I.3Извлечение и структурирование данных

Rabbit-7B-DPO-Chat-Mistral-7B-Instruct-v0.1 — чат-модель на архитектуре Mistral, созданная объединением mistralai/Mistral-7B-Instruct-v0.1 и viethq188/Rabbit-7B-DPO-Chat методом SLERP. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста в ответ на инструкции и диалоговые запросы; заявленный контекст — до 32 768 токенов. Модель подходит для чат-ботов, диалоговых помощников и генерации ответов на текстовые запросы. Файлы опубликованы в формате safetensors, слитые веса указаны в bfloat16. Лицензия — Apache-2.0. Карточка не сообщает о поддерживаемых языках или специализированных областях применения.

MaziyarPanahi/samantha-mistral-7b-Mistral-7B-Instruct-v0.1 — чат-модель, полученная слиянием Mistral-7B-Instruct-v0.1 и cognitivecomputations/samantha-mistral-7b методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации ответов на инструкции и ведения диалогов; заявленная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст. Модель подходит для диалоговых ассистентов и ответов на запросы на естественном языке. Репозиторий содержит веса Safetensors, лицензия — Apache 2.0. В метаданных не указаны отдельные языки или специализированные прикладные области.

Это дообученная модель Sentence Transformers, созданная автором dragonkue на основе Snowflake/snowflake-arctic-embed-l-v2.0 и дополнительно обученная на корейских данных для поиска по документам. Она преобразует предложения и абзацы в нормализованные плотные векторы размерностью 1024; для сравнения текстов используется косинусное сходство. Архитектура основана на XLM-RoBERTa с CLS-пулингом, а заявленная максимальная длина последовательности составляет 8192 токена. Модель предназначена для семантического поиска и оценки сходства текстов на корейском и английском языках. Её можно использовать для поиска по документам, в том числе по запросам в разных формулировках и по содержимому таблиц Markdown; README приводит оценки на корейских наборах для поиска в медицинской, финансовой, юридической, государственной и других областях. Модель опубликована под лицензией Apache-2.0. При этом обучение проводилось с длиной текста до 1300 токенов, поэтому качество поиска по существенно более длинным документам может снижаться; для длинных текстов README рекомендует рассмотреть альтернативы. Заявленная максимальная длина последовательности не гарантирует сохранения качества на всей этой длине.

SOLAR-10.7B-Instruct-v1.0 — диалоговая языковая модель компании Upstage, дообученная для одношаговых бесед на базе upstage/SOLAR-10.7B-v1.0. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Она принимает текст и генерирует текстовые ответы на английском языке. Модель прошла инструкционное дообучение с учителем и оптимизацию предпочтений DPO на смесях наборов Alpaca-GPT4, OpenOrca, Orca DPO и UltraFeedback, а также данных, созданных с помощью Metamath. Подходит для диалоговых ответов, выполнения инструкций, объяснений и задач на рассуждение. В карточке заявлены результаты конкурентного качества для своего размера, но это заявление разработчика и оно не гарантирует качество в конкретном сценарии. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель ориентирована на одношаговые беседы; контекст ограничен 4096 токенами, поэтому она не предназначена для длительных многошаговых диалогов без специальной настройки.

Stable Beluga 7B — авторегрессионная языковая модель Stability AI, дообученная на базе Llama 2 7B на внутреннем наборе данных в стиле Orca. Модель с плотной архитектурой Llama содержит 6,6 млрд параметров, принимает текст и предназначена для генерации ответов на текстовые запросы. Максимальная длина контекста — 4096 токенов; заявленный язык — английский. Модель подходит для диалогов, ответов на вопросы и выполнения разнообразных текстовых инструкций. В README отмечено, что тестирование проводилось на английском языке. Ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед внедрением модель следует проверить и настроить для конкретного применения. Чекпойнт распространяется по некоммерческой лицензии STABLE BELUGA NON-COMMERCIAL COMMUNITY LICENSE AGREEMENT.

Synatra-7B-v0.3-dpo-Mistral-7B-Instruct-v0.1 — чат-модель генерации текста, созданная объединением mistralai/Mistral-7B-Instruct-v0.1 и maywell/Synatra-7B-v0.3-dpo методом slerp. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; для хранения используются веса Safetensors. Указанная длина контекста составляет 32 768 токенов. Модель предназначена для ответов на инструкции и диалоговые запросы в формате чата. Её можно применять для создания диалоговых ассистентов, генерации ответов и черновиков текста. В карточке указана лицензия Apache-2.0. Данные не описывают отдельные ограничения качества или специализированные области применения.

Google T5Gemma ML-ML UL2 — текстовая encoder-decoder модель семейства T5Gemma, адаптированная с использованием UL2. В карточке T5Gemma описана как семейство компактных моделей Google, созданных преобразованием предварительно обученных decoder-only моделей в encoder-decoder архитектуру; варианты могут сочетать энкодеры и декодеры разного размера. Размер именно этой модели и длина её контекста в предоставленных данных не указаны. Модель предназначена для генерации и преобразования текста, включая ответы на вопросы, суммаризацию и рассуждения. Карточка указывает английский язык и широкие сценарии создания контента; метаданные задают основную задачу как text-generation. Весовые файлы доступны в формате safetensors и используются через Transformers. К ограничениям относятся возможные фактические ошибки, смещения обучающих данных и трудности с неоднозначными формулировками и сложными открытыми задачами. Модель распространяется по лицензии Gemma; для её использования следует учитывать политику допустимого использования Gemma.

TopEvolutionWiz — языковая модель для генерации текста, созданная сообществом mergekit-community путём слияния моделей методом SLERP. В слияние вошли mergekit-community/TopEvolution и lucyknada/microsoft_WizardLM-2-7B; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель доступна в формате Safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов и диалогового взаимодействия. Конфигурация слияния задаёт V-образное распределение весов: вклад Hermes используется на входе и выходе, а WizardMath — в средних слоях. Лицензия в предоставленных данных не указана.

Tulu 2 7B — разговорная языковая модель-ассистент, разработанная AllenAI и дообученная на основе Meta Llama 2 7B. Она обучена на смеси общедоступных, синтетических и созданных людьми инструкций и диалогов; архитектура — плотная LlamaForCausalLM, размер — около 6,6 млрд параметров. Модель принимает текст и генерирует текст, рассчитана прежде всего на английский язык, поддерживает контекст до 8192 токенов. Модель предназначена для диалоговых ответов и выполнения инструкций в универсальных сценариях. В карточке приведены результаты MT-Bench и AlpacaEval для варианта SFT, но они не гарантируют качество на конкретных задачах. Для лучшей генерации следует соблюдать формат входа, описанный в карточке. Модель не прошла выравнивание на безопасные ответы в RLHF и не использует встроенную фильтрацию: она может выдавать проблемный контент, особенно при соответствующих запросах. Лицензия — AI2 ImpACT Low-risk; перед использованием следует учитывать её условия.

Unsloth-Ornith-1.5-35B-A3B — независимая общественная GGUF-квантизация модели Ornith-1.5-35B-A3B, разработанной ornith-ai и опубликованной пользователем peculiar-ragdoll. Модель предназначена для генерации текста и запуска в llama.cpp-совместимых приложениях, включая llama.cpp, LM Studio и Ollama. Это текстовая MoE-модель архитектуры qwen35moe с конфигурацией 35B-A3B; точные сведения о языках и размере контекста в README не указаны. Набор включает несколько уровней квантизации от UD-Q2_K_XL примерно на 12 ГБ до UD-Q8_K_XL примерно на 37 ГБ. Используются покомпонентная политика Unsloth-Dynamic, свежая importance matrix, рассчитанная на смешанном многоязычном и кодовом корпусе, а также оригинальный chat template Ornith без изменений. Это позволяет выбирать баланс между размером, качеством и требованиями к VRAM: например, UD-Q4_K_XL заявлен как рекомендуемый компромисс, а UD-Q8_K_XL — как вариант, близкий к исходному качеству. К преимуществам относятся несколько вариантов для оборудования с разным объёмом памяти, калибровка под конкретную модель и сохранение поведения базовой модели. Из ограничений следует учитывать потери, характерные для квантизации, зависимость производительности от поддержки GGUF и llama.cpp-совместимого стека, а также отсутствие обученного блока MTP, который удалён из всех вариантов; по данным README, это не меняет результаты, но уменьшает размер файлов. Модель распространяется по лицензии MIT, унаследованной от Ornith-1.5; проект не является официальным выпуском Unsloth и не связан с ним.

Карточка модели RedHatAI/whisper-tiny на Hugging Face совпадает с карточкой openai/whisper-tiny, поэтому описание составлено по ней. Whisper Tiny — компактная предварительно обученная модель распознавания речи семейства Whisper, разработанная OpenAI. Это трансформерная архитектура «энкодер—декодер» с 29,4 млн параметров, обученная на больших массивах размеченной речи с масштабным слабым контролем. Модель принимает аудио и генерирует его текстовую расшифровку; семейство Whisper также поддерживает перевод речи, но метаданные этой модели указывают только задачу распознавания речи. Модель подходит для транскрибации речи на множестве языков, включая русский, а также для распознавания аудио с акцентами, фоновым шумом и технической лексикой. Базовая длительность входного аудиофрагмента — до 30 секунд; длинные записи можно обрабатывать с разбиением на фрагменты. Модель может выдумывать слова, которых нет в аудио, повторять текст, а качество распознавания неодинаково для разных языков, акцентов и диалектов. Распространяется по лицензии Apache-2.0.

YamshadowInex12_OgnoExperiment27 — слитая языковая модель на базе двух моделей: automerger/YamshadowInex12-7B и automerger/OgnoExperiment27-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; веса опубликованы в формате Safetensors. Модель предназначена для генерации текста и диалогов по текстовым запросам. Контекст составляет до 32 768 токенов, что позволяет работать с длинными запросами и документами. Модель размещена под лицензией Apache-2.0.

Карточка модели PS4Research/005Kq3yTVMadlDXH на Hugging Face совпадает с карточкой PS4Research/IKn8jwlNamPNIS15, поэтому описание составлено по ней. Модель PS4Research/IKn8jwlNamPNIS15 — дообученная PS4Research языковая модель семейства Granite на базе ibm-granite/granite-4.2-30b. Она предназначена для генерации текста и диалогового взаимодействия; интерфейс также поддерживает вызов инструментов. Модель содержит 28,9 млрд параметров, использует плотную архитектуру GraniteForCausalLM и принимает контекст длиной до 131 072 токенов. В метаданных указан английский язык. Базовая модель IBM описана как многоязычная и предназначенная для рассуждений, диалога, программирования и вызова инструментов, однако README не уточняет, какие именно навыки были предметом дообучения этой версии. Модель распространяется в формате safetensors по лицензии Apache-2.0; для ускорения обучения использовались Unsloth и библиотека TRL.

Модель fhnw/2025H2-SFT-BAI-FHNW — вариант GPT-OSS 20B, дообученный методом supervised fine-tuning с использованием Unsloth QLoRA для FHNW. Она предназначена для следования инструкциям и обобщения на разные задачи; поддерживает диалоговый режим и интерфейс вызова инструментов. В репозитории представлены форматы GGUF и safetensors; в карточке также указана квантизация MXFP4. Модель подходит для учебных занятий, исследований и экспериментов с генеративным ИИ. Она принимает текст и генерирует текстовые ответы. Основной язык в карточке — английский. Репозиторий распространяется по лицензии Apache-2.0. Модель может галлюцинировать и выдавать устаревшую информацию, наследует ограничения GPT-OSS 20B и не предназначена для решений с высокими рисками или критически важных решений. Для важных результатов рекомендуется проверка человеком.

Это текстовая авторегрессионная модель семейства Qwen2 с плотной архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Репозиторий содержит контрольную точку в стандартном формате Hugging Face Transformers и safetensors; в README она обозначена как резервная копия исследовательского артефакта. Модель предназначена для генерации текста и диалогового взаимодействия. Метаданные указывают контекст до 131 072 токенов, а также интерфейс для вызова инструментов. Данных о специализированной предметной области или поддерживаемых естественных языках в карточке нет. Условия лицензии в доступных данных не приведены, поэтому условия использования определить нельзя. Поскольку чекпойнт назван резервной копией исследовательского артефакта, его практическое качество и пригодность для развертывания не подтверждены.

Apertus-v1.1-4B-Instruct — мультиязычная инструктивная языковая модель, разработанная Swiss AI Initiative как часть открытой экосистемы Apertus. Это плотный Transformer-декодер с grouped-query attention и активацией xIELU: 24 слоя, размерность модели 3072, 4,6 млрд параметров. Модель поддерживает контекст до 4096 токенов и предназначена для генерации текста в диалоговом формате, включая работу на устройствах с ограниченными ресурсами. Модель получена дистилляцией от Apertus-8B-2509, затем прошла дообучение на инструкциях и выравнивание. Разработчики заявляют нативную поддержку 1811 языков. Среди подходящих сценариев — многоязычный чат, ответы на вопросы, создание и преобразование текста. Репозиторий содержит веса в формате safetensors; библиотека для работы — Transformers. Лицензия Apache-2.0. Модель может выдавать фактически неверные или логически непоследовательные ответы и наследовать смещения обучающих данных; качество сложного следования инструкциям и решения продвинутых математических задач ограничено. Фильтр персональных данных для выходов не предоставляется, поэтому важные ответы следует проверять.

Bielik-11B-v3.0-Instruct-heretic-MPOA — разговорная текстовая модель на 11 млрд параметров, опубликованная gepardzik и основанная на дообученной SpeakLeash и ACK Cyfronet AGH модели Bielik-11B-v3.0-Instruct. Это плотная причинная декодерная модель архитектуры Llama, предназначенная для диалогов, ответов на вопросы и выполнения инструкций. Поддерживает многоязычную генерацию текста; исходная модель обучалась на 32 европейских языках с особым акцентом на польский. Контекст — до 32 768 токенов. В README приведено сравнение с исходной моделью: KL-дивергенция 0,0356 и 5 отказов из 100 против 36 у оригинала. Это указывает на заметное изменение поведения и меньше отказов, но не подтверждает точность или безопасность ответов. README исходной модели предупреждает, что она может выдавать фактические ошибки, предвзятый, оскорбительный или откровенный контент и не имеет встроенных механизмов модерации; эти ограничения следует учитывать и для производной модели. Репозиторий указывает лицензию Apache 2.0; в README исходной модели также упомянуты условия использования.

BigFalcon3-36B — объединённая языковая модель для генерации текста и диалогов, созданная с помощью mergekit на основе tiiuae/Falcon3-10B-Instruct. В репозитории указано слияние методом passthrough; метаданные описывают архитектуру как плотную LlamaForCausalLM и указывают 17,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и доступна в формате safetensors для Transformers. Модель подходит для диалоговых сценариев и генерации текста; метаданные также отмечают интерфейс вызова инструментов. Карточка не описывает отдельную специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

binarized-ingotrix-slerp-7b — объединённая языковая модель, созданная liminerity методом SLERP с помощью LazyMergekit из eren23/dpo-binarized-NeuralTrix-7B и liminerity/Ingot-7b-slerp-7-forged. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и использует формат SafeTensors; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В README приведены результаты оценивания на тестах AI2 Reasoning Challenge и HellaSwag. Использование разрешено по лицензии Apache 2.0. Языки, на которых модель специально обучена или проверена, в предоставленных данных не определены.

mulasan/bistbot-deepseek-math-8b — дообученная языковая модель mulasan на базе unsloth/DeepSeek-R1-Distill-Llama-8B-bnb-4bit. Это плотная архитектура Llama с примерно 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Модель принимает текст и генерирует текст, а её родная длина контекста составляет 131072 токена. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой TRL.

BLOOMZ — многоязычная авторегрессионная языковая модель семейства BLOOM, разработанная BigScience. Модель дообучена на смеси кроссъязычных задач xP3, чтобы следовать инструкциям на естественном языке и выполнять незнакомые задания в режиме zero-shot. Архитектура — плотная BloomForCausalLM; контекст — до 2048 токенов. Модель подходит для генерации текста по инструкциям, включая перевод, ответы на вопросы, классификацию по текстовому описанию и создание историй. Она рассчитана на множество языков; метаданные карточки отмечают, среди прочих, английский, французский, испанский, китайский, хинди, арабский, бенгальский и вьетнамский. Качество зависит от формулировки запроса: README советует явно обозначать конец входа и задавать нужный язык и контекст. Модель распространяется по лицензии bigscience-bloom-rail-1.0.

BLOSSOM-v3.1-yi-34b — диалоговая большая языковая модель, разработанная командой Blossom и дообученная на Yi-34B. Это плотная авторегрессионная модель семейства Llama с 33,9 млрд параметров и контекстом до 4096 токенов. Она принимает текст и генерирует продолжение диалога. Модель предназначена для общения на китайском и английском языках, ответов на вопросы и выполнения инструкций общего назначения. При обучении использовались наборы Wizard и Orca для одношаговых инструкций, а также данные Blossom для многоходового диалога и математических рассуждений. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка описывает обучение и формат диалога, но не приводит количественных оценок качества; результаты могут зависеть от формулировки запроса и ограниченного контекста.

Clara v2 — дообученная модель на 8,4 млрд параметров, разработанная ayan4m1 на базе ibm-granite/granite-4.1-8b. Она предназначена для диалоговых сценариев и создана как более компактная по числу параметров замена Clara-24B; при дообучении использовались промпты Claude Opus 4.5–4.7. Модель работает с текстом и изображениями в формате image-text-to-text, поддерживает чат, а её контекстное окно составляет 131 072 токена. В метаданных указан английский язык. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

CLM-Qwen3.5-2B — модель на основе Contrastive Language Models, разработанная Jayavibhav с использованием метода CLM, созданного Jacky Kwok, Hangoo Kang, Tarun Suresh, Jon Saad-Falcon, Marco Pavone, Christopher Ré и Azalia Mirhoseini. Это дообучение Qwen3.5-2B: замороженный языковой энкодер с двумя небольшими проекционными головами для представления состояния и ответа. Модель кодирует контекст и кандидаты в общем векторном пространстве, оценивает варианты по косинусному сходству и выдаёт относительное распределение вероятностей. Для повторно используемых вариантов можно кэшировать их представления. Модель предназначена для ранжирования вариантов ответа, классификации документов и типизированных решений по длинным текстовым контекстам. Она принимает состояния длиной до 131 тыс. токенов и обучена на английских данных, включая синтетические документы более чем 200 типов и задачи решений из нескольких прикладных областей. По заявлению авторов, модель превосходит CLM-v0.1-8B в тесте классификации документов, но уступает Jev на 4,6 процентного пункта; результаты на синтетических документах могут отличаться от результатов на реальных файлах. Для новых рабочих процессов решений качество без дополнительной настройки низкое: для таких задач авторы рекомендуют подгонку голов на нескольких сотнях примеров. Модель оценивает только переданный набор кандидатов, поэтому вероятности относительны к нему; головы также требуют эмбеддингов последнего токена Qwen3.5-2B в заданном формате. Веса распространяются по лицензии Apache 2.0.

CodeR-full — модель для преобразования текста и кода в эмбеддинги, разработанная авторами семейства CodeR. Она обучена на текстовых данных и полных данных о коде и предназначена для представления текстов и программ в векторном виде, а также вычисления сходства между предложениями. Модель основана на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; максимальный контекст составляет 32 768 токенов. Для работы доступны форматы Sentence Transformers, FlagEmbedding и Hugging Face Transformers. Модель подходит для поиска и сравнения текстовых и кодовых фрагментов по смыслу. Карточка приводит примеры использования через библиотеки для получения эмбеддингов; отдельные результаты оценки качества не указаны. Поддерживаются китайский и английский языки. Лицензия — Apache-2.0.

Citaman/command-r-7-layer — языковая модель для генерации текста, опубликованная пользователем Citaman. Это плотная причинно-языковая модель семейства Cohere с 7,9 млрд параметров; репозиторий содержит веса в формате safetensors и создан с помощью mergekit методом SLERP на основе Citaman/command-r-8-layer. По метаданным модель рассчитана на диалог и интерфейс вызова инструментов; контекст составляет 8192 токена. Подходит для генерации ответов в чат-ботах и для сценариев, где языковая модель взаимодействует с инструментами. Модель принимает текст и генерирует текст. README описывает объединение с перекрывающимися диапазонами слоёв одной базовой модели. В предоставленных материалах нет сведений о лицензии и поддерживаемых естественных языках, поэтому условия коммерческого использования и языковые возможности определить нельзя.

Crazy-Qwen2-7b — объединённая модель на основе Qwen2-7B, созданная с помощью mergekit. В состав слияния вошли Locutusque/Hercules-5.0-Qwen2-7B, natong19/Qwen2-7B-Instruct-abliterated и macadeliccc/Samantha-Qwen-2-7B; использован метод model_stock, а в конфигурации базовой модели указана natong19/Qwen2-7B-Instruct-abliterated. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM и рассчитана на генерацию текста и диалоговое общение. Размер контекста — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Метаданные описывают модель как экспериментальную модификацию Qwen2-7B-Instruct для диалогов и генерации текста с ослабленными направлениями отказа; это может снижать надёжность отказов на чувствительные запросы.

Aleteian/DarkCamelot — объединённая модель генерации текста на базе семейства Mistral, созданная автором репозитория с помощью mergekit. В слиянии использован метод della; базой указана win10/Mistral-Nemo-abliterated-Nemo-Pro-v2, также объединены восемь других языковых моделей. Размер модели — 12,1 млрд параметров, формат весов — SafeTensors; для работы заявлен контекст до 1 024 000 токенов. Модель предназначена для диалогов и генерации текста. Метаданные также отмечают интерфейс вызова инструментов. В карточке нет сведений о специальной отраслевой специализации или подтверждённом наборе языков, поэтому их нельзя приписывать модели на основании описания базовых компонентов. Это экспериментальное слияние нескольких моделей; качество и поведение могут отличаться от каждого исходного чекпойнта, а заявленный размер контекста не гарантирует одинаковую производительность на всей длине. Условия лицензирования в предоставленных данных не приведены.

Карточка модели GMODEOS/EXAONE-4.0-1.2B на Hugging Face совпадает с карточкой LGAI-EXAONE/EXAONE-4.0-1.2B, поэтому описание составлено по ней. EXAONE-4.0-1.2B — компактная плотная авторегрессионная языковая модель LG AI Research для диалогов, генерации текста и запуска на устройствах. Модель содержит около 1,3 млрд параметров по метаданным; в конфигурации README указано 1,07 млрд параметров без эмбеддингов. Она поддерживает контекст до 65 536 токенов и использует 30 слоёв, групповые запросы внимания с 32 головами и 8 KV-головами, а также словарь из 102 400 токенов. Модель предлагает режимы обычного ответа и рассуждения, а также интерфейс вызова инструментов. Заявлена поддержка английского, корейского и испанского языков; особенно ориентированные языки — английский и корейский. Модель рассчитана на локальные и встроенные сценарии, где важны небольшой размер и длинный контекст, а также на диалоговые приложения и агентные системы. Ответы могут содержать фактические ошибки, предвзятость или неподходящую информацию; знания модели могут быть устаревшими. Для режима рассуждений качество чувствительно к параметрам генерации. Лицензия указана как other; README сообщает об обновлении условий в сторону большей гибкости, но конкретные условия следует сверять с лицензией репозитория.

Experiment26Neuralsirkrishna_YamMulti_verse_model — объединённая модель генерации текста на базе архитектуры Mistral, созданная слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/YamMulti_verse_model-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README не описывает специальные возможности или целевые области применения, поэтому модель следует рассматривать как инструмент общего назначения.