы наборы для диалогов, суммаризации и ролевого общения. Вес опубликован в формате Safetensors под лицензией Apache-2.0. Карточка не содержит сравнительных оценок качества, поэтому пригодность для конкретных сценариев стоит проверять на собственных данных.

M7Yamshadowexperiment28_Experiment26T3q — слитая модель для генерации текста, созданная на основе automerger/M7Yamshadowexperiment28-7B и automerger/Experiment26T3q-7B. В метаданных указаны архитектура Mistral, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы; описание базовой модели также указывает на применение для математических задач. Репозиторий содержит веса в формате safetensors. Модель выпущена по лицензии Apache-2.0.

M7Yamshadowexperiment28_OgnoExperiment27 — слитая языковая модель на архитектуре Mistral, созданная объединением automerger/M7Yamshadowexperiment28-7B и automerger/OgnoExperiment27-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; поддерживает контекст длиной до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате SafeTensors. Она распространяется по лицензии Apache-2.0. Сведения о конкретных языках обучения и известных ограничениях в карточке не приведены.

Meta-Llama-3-70B-Instruct-abliterated-v3.5-IMat-GGUF — это GGUF-квантизированная версия языковой модели Meta-Llama-3-70B-Instruct-abliterated-v3.5, подготовленная legraphista на основе модели failspy. Модель предназначена для генерации текста и диалоговых сценариев с использованием llama.cpp и совместимых инструментов. Модель имеет размер 70 млрд параметров и поставляется в форматах BF16, FP16, Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и других вариантах квантизации. Для ряда вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшении размера модели. Доступны файлы размером примерно от 26,38 ГБ до 141,12 ГБ; часть крупных вариантов разделена на несколько файлов. README не содержит сведений о длине контекста, поддерживаемых языках или мультимодальности, поэтому модель следует считать текстовой. Сильной стороной является сочетание крупного размера исходной модели с различными уровнями квантизации, позволяющими выбирать баланс между качеством, требованиями к памяти и скоростью инференса. Ограничения связаны с высокими аппаратными требованиями даже для квантизированных вариантов и возможной потерей качества при агрессивной квантизации. Модель распространяется по лицензии llama3; для использования необходимо учитывать условия этой лицензии.

Карточка модели Ayush-1722/Meta-Llama-3-8B-Instruct-Summarize-v0.2-24K-LoRANET-Merged на Hugging Face совпадает с карточкой NousResearch/Meta-Llama-3-8B-Instruct, поэтому описание составлено по ней. NousResearch/Meta-Llama-3-8B-Instruct — инструктивная версия семейства больших языковых моделей Llama 3, разработанного Meta. Это плотная авторегрессионная трансформерная модель класса LlamaForCausalLM с Grouped-Query Attention и примерно 7,5 млрд параметров; она принимает текст и генерирует текст, включая код. Контекст — до 8192 токенов. Модель настроена для диалоговых сценариев и работы в роли ассистента: она отвечает на вопросы, поддерживает беседу и выполняет инструкции на английском языке. Настройка включает supervised fine-tuning и обучение с подкреплением на основе человеческой обратной связи. Модель можно запускать через Transformers и использовать в приложениях, которым нужна генерация текста. В карточке указана пользовательская коммерческая лицензия Meta Llama 3. README ориентирует модель прежде всего на английский язык и предостерегает от использования в других языках, хотя допускает дообучение для них при соблюдении условий лицензии и политики допустимого использования. Это статичная модель, обученная на офлайн-данных; для прикладного развёртывания могут потребоваться дополнительные меры безопасности, а ответы модели могут быть ошибочными.

MiniCPM4.1-8B — языковая модель OpenBMB для диалогов, рассуждений и генерации текста. Это плотная причинная модель семейства MiniCPM с 7,9 млрд параметров; карточка сообщает о гибридном режиме рассуждений с обучаемым разреженным вниманием и ускорении декодирования с помощью speculative decoding. Модель поддерживает контекст до 65 536 токенов и рассчитана на китайский и английский языки. Модель подходит для диалоговых ассистентов, пошагового решения задач и генерации длинных ответов. Её можно запускать через Transformers, SGLang, vLLM, CPM.cu, llama.cpp и Ollama; для Transformers требуется версия 4.56 или новее. В README заявлены сильные результаты на задачах рассуждения и ускорение генерации, но конкретные оценки в предоставленной карточке не приведены. Модель распространяется по лицензии Apache-2.0. Для работы с полной точностью требуется достаточно памяти для модели такого размера; фактическая скорость и доступная длина генерации зависят от оборудования и конфигурации. В предоставленных данных не описаны специальные механизмы снижения риска ошибочных ответов.

MiniCPM5-1B-heretic-som-i1-GGUF — GGUF-квантизированная версия языковой модели MiniCPM5-1B-heretic-som, подготовленная mradermacher на основе модели dalatexcoder. Модель предназначена для генерации и обработки текста, диалоговых сценариев, задач с длинным контекстом, вызова инструментов и локального запуска на устройствах с ограниченными ресурсами. В метаданных указана поддержка английского и китайского языков. Модель содержит около 1 млрд параметров и представлена в различных вариантах квантизации GGUF размером примерно от 0,5 до 1,0 ГБ, включая IQ- и Q-варианты. Доступны imatrix-квантизации, оптимизированные для самостоятельного создания квантованных файлов. Наиболее сбалансированными в README названы i1-Q4_K_S и i1-Q4_K_M, причём последний рекомендован как быстрый вариант. Заявленные преимущества — небольшой размер, возможность работы локально и на периферийных устройствах, а также поддержка длинного контекста и tool calling. Качество зависит от выбранного уровня квантизации: самые компактные варианты могут заметно снижать качество генерации, а некоторые обозначены как имеющие очень низкое качество. Точные параметры архитектуры, максимальная длина контекста, результаты бенчмарков и сведения о мультимодальности в README не приведены; по доступным данным это текстовая модель. Модель распространяется по лицензии Apache-2.0.

Jeff98/MiniCPM5-2B-openvino — это версия языковой модели openbmb/MiniCPM5-2B, преобразованная в формат OpenVINO с помощью optimum-intel. Архитектура, токенизатор, шаблон диалога и основные возможности унаследованы от исходной модели; репозиторий не содержит дополнительного обучения или выравнивания. Модель предназначена для генерации текста и ведения диалогов. Модель содержит примерно 2 млрд параметров и поддерживает китайский, английский и другие языки, заявленные для исходной MiniCPM5-2B. Она рассчитана на локальный запуск, разработку ассистентов и инструментов программирования, edge-сценарии, а также эксперименты на рабочих станциях. OpenVINO обеспечивает выполнение на CPU и Intel GPU, а OpenVINO Model Server позволяет развернуть модель через совместимый с OpenAI REST API. Точный размер контекста и архитектурные детали в README не указаны. Сильная сторона модели — готовность к эффективному локальному развертыванию в OpenVINO, включая преобразованные токенизатор и детокенизатор, поддержку OVMS и OpenAI-совместимого интерфейса. Ограничения унаследованы от исходной модели: возможны фактические ошибки, галлюцинации, некорректная генерация кода, зависимость качества от формулировки запроса и различия в качестве между языками; конвертация может приводить к небольшим числовым отличиям. Модель распространяется по лицензии Apache-2.0.

JANGQ-AI MiniMax-M2.7-JANG_6M — квантованная версия MiniMax M2.7 от Jinho Jang (JANGQ), подготовленная для запуска через vMLX и MLX на компьютерах Apple Silicon. Это языковая модель для диалога и генерации текста с архитектурой MoE: исходная модель содержит 228,7 млрд параметров и 256 экспертов, а в метаданных репозитория указано 2,9 млрд параметров. Контекстное окно составляет 196 608 токенов. Вариант JANG_6M использует смешанную точность со средним размером около 6,03 бита: внимание и выходной слой хранятся в 8 битах, эмбеддинги и экспертные MLP — в 6 битах, а маршрутизатор экспертов — в float16. Модель предназначена для диалогов, рассуждений и сценариев с вызовом инструментов; для запуска автор рекомендует MLX Studio. Это модель с постоянным режимом рассуждений: README предупреждает, что температура 0 может приводить к бесконечным циклам рассуждений, и рекомендует температуру 1,0. Количественные результаты оценки MiniMax M2.7 для этой версии ещё не опубликованы; приведённые в карточке результаты MMLU относятся к другой модели семейства. Для запуска требуется Apple Silicon Mac с 192 ГБ объединённой памяти и MLX. Лицензия указана как other; README описывает условия как исследовательское и личное использование и требует соблюдать лицензию MiniMax.

Joseph717171/Mistral-12.25B-Instruct-v0.2 — разговорная языковая модель на архитектуре Mistral, созданная методом Depth Up-Scaling на основе mistralai/Mistral-7B-Instruct-v0.2 и объединения предварительно обученных моделей с помощью mergekit. Разработчик описывает её как основу для дальнейшего дообучения и как замену Mistral-7B-Instruct-v0.2 с увеличенным числом параметров. Модель содержит 12,3 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Она подходит для диалогов и других задач генерации текста. В карточке приведён шаблон чата Mistral Instruct. Авторы отмечают, что оптимальность выбранных параметров Depth Up-Scaling ещё не установлена, а более широкое исследование гиперпараметров ограничили затраты на продолжение предобучения. README также предупреждает об отсутствии встроенных механизмов модерации. Лицензия — Apache-2.0.

Mistral-7b-FFT-Test3-Mistral-7B-Instruct-v0.2-slerp — текстовая диалоговая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием методом SLERP моделей mistralai/Mistral-7B-Instruct-v0.2 и Dans-DiscountModels/Mistral-7b-FFT-Test3; в конфигурации указан тип данных bfloat16. Модель предназначена для генерации текста и выполнения инструкций в диалоге, а контекст составляет до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и других сценариев генерации текста. В карточке указана лицензия Apache-2.0. Данных о специальных предметных областях или языках, на которые модель рассчитана в первую очередь, нет.

Sakalti/model-3-decem — языковая модель для генерации текста и диалогов, созданная слиянием моделей методом TIES с помощью mergekit. В качестве базовой модели указана Sakalti/model-3; в слиянии также участвовала qfq/Qwen2.5-7B-Instruct-20241204-114939. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и принимает текст, выдавая текст. Для работы с весами используется формат safetensors; заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговых сценариев и генерации ответов, а метаданные также отмечают интерфейс вызова инструментов. В карточке не приведены сведения о языках обучения или качествах модели. Лицензия в предоставленных данных не указана.

stefra/modernbert-large-unical — модель архитектуры UNICAL на базе дообученного двунаправленного энкодера answerdotai/ModernBERT-large. Она принимает текстовое состояние и один или несколько утверждений и оценивает вероятность истинности каждого из них. Модель предназначена для быстрой проверки семантических условий и может служить заменой sem_filter; это классификатор, а не генеративная модель. Утверждения обрабатываются в одной последовательности с общим текстом состояния, а блочная двунаправленная маска внимания позволяет оценивать их независимо: оценка утверждения совпадает с оценкой при отдельной обработке. Для использования предусмотрены Transformers и пакет unical. В README приведены результаты проверок на нескольких наборах данных, включая задачи, не встречавшиеся при обучении; метрики различаются между наборами, поэтому качество следует проверять на целевых данных. Модель распространяется в формате safetensors; для загрузки пользовательского кода архитектуры в Transformers требуется trust_remote_code=True. Лицензия в предоставленных данных не указана.

TheDrummer выпустил Temitoku x Mitekuto — языковую модель для генерации текста и диалогов, созданную с помощью mergekit методом passthrough на основе unsloth/Mistral-Small-Instruct-2409. Модель использует плотную архитектуру MistralForCausalLM и содержит 38,8 млрд параметров; заявленная длина контекста — до 131 072 токенов. Она работает через библиотеку Transformers и распространяется в формате safetensors. Модель подходит для диалогового общения, генерации текста и сценариев с интерфейсом вызова инструментов. README указывает на объединение предварительно обученных языковых моделей, но перечисляет только одну базовую модель. Лицензия в предоставленных данных не указана.

Nebula-v2-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и Nebula-v2-7B методом SLERP. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и выдаёт текст; максимальный контекст составляет 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Языки в предоставленных данных не перечислены, поэтому нельзя определить, на каких языках она работает лучше всего. README описывает состав и параметры слияния, но не приводит сравнительных оценок качества или подробных ограничений.

Fizzarolli/Nemo_Pony_2-merged — объединённая языковая модель, созданная методом passthrough с помощью mergekit. В состав объединения входят mistralai/Mistral-Nemo-Instruct-2407 и Ada321/Nemo_Pony_2; в конфигурации также указан путь к LoRA-адаптеру. Модель построена на архитектуре MistralForCausalLM, содержит 12,1 млрд параметров и распространяется в формате safetensors с библиотекой Transformers. Модель предназначена для генерации текста и диалоговых сценариев. Каталог также отмечает интерфейс вызова инструментов. Базовая Mistral Nemo — многоязычная инструктивная модель для диалога, следования инструкциям и вызова инструментов; карточка этой модели отдельно не уточняет поддерживаемые языки, длину контекста, лицензию или результаты оценки качества.