I.5Создание и редактирование текста

RWKV-5 World — многоязычная авторегрессионная языковая модель семейства RWKV, разработанная BlinkDL и предназначенная для генерации текста. Модель обучалась на корпусах, включающих Pile, SlimPajama, StarCoder, OSCAR, Википедию и собранные диалоговые данные; заявленный объём обучения для версий World v1 и v2 составляет 0,59 и 1,12 трлн токенов соответственно. Данные обучения охватывают более 100 языков: примерно 70% — английский, 15% — многоязычные данные и 15% — код. Модель можно использовать для продолжения текста, диалоговых ответов и вопросов и ответов; README также описывает рекомендованный формат для дообучения. Для инференса автор рекомендует пакет rwkv версии 0.8.22 или новее. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache 2.0. Доступные сведения не определяют размер конкретного чекпойнта или длину контекста.

RWKV-7 World — языковая модель для генерации текста и диалогов, разработанная Бо Пэном, Юй Чжаном, Сонглином Яном и Жуйчуном Чжаном при поддержке RWKV Project под эгидой LF AI & Data Foundation. Модель основана на архитектуре RWKV7 с flash-linear attention; в репозитории указано 2,9 млрд параметров, а метаданные каталога оценивают размер в 3,1 млрд. Она использует токенизатор RWKV World с размером словаря 65 536 и принимает текст, выдавая текст; контекст составляет 2048 токенов. Модель подходит для генерации продолжений, ответов в диалоге и других задач языкового моделирования. README описывает обучение на World v3 на корпусе объёмом 3,119 трлн токенов. Метаданные указывают поддержку английского, китайского, японского, корейского, французского, арабского, испанского и португальского языков; README отдельно называет английский. Для работы указаны Transformers версии 4.48.0 или новее и библиотека flash-linear-attention. Лицензия — Apache-2.0.

synapticstudio/rxcortix-qwen3-14b-merged — дообученная языковая модель synapticstudio на архитектуре Qwen3 с плотной причинной языковой моделью Qwen3ForCausalLM. Она предназначена для генерации текста и диалогового взаимодействия; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 14 млрд параметров и рассчитана на контекст до 40 960 токенов. В карточке указано, что обучение выполнялось с Unsloth и библиотекой TRL от Hugging Face. Базовая модель — unsloth/qwen3-14b-unsloth-bnb-4bit. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Карточка не описывает специализацию по предметным областям или отдельные результаты оценки качества.

Fulcrum-AI/Ryze-Nemo — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Mistral, созданная на основе Mistral-Nemo-Instruct-2407 и Mistral-Nemo-Base-2407. Модель содержит 9,8 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; в метаданных также отмечен интерфейс вызова инструментов. Для запуска доступны веса в формате safetensors через библиотеку Transformers. Модель подходит для генерации ответов, диалогов и следования инструкциям. В метаданных указан контекст до 1 024 000 токенов, однако README не описывает проверку качества на таком контексте. Основана на многоязычной модели Mistral AI и NVIDIA. Лицензия в предоставленных данных не указана.

Saba1-7B — слитая модель для генерации текста и диалогов, созданная Sakalti методом TIES с помощью mergekit. В слиянии использованы AIDC-AI/Marco-o1 и базовая Sakalti/model-3; архитектура Qwen2, около 7,1 млрд параметров, веса в формате safetensors и точности bfloat16. Модель работает через библиотеку Transformers и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации ответов в диалоге и других задач генерации текста; метаданные также отмечают интерфейс вызова инструментов. Лицензия в доступных сведениях не указана.

Saba-Passthrough-2 — объединённая языковая модель Sakalti, созданная методом passthrough с помощью mergekit на основе Sakalti/Saba1.5-Pro. Это плотная авторегрессионная модель семейства Qwen2 с 2,9 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Модель распространяется в формате safetensors под лицензией Apache-2.0. README указывает на слияние одной модели, хотя метаданные каталога описывают происхождение как дообучение Sakalti/Saba1.5-Pro, поэтому способ происхождения в карточке трактуется как слияние по описанию автора.

IlyaGusev/saiga_mistral_7b_merged — объединённая версия модели семейства Mistral, предназначенная для генерации текста. По метаданным это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. В README указано, что существуют версии GGUF и квантизации TheBloke, но данный репозиторий содержит веса PyTorch. Модель ориентирована на русскоязычные запросы; метаданные связывают её с русскоязычными наборами инструкций и диалогов. Её можно использовать для ответов на вопросы, диалогов и выполнения текстовых инструкций на русском языке. Лицензия — Apache-2.0. README не раскрывает, какие именно модели были объединены и как выполнялось слияние.

Aleteian/Saiga-Unleashed — объединённая с помощью mergekit методом SLERP языковая модель, включающая IlyaGusev/saiga_nemo_12b и MarinaraSpaghetti/NemoMix-Unleashed-12B. Это плотная модель архитектуры MistralForCausalLM с 12,1 млрд параметров, предназначенная для генерации текста и диалогового общения; используется шаблон чата Mistral. Модель принимает текст и генерирует текст. Её можно применять для ведения диалогов, написания историй и других задач генерации текста. Указанная в метаданных длина контекста — 1 024 000 токенов. Модель опубликована в формате safetensors и использует библиотеку Transformers. В README и предоставленных метаданных сведения о лицензии и конкретных ограничениях не приводятся.

Salamandra 7B Instruct — модель семейства Salamandra, разработанного Barcelona Supercomputing Center (BSC), для генерации текста и диалогового общения. Это decoder-only трансформер с архитектурой Llama, дообученный следовать инструкциям; в метаданных указано 6,7 млрд параметров, а карточка описывает семейство как предварительно обученное с нуля на 12,875 трлн токенов. Модель принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и предназначена для работы на европейских языках и с кодом. Инструкционная версия подходит для использования в качестве многоязычного помощника, генерации текста и ответов на запросы; базовую модель также можно дообучать под специализированные сценарии. Salamandra обучалась на 35 европейских языках и коде, а среди языков в метаданных указаны, в частности, болгарский, каталанский, чешский, датский, немецкий, греческий, английский, испанский, финский, французский, хорватский, венгерский, итальянский, литовский, латышский, нидерландский, польский, португальский, русский и украинский. Лицензия Apache 2.0 допускает коммерческое и исследовательское использование. Это ранняя proof-of-concept версия с предварительной настройкой инструкций, без RLHF-фильтрации чувствительных тем. Модель может выдавать вредный или неподходящий контент; оценки также выявили социальные и когнитивные смещения, поэтому для прикладных систем необходимы отдельная проверка и настройка безопасности.

samantha-mistral-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная MaziyarPanahi методом слияния mistralai/Mistral-7B-Instruct-v0.2 и cognitivecomputations/samantha-mistral-7b с помощью SLERP. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для диалогов, генерации текста и ответов на инструкции. Лицензия Apache 2.0 разрешает использование на её условиях.

Samlagast-7B-bf16 — слитая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом task arithmetic. В основу слияния вошла paulml/NeuralOmniBeagleMBX-v3-7B; также объединены FelixChao/Faraday-7B, flemmingmiguel/MBX-7B-v3 и paulml/NeuralOmniWestBeaglake-7B. Модель предназначена для генерации текста. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. В карточке указан английский язык. Модель доступна по лицензии Apache-2.0; README также ссылается на отдельные файлы GGUF.

SauerkrautLM-7b-HerO-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием методом SLERP моделей Mistral-7B-Instruct-v0.2 и SauerkrautLM-7b-HerO; конфигурация слияния использует bf16. Модель предназначена для генерации текста и ответов на инструкции в формате диалога. Контекстное окно составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

SciPhi-Mistral-7B-32k-Mistral-7B-Instruct-v0.1 — объединённая модель Maziyar Panahi на архитектуре Mistral с 7,1 млрд параметров. Она создана методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и SciPhi/SciPhi-Mistral-7B-32k и предназначена для генерации текста и ответов в диалоге по инструкциям. Модель принимает текстовые запросы и поддерживает контекст длиной до 32 768 токенов, что позволяет вести длинные диалоги и работать с объёмными текстовыми фрагментами. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или специальных ограничений применения.

Карточка модели JetLM/SDAR-4B-Chat-b16 на Hugging Face совпадает с карточкой JetLM/SDAR-8B-Chat-b32, поэтому описание составлено по ней. JetLM/SDAR-8B-Chat-b32 — чат-модель семейства SDAR, разработанная авторами SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионная составляющая обеспечивает эффективное обучение, а диффузионный подход позволяет генерировать токены параллельно. В репозитории указана плотная архитектура SDARForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста; в карточке также заявлен интерфейс вызова инструментов. Авторы сообщают о сопоставимой с сильными авторегрессионными моделями общей производительности и преимуществах в некоторых научных задачах рассуждения для моделей SDAR того же масштаба. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Языки и отдельные результаты именно этой версии в карточке не приведены.

JetLM/SDAR-4B-Chat-b32 — диалоговая языковая модель семейства SDAR, разработанная на основе сочетания авторегрессионного моделирования и дискретной диффузии. В репозитории указаны 3,7 млрд параметров, архитектура SDARForCausalLM и контекст до 32 768 токенов; веса представлены в формате safetensors. Модель предназначена для генерации ответов в диалоге и других задач генерации текста. В карточке также заявлен интерфейс для вызова инструментов. SDAR сочетает обучение по авторегрессионной схеме с параллельным выводом на основе диффузии. Авторы сообщают о сопоставимых с сильными авторегрессионными моделями результатах на общих задачах и преимуществах на отдельных научных задачах рассуждения; эти выводы относятся к представленным в README экспериментам и не гарантируют таких результатов именно для этой версии 4B. Модель опубликована под лицензией Apache-2.0.

Карточка модели JetLM/SDAR-4B-Chat-b64 на Hugging Face совпадает с карточкой JetLM/SDAR-8B-Chat-b32, поэтому описание составлено по ней. JetLM/SDAR-8B-Chat-b32 — чат-модель семейства SDAR, разработанная авторами SDAR. Она объединяет авторегрессионное обучение с дискретным диффузионным моделированием: авторегрессионная составляющая обеспечивает эффективное обучение, а диффузионный подход позволяет генерировать токены параллельно. В репозитории указана плотная архитектура SDARForCausalLM с 7,6 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для диалогов и генерации текста; в карточке также заявлен интерфейс вызова инструментов. Авторы сообщают о сопоставимой с сильными авторегрессионными моделями общей производительности и преимуществах в некоторых научных задачах рассуждения для моделей SDAR того же масштаба. Репозиторий содержит веса safetensors и распространяется по лицензии Apache-2.0. Языки и отдельные результаты именно этой версии в карточке не приведены.

arcee-ai/sec-mistral-v2-Hercules — объединённая модель на основе двух предобученных языковых моделей, созданная методом SLERP с помощью mergekit. В состав вошли arcee-ai/sec-mistral-7b-instruct-1.6-epoch и Locutusque/Hercules-4.0-Mistral-v0.2-7B; конфигурация использует первый репозиторий как базовую модель. Это плотная Mistral-модель с архитектурой MistralForCausalLM и 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и доступна в формате safetensors через Transformers. Модель подойдёт для создания чат-ботов, генерации ответов и продолжения текста. Карточка не описывает отдельную специализацию по языкам или прикладным областям. Лицензия в предоставленных данных не указана.

SFGEMOMNISCIEN-Mistral-ties — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением моделей через mergekit методом TIES. В README указана NeuralHermes-2.5-Mistral-7B и базовая модель Warit2/SFGEMOMNISCIEN; каталог характеризует NeuralHermes как диалоговую модель, дообученную для выполнения инструкций и генерации текста. Модель предназначена для генерации текста и ответов в диалогах по текстовым запросам. Заявленная длина контекста — 32 768 токенов. Файлы представлены в формате safetensors; лицензия — Apache-2.0. Карточка не сообщает результаты оценки качества или конкретные ограничения применения.

Это объединённая модель генерации текста на архитектуре GPT-NeoX, созданная с помощью mergekit. В линейное слияние вошли три предварительно обученных чекпойнта с шагов 9000, 10000 и 11000; последний использовался как базовый при слиянии. Модель содержит 8,8 млрд параметров, принимает текст и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации продолжений и другого текста на основе входного запроса. В карточке не описаны специальные предметные области, поддерживаемые языки или результаты оценки качества. Файлы представлены в формате safetensors; модель загружается через Transformers. Условия лицензии в предоставленных данных не указаны.

Модель создана как линейное слияние нескольких предварительно обученных языковых моделей с помощью mergekit. В качестве базовой использована версия filtered_e2e_alignment на шаге global_step7000; также объединены версии с шагов 3000, 4000, 5000 и 6000. Архитектура — плотная авторегрессионная GPT-NeoX, около 8,8 млрд параметров; модель доступна в формате safetensors и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогового использования. Карточка не уточняет языки обучения, специализацию или сравнительные преимущества, поэтому её следует рассматривать как универсальную языковую модель. Лицензия в предоставленных данных не указана.

Модель создана ByteDance как объединение нескольких контрольных точек предварительно обученной языковой модели с помощью mergekit и линейного метода слияния. В качестве базовой точки слияния использована контрольная точка global_step10000; также объединены версии с шагами обучения 6000, 7000, 8000 и 9000. Это плотная авторегрессионная модель семейства GPT-NeoX с 8,8 млрд параметров и контекстом до 16 384 токенов. Она предназначена для генерации текста в диалоговом режиме. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Языки и специальные прикладные области в карточке не указаны; лицензия также не приведена.

sfm_filtered_e2e_alignment-6k_7k_8k_9k_10k_weightedavg_merge — объединение языковых моделей, созданное с помощью mergekit. В карточке указано линейное слияние контрольных точек обучения на шагах 6000, 7000, 8000, 9000 и 10000; контрольная точка шага 10000 использовалась как базовая при слиянии. Модель имеет архитектуру GPT-NeoX, около 8,8 млрд параметров и контекстное окно до 16 384 токенов. Она предназначена для генерации текста и диалогового взаимодействия. Данные не уточняют конкретные языки, предметные области или специальные сценарии применения. Модель распространяется в формате Safetensors. Лицензия в предоставленных данных не указана.

Это языковая модель GPT-NeoX объёмом 8,8 млрд параметров, созданная объединением нескольких предварительно обученных чекпойнтов с помощью mergekit. В качестве основы использован чекпойнт global_step10000; в слияние также вошли версии global_step8000 и global_step9000. Применён линейный метод слияния. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 16 384 токена. Репозиторий использует Transformers и формат весов safetensors. В карточке нет сведений о целевых языках, специальных предметных областях или ограничениях качества. Условия лицензии в доступных данных не описаны.

Это объединённая языковая модель примерно на 8,8 млрд параметров, созданная с помощью mergekit и линейного слияния чекпойнтов на шагах 9 000, 10 000 и 11 000 обучения. Модель основана на архитектуре GPT-NeoX и предназначена для генерации текста, в том числе в диалоговом формате. Модель принимает текст и генерирует текст; её контекстное окно составляет 16 384 токена. В карточке не описаны конкретные языки, специализированные области или сравнительные результаты, поэтому назначение ограничивается общими задачами генерации текста. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют. README указывает на слияние предварительно обученных языковых моделей, но не раскрывает их публичные идентификаторы; доступные пути к исходным чекпойнтам являются локальными путями, поэтому определить базовую модель по ним нельзя.

Это объединённая модель генерации текста на архитектуре GPT-NeoX, созданная методом Linear merge с помощью mergekit. В качестве базовой использована контрольная точка global_step5000; также в объединение вошли контрольные точки global_step4000 и global_step3000 из одного семейства экспериментов. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит 8,8 млрд параметров, принимает текст и поддерживает контекст до 16 384 токенов. Данные не позволяют определить конкретные языки, тематику обучения или особые сценарии применения. Файлы модели представлены в формате safetensors и рассчитаны на использование через библиотеку Transformers. Лицензия в предоставленных данных не указана.

Модель yuhengtu-bytedance/sfm_filtered_insert_xxf_character-4k_5k_6k_7k_8k_weightedavg_merge — объединение нескольких предварительно обученных языковых моделей, созданное автором с помощью mergekit и метода Linear. В качестве базового чекпойнта при слиянии использован global_step8000; также включены чекпойнты global_step4000, global_step5000, global_step6000 и global_step7000 из серии filtered_insert_xxf_character. Это плотная авторегрессионная GPT-NeoX-модель на 8,8 млрд параметров с контекстом до 16 384 токенов. Она предназначена для генерации текста и диалогового взаимодействия; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не сообщает о конкретных языках, предметных областях или специализированных ограничениях. Лицензия в предоставленных данных не указана.

Это объединённая языковая модель семейства GPT-NeoX, созданная автором репозитория с помощью mergekit. В линейное слияние вошли несколько контрольных точек предварительно обученных моделей; базовой указана контрольная точка global_step10000. Модель содержит 8,8 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 16 384 токена. README и метаданные не уточняют языковую специализацию, набор обучающих данных или целевые области применения, поэтому назначение можно описать только как общее текстовое общение и генерацию. В репозитории указаны веса safetensors и библиотека Transformers. Лицензия в доступных сведениях не приведена.

sfm_filtered_insert_xxf_character-6k_7k_8k_simpleavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная с помощью mergekit. В README указано, что при линейном слиянии за основу взят чекпойнт global_step8000, а также объединены чекпойнты global_step6000 и global_step7000. Модель содержит 8,8 млрд параметров и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Карточка не описывает специальные предметные области или конкретные преимущества. Репозиторий содержит веса в формате safetensors; сведения о лицензии и ограничениях применения в доступных данных отсутствуют.

Это объединённая модель генерации текста, созданная разработчиком yuhengtu-bytedance методом Linear merge с помощью mergekit. В качестве базовой использована контрольная точка global_step8000; также объединены контрольные точки global_step6000 и global_step7000. Архитектура — плотная авторегрессионная GPT-NeoX, размер — 8,8 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. Сведения о конкретных языках, обучающих данных и специальных прикладных областях в карточке не приведены. Лицензия в доступных данных не указана.

sfm_filtered_insert_xxf_character-8k_9k_10k_11k_12k_weightedavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная с помощью mergekit методом Linear merge. В неё вошли несколько контрольных точек предварительно обученной модели; базовой при слиянии была контрольная точка global_step12040. В репозитории указаны 8,8 млрд параметров, формат safetensors и контекст длиной до 16 384 токенов. Модель предназначена для генерации текста и диалогового использования. Карточка не уточняет языки, специализированные области или отдельные возможности сверх генерации текста. Лицензия в предоставленных данных не указана.