I.3Извлечение и структурирование данных

donswt подготовил дообученную модель на архитектуре Llama 3.2 Instruct с 3,2 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; в метаданных также заявлен интерфейс вызова инструментов. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL, а в репозитории представлены веса в формате safetensors. Модель принимает текст и генерирует текст. Указанное в метаданных родительское семейство поддерживает контекст до 131 072 токенов. Модель распространяется по лицензии Apache-2.0.

Empower Functions v1.1 — плотная причинная языковая модель семейства Llama, разработанная Empower и дообученная на базе Meta Llama 3.1 8B Instruct для использования функций и инструментов в диалоге. Модель содержит около 7,5 млрд параметров, принимает текст, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель подходит для автоматического выбора момента вызова инструмента, формирования вызовов функций, параллельных и последовательных вызовов нескольких инструментов, а также обычного общения между вызовами. Предусмотрена потоковая генерация; карточка отмечает применение в длинных разговорах. Модель можно запускать локально или через размещённый API; для версии FP16 разработчик указывает проверку на одном A100 с 40 ГБ памяти, а для GGUF — на MacBook M2 Pro с 32 ГБ ОЗУ. README заявляет высокие результаты на Berkeley Function Calling Leaderboard по оценке от 10 сентября 2024 года, но не приводит численных метрик. Указанные возможности относятся к работе с инструментами через текстовый интерфейс; карточка не подтверждает мультимодальный ввод. Язык модели отдельно не указан в предоставленных метаданных и README.

Карточка модели princeton-nlp/Llama-3-Instruct-8B-DPO-v0.2 на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Instruct-8B-SimPO-v0.2, поэтому описание составлено по ней. Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

Lonepino-11B — плотная авторегрессионная языковая модель семейства Mistral, созданная beberik путём слияния нескольких моделей с помощью mergekit. В состав рецепта входят Intel/neural-chat-7b-v3-3-Slerp, NeverSleep/Noromaid-7b-v0.2, chargoddard/loyal-piano-m7-cdpo и maywell/PiVoT-0.1-Starling-LM-RP. Репозиторий содержит веса в формате bfloat16 и safetensors; размер модели — 10,6 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения. В README упомянуты шаблоны Alpaca и ChatML, а также приведены результаты оценивания на нескольких языковых бенчмарках. Основной язык и специализация не заявлены, поэтому её следует рассматривать как модель общего назначения. Лицензия CC BY-NC 4.0 требует указания авторства и запрещает коммерческое использование.

Kaballas/m_1 — текстовая генеративная модель, созданная Kaballas путём слияния нескольких предварительно обученных моделей с помощью mergekit и метода Model Stock. В качестве базовой использована Qwen/Qwen2.5-7B-Instruct; в слияние также вошли модели для рассуждений и генерации текста, включая DrNicefellow/Qwen2.5-7B-O1-Journey-1, C10X/CoT-2.5, bunnycore/Qwen2.5-7B-CyberRombos, djuna/Q2.5-Fuppavy-7B, Kaballas/TLetsgo и jeffmeloy/Qwen2.5-7B-nerd-uncensored-v1.7. Модель семейства Qwen2 имеет плотную архитектуру Qwen2ForCausalLM, содержит 7,1 млрд параметров и принимает текстовый контекст длиной до 32 768 токенов. Она предназначена для диалогов и генерации текста, в том числе ответов с рассуждениями. Репозиторий использует формат safetensors и библиотеку Transformers; заявлен интерфейс для вызова инструментов. В метаданных лицензия не приведена. Поскольку это слияние моделей, поведение и ограничения зависят от исходных компонентов; README не содержит оценки качества или подробных ограничений.

M7Yamshadowexperiment28_Experiment28Neuralsirkrishna — объединённая модель семейства Mistral, собранная из automerger/M7Yamshadowexperiment28-7B и automerger/Experiment28Neuralsirkrishna-7B. Она предназначена для генерации текста и диалогов; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель использует формат safetensors и распространяется по лицензии Apache-2.0. Сведения о конкретных языках и специализированных областях применения в доступных источниках отсутствуют.

Matter 7B 0.1 Boost — языковая модель, созданная 0-hero на основе Mistral 7B и дообученная на наборе Matter, сформированном из более чем 35 датасетов. Версия Boost дополнительно дообучена на дополнительных данных. Модель предназначена для диалогового общения и генерации текста. Она использует архитектуру MistralForCausalLM с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. README указывает формат промптов ChatML и поддержку вызова функций; метаданные отмечают английский язык. Модель распространяется по лицензии Apache-2.0.

MeliodasPercival_01_Strangemerges_32Ogno — объединённая модель семейства Mistral, созданная на основе automerger/MeliodasPercival_01-7B и automerger/Strangemerges_32Ogno-7B. Она содержит 7,1 млрд параметров и предназначена для генерации текста, включая диалоги, с контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Веса доступны в формате safetensors; лицензия — Apache-2.0. README не приводит сведений о специализации модели или результатах оценки качества.

alamios/Meta-Llama-3.1-8B-Instruct-GGUF-f16 — сборка Meta-Llama 3.1 8B Instruct в формате GGUF F16 для запуска через llama.cpp. Модель основана на meta-llama/Meta-Llama-3.1-8B-Instruct и предназначена для диалоговой генерации текста и ответов на запросы. Карточка указывает совместимость с выпуском llama.cpp b3565. Модель относится к семейству Llama 3.1, имеет 8 млрд параметров и поддерживает несколько языков, включая английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский. Репозиторий распространяется по лицензии Llama 3.1. GGUF F16 хранит веса в формате половинной точности; конкретные требования к памяти и ограничения качества в карточке не описаны.

Meta-Llama-3.1-Instruct-8B_merged-16bit_CPO_MSMARCO — языковая модель семейства Llama, опубликованная inpars-plus и дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена, в карточке указан английский язык. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на запросы и работу с инструментами. В README нет подробностей о данных CPO/MSMARCO, методике обучения или оценке качества, поэтому её специализацию и результаты на конкретных задачах ранжирования нельзя подтвердить по доступной карточке. Лицензия — Apache-2.0.

Ming-flash-omni Preview — предварительная мультимодальная модель компании inclusionAI, дообученная на основе Ling-flash-2.0. Это разреженная MoE-модель с 100 млрд параметров, из которых активны 6 млрд на токен; архитектура указана как BailingMM2NativeForConditionalGeneration. Модель принимает текст, изображения, аудио и видео и может выдавать текст, изображения и аудио. Модель предназначена для мультимодального диалога: понимания изображений и видео, распознавания речи с учётом контекста и китайских диалектов, синтеза речи, генерации и редактирования изображений. Среди заявленных возможностей — генеративная сегментация, улучшенное сохранение сцены и идентичности при редактировании, а также отрисовка текста внутри изображений. Разработчик сообщает о сильных результатах на мультимодальных тестах, включая контекстное распознавание речи и распознавание 15 китайских диалектов. Модель опубликована под лицензией MIT. Это Preview-версия; карточка не приводит длину контекста и подробные требования к оборудованию. Для практического применения следует учитывать большой общий размер модели и проверять качество на целевых задачах.

Mini_synatra_7b_02-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и Minirecord/Mini_synatra_7b_02 методом SLERP с помощью mergekit. Модель имеет плотную архитектуру MistralForCausalLM и около 7,1 млрд параметров; репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В карточке не обозначены отдельные языки или специализированные предметные области. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.

miqu-1-103b — экспериментальная текстовая языковая модель, созданная Wolfram методом слияния mergekit: слои модели miqu-1-70b-sf интерливированы, чтобы получить вариант на 103 млрд параметров с 120 слоями. Модель предназначена для генерации текста и диалогов; используется шаблон запросов Mistral. Максимальный контекст — 32 768 токенов. Карточка указывает английский, немецкий, французский, испанский и итальянский языки. Модель опубликована в формате safetensors и доступна также в отдельных квантованных сборках GGUF и EXL2. README отмечает, что исходные веса были утекшими; лицензия в метаданных обозначена как other, поэтому условия правового использования следует проверять отдельно.

MISCHIEVOUS-12B-Mix_0.4v — объединённая языковая модель на архитектуре Mistral, созданная bamec66557 методом SLERP с помощью mergekit. В объединение вошли bamec66557/mergekit-slerp-xjlmywj и bamec66557/MISCHIEVOUS-12B-Mix_0.3v; размер модели — 12,1 млрд параметров. Модель предназначена для генерации текста и диалогового общения, а также предоставляет интерфейс для вызова инструментов. Модель принимает текст и выдаёт текст. В метаданных заявлены английский и корейский языки и контекст длиной до 1 024 000 токенов. Репозиторий содержит веса в формате safetensors; README также упоминает вариант GGUF Q4_K_M. Лицензия — Apache-2.0. Метаданные помечают модель как неподходящую для всех аудиторий;具体ные ограничения в карточке не раскрыты.

Gaivoronsky/Mistral-7B-Saiga — русскоязычная генеративная модель, опубликованная Gaivoronsky. Это плотная causal language model семейства Mistral на 7,1 млрд параметров, представленная в формате PyTorch fp16. Она основана на IlyaGusev/saiga_mistral_7b_lora и предназначена для генерации текста и диалоговых сценариев на русском языке. Модель подходит для русскоязычных ответов на вопросы, инструкций и общения в чат-ботах. Заявленная длина контекста — 32 768 токенов. Модель распространяется по лицензии CC BY 4.0; README описывает запуск через vLLM.

Mistral-7B-v0.1 — разработанная командой Mistral AI предварительно обученная плотная языковая модель на основе Transformer с 7,1 млрд параметров. Она предназначена для генерации текста и может использоваться как базовая модель для диалоговых приложений и дальнейшей адаптации под прикладные задачи. Архитектура включает Grouped-Query Attention и Sliding-Window Attention; модель принимает текст и рассчитана на контекст до 32 768 токенов. В карточке заявлено превосходство над Llama 2 13B на протестированных авторами бенчмарках. Модель обучена для английского языка, поддерживает диалоговый сценарий и доступна в форматах PyTorch и Safetensors. Это базовая, а не дообученная инструктивная модель: в карточке отмечено отсутствие механизмов модерации, поэтому ответы требуют отдельной проверки и настройки под конкретное применение. Лицензия — Apache-2.0.

Mistral-7B-v0.1-flashback-v2-instruct — шведско-английская инструктивная языковая модель timpal0l, созданная дообучением timpal0l/Mistral-7B-v0.1-flashback-v2 на машинно переведённом наборе инструкций OpenHermes 2.5. Она предназначена для диалогов и генерации ответов на инструкции; использовать её можно, например, через библиотеку Transformers.

Mistral-grok-instract-2-7B-slerp — объединённая автором модель для генерации текста и диалоговых ответов. Она создана методом slerp через LazyMergekit на основе mistralai/Mistral-7B-Instruct-v0.2 и HuggingFaceH4/mistral-7b-grok; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на диалоговый режим. Модель можно применять для ответов на инструкции, ведения диалога и генерации текста. В репозитории представлены веса в форматах Safetensors и GGUF. Лицензия — MIT. Отдельные сведения о сравнительной точности или результатах оценки в карточке не приведены.

Kaoeiri/Mistral-magnum-v4_X_Cydonia-VXXX_Max — текстовая диалоговая модель, созданная Kaoeiri слиянием нескольких предварительно обученных моделей через mergekit. Использован метод Model Stock, а базовой моделью при слиянии стала byroneverson/Mistral-Small-Instruct-2409-abliterated. В состав также вошли варианты Magnum, Cydonia и Waifu от Kaoeiri. Модель предназначена для генерации текста и ответов в диалоге. Она использует плотную архитектуру MistralForCausalLM, содержит 22 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса safetensors; в метаданных заявлен интерфейс для вызова инструментов. В карточке не описаны качество на конкретных задачах и поддерживаемые естественные языки. Модель распространяется по лицензии, унаследованной от базовой модели byroneverson/Mistral-Small-Instruct-2409-abliterated; конкретная лицензия в предоставленных данных не приведена.

Mistral-Passthrough-8L-10B — текстовая авторегрессионная модель на архитектуре Mistral, созданная DeepKarkhanis с помощью LazyMergekit. Веса собраны методом passthrough из двух диапазонов слоёв одной модели mistralai/Mistral-7B-Instruct-v0.2; репозиторий содержит формат Safetensors, а размер модели составляет 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов. Контекст — до 32 768 токенов. Используется лицензия Apache-2.0.

Модель vicky4s4s/Mixtral-instruct-56B — разговорная языковая модель на архитектуре Mixtral, опубликованная Vignesh. Карточка описывает её как instruct-версию Mixtral-8x7B: разреженную Mixture of Experts для генерации текста и диалога. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов; доступны веса в safetensors и интерфейс чата. Модель предназначена для диалоговых ответов и генерации текста по инструкциям. В карточке приведён пример использования через Transformers и шаблон диалога Mixtral. Языковые метки охватывают английский, французский, итальянский, немецкий и испанский; датасеты карточки включают UltraChat 200K и LLaVA-Instruct-150K. Лицензия — Apache-2.0. В README отмечено, что веса происходят из оригинального релиза Mixtral, но формат и имена параметров изменены; также указана несовместимость с прямой инициализацией через Hugging Face Transformers. Модель не имеет встроенных механизмов модерации, поэтому её ответы могут требовать внешних ограничителей. Название репозитория заявляет 56B, однако метаданные указывают 7,1 млрд параметров, поэтому размер описан по метаданным.

MPT-30B-Instruct 8-bit — 8-битная версия модели MPT-30B-Instruct, разработанной MosaicML. Это плотная авторегрессионная языковая модель с модифицированной архитектурой decoder-only Transformer, FlashAttention и ALiBi; в исходной модели около 29,95 млрд параметров и 48 слоёв. Модель предназначена для коротких ответов на инструкции и диалоговых запросов. Её дообучили на данных, производных от Databricks Dolly-15k и Anthropic HH-RLHF, а также на наборах для математики, вопросов и ответов, суммаризации и работы с базами данных. Модель принимает текст и генерирует текст. Карточка описывает англоязычный пример, но не задаёт полный перечень поддерживаемых языков. Файлы опубликованы в формате safetensors; для загрузки через Transformers требуется trust_remote_code=True. Лицензия — CC-BY-SA-3.0. Модель может выдавать фактически неверные, предвзятые или оскорбительные ответы, поэтому её результаты требуют проверки.

NeuralSOTA-7B-slerp — объединённая модель, созданная Kukedlc с помощью LazyMergekit на основе трёх моделей: NeuralSoTa-7b-v0.1, NeuralSynthesis-7B-v0.3 и NeuralSirKrishna-7b. В карточке указан метод слияния dare_ties; архитектура — плотная MistralForCausalLM с 7,1 млрд параметров, веса представлены в формате safetensors и типе bfloat16. Модель предназначена для генерации текста и диалога. Она принимает текст и поддерживает контекст до 32 768 токенов. Данные карточки не уточняют поддерживаемые языки, специализированные области или сравнительное качество. Лицензия в предоставленных сведениях не указана.

NeuralTrix-7B-v1 — объединённая языковая модель на основе Mistral, опубликованная CultriX. Она предназначена для генерации текста и диалогов. Модель создана методом DARE-TIES с помощью LazyMergekit из OmniBeagle-7B, MBX-7B-v3 и AiMaven-Prometheus; в конфигурации также указан mistralai/Mistral-7B-v0.1 как базовая модель. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors. Длина контекста — до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. README и метаданные не описывают специальные домены или отдельные языковые возможности.

NLLB-SigLIP-MRL — мультиязычная модель сопоставления изображений и текста, объединяющая текстовый энкодер NLLB с визуальным энкодером SigLIP. Модель предназначена для поиска соответствий между изображениями и текстовыми запросами или описаниями на 201 языке Flores-200. Модель формирует эмбеддинги размером 1152, а обучение с Matryoshka Representation Learning позволяет получать также векторы размером 32, 64, 128, 256 и 512. По данным карточки, варианты размером 256 и 512 сохраняют более 90% качества полного представления; модель показывает высокие результаты мультиязычного поиска на наборах XTD10 и Crossmodal-3600. Поддерживается библиотекой OpenCLIP и распространяется в формате PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Модель предназначена для сопоставления изображений и текста; генерация изображений или описаний в свободной форме не заявлена.

Это конвертированная в формат GGUF версия языковой модели NVIDIA Nemotron 3.5 Lightning 30B-A3B-BF16, подготовленная ijohn07 для запуска через llama.cpp. Она предназначена для генерации текста и унаследованных от базовой модели сценариев диалога, рассуждений, оценки и адаптации под пользовательские задачи. В имени репозитория указано Q4_K_M, однако метаданные формата обозначают GGUF BF16, поэтому точный вариант квантования по доступным сведениям установить нельзя. Модель принимает текст и генерирует текст. В карточке перечислены английский, испанский, французский, немецкий, итальянский и японский языки. Для подробностей о возможностях и ограничениях автор направляет к карточке исходной модели NVIDIA. Лицензия указана как other; конкретные условия следует сверить с лицензией базовой модели.

Это набор GGUF-квантизаций модели nyun-llama3-62B, опубликованный bartowski на основе оригинальной модели nyunai/nyun-llama3-62B. Квантизация выполнена с использованием llama.cpp версии b3070 и метода imatrix. Модель предназначена для локального запуска задач генерации текста через совместимые с llama.cpp средства инференса. В набор входят варианты с разным уровнем квантования: от Q8_0 размером 65,88 ГБ до IQ1_M размером 14,77 ГБ. В README не указаны точные архитектурные характеристики, поддерживаемые языки, размер контекста и модальности; по назначению это текстовая модель. Варианты Q5_K_M, Q4_K_M и IQ4_XS отмечены как рекомендуемые благодаря балансу качества и размера, тогда как самые компактные варианты обеспечивают меньшее качество. I-квантизации могут быть выгоднее по производительности на cuBLAS и rocBLAS, но несовместимы с Vulkan; выбор файла зависит от доступных RAM и VRAM. Шаблон чата в карточке не задан, поэтому приведённый формат может быть некорректен и требует проверки по оригинальной карточке модели. Лицензия в README не указана.

Oot-v2_lll — языковая модель для генерации текста и диалогов, созданная слиянием моделей mlabonne/Marcoro14-7B-slerp и Weyaxi/OpenHermes-2.5-neural-chat-v3-3-Slerp с помощью Mergekit. Она предназначена для ответов в чате и решения общих языковых задач. Модель использует плотную архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В README описан метод слияния SLERP и приведены результаты оценок на тестах рассуждений и понимания текста. Модель распространяется в формате safetensors по лицензии Apache-2.0.

OpenBuddy Mistral 7B v13.1 — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и OpenBuddy/openbuddy-mistral-7b-v13.1 методом SLERP с помощью MergeKit. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров; она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Контекст составляет до 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текстовых ответов по запросу. Репозиторий содержит веса SafeTensors. Лицензия — Apache-2.0. В предоставленной карточке не описаны результаты оценок качества или специальные меры безопасности.

OpenChat 3.5 0106 GGUF — квантизированная версия текстовой генеративной модели OpenChat 3.5 0106, разработанной командой OpenChat и подготовленной в формате GGUF пользователем TheBloke. Модель основана на архитектуре Mistral и предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp и совместимые графические интерфейсы, библиотеки и API-серверы. В репозитории представлены варианты квантования с разрядностью от 2 до 8 бит для инференса на CPU и GPU. Точные размер модели, длина контекста, поддерживаемые языки и мультимодальные возможности в README не указаны; по описанию это текстовая, а не мультимодальная модель. Для работы используется шаблон запросов OpenChat-Correct: GPT4 Correct User и GPT4 Correct Assistant. Ключевое преимущество — возможность более экономичного локального запуска благодаря квантованию и широкой совместимости с llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio, llama-cpp-python и другими инструментами. Ограничения связаны с потерями качества, возможными при низкоразрядном квантовании, а также с отсутствием в README подробных характеристик исходной модели и результатов оценки. Указанная лицензия — Apache-2.0.