I.5Создание и редактирование текста

Question_Generation_ComQ_15 — дообученная модель T5, разработанная на основе Gayathri142214002/Question_Generation_ComQ_14. Она предназначена для генерации вопросов по тексту. Модель содержит 123,8 млн параметров, использует архитектуру T5 и принимает контекст длиной до 512 токенов. В README приведено значение loss 0,2026 на оценочном наборе, но подробности о датасете, метриках и сценариях применения отсутствуют. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Gayathri142214002/Question_Generation_ComQ_8 — модель на архитектуре T5, дообученная автором на основе Gayathri142214002/Question_Generation_ComQ_7. По названию репозитория она предназначена для генерации вопросов; карточка сообщает значение loss 0,2468 на оценочном наборе, но не описывает его состав или методику оценки. Модель содержит 123,8 млн параметров, принимает текст и генерирует текст, максимальный заявленный контекст — 512 токенов. Доступны веса PyTorch и Safetensors. Лицензия — Apache-2.0. Данные о целевых языках, обучающем наборе и практических ограничениях в карточке отсутствуют.

MingZwhy разработал эту версию Qwen3-4B, применив квантование весов до 1,88 бита на параметр и восстановление качества с помощью quantization-aware distillation и on-policy distillation. Это плотная авторегрессионная модель семейства Qwen3 с 3,7 млрд параметров, предназначенная для генерации текста и диалогов; она принимает текст и выдаёт текст. Модель доступна в формате safetensors, квантование уже встроено в веса. Контекст составляет 40 960 токенов. README приводит результаты на задачах математического рассуждения, генерации кода и QA; во всех перечисленных тестах результаты ниже, чем у исходной Qwen3-4B в BF16. Лицензия — Apache-2.0.

Карточка модели masterzm9/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors на Hugging Face совпадает с карточкой GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors, поэтому описание составлено по ней. GitMylo/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive-safetensors — производный чекпойнт Qwen3.5-9B, представленный в формате safetensors для Transformers. Согласно карточке, это мультимодальная причинная языковая модель с визуальным энкодером на 9 млрд параметров; архитектура объединяет Gated Delta Networks и разреженный Mixture-of-Experts. Модель принимает текст и изображения и предназначена для диалогов, визуального понимания, рассуждений и вызова инструментов. Базовая модель заявляет поддержку 201 языка и диалекта, однако отдельные языковые данные именно для этого дообученного варианта не приведены. Контекст базовой модели составляет 262 144 токена и может расширяться до 1 010 000 токенов. Карточка описывает формат совместимости с Transformers и серверами vLLM, SGLang и KTransformers. В README не раскрыты конкретные изменения, внесённые вариантом HauhauCS, и нет его отдельных оценок качества; название предполагает агрессивную настройку поведения, но это нельзя подтвердить деталями обучения. Лицензия — Apache-2.0. Практическое применение требует значительных вычислительных ресурсов, особенно при большом контексте; README также предупреждает о риске нехватки видеопамяти при настройках контекста по умолчанию.

Это мультимодальная модель Qwen 3.6 35B-A3B от dealignai, созданная на основе Qwen/Qwen3-VL-30B-A3B-Thinking. Она предназначена для диалога и анализа текста, изображений и видео, включая задачи визуального понимания и вызова инструментов. Модель имеет архитектуру MoE с 35 млрд параметров и примерно 3 млрд активных на токен, 256 маршрутизируемых экспертов и гибридное сочетание линейного и полнослойного внимания. Контекст составляет 262 144 токена; доступны режимы рассуждений с включением и отключением через enable_thinking. Карточка заявляет поддержку английского и китайского языков. Веса квантованы в формате JANGTQ2: маршрутизируемые эксперты используют 2-битное кодирование TurboQuant, а чувствительные к точности компоненты сохраняют 8-битное представление; визуальная башня оставлена в fp16. Репозиторий занимает около 11 ГБ и предназначен для запуска на Apple Silicon через MLX Studio или jang-tools. По заявлению автора, CRACK — это весовая абляция, удаляющая усвоенные отказы в ответах; вследствие этого модель может выдавать контент, который базовая модель отклонила бы. Квантование до 2 бит уменьшает размер, но может снижать точность для сложных рассуждений. Лицензия — Apache-2.0.

Qwen3.8-27B-OBLITERATED — производная текстовая генеративная модель, опубликованная пользователем bniler2 на базе Qwen/Qwen3.8-27B. Она относится к семейству Qwen3 и предназначена для генерации текста, программного кода и ответов на запросы, включая запросы, на которые исходная модель могла отвечать отказом или отвлечёнными предупреждениями. Модель ориентирована на исследовательские, red-team- и агентные сценарии, а также на локальный запуск в форматах GGUF, SafeTensors и MLX. Заявлены размер 27 млрд параметров и совместимость с режимом рассуждений Qwen3. В README рекомендуются температура 0, repetition_penalty 1.15 и не менее 2048 новых токенов; для агентных сценариев предлагаются более короткие ответы и периодическое суммирование контекста. Размер контекстного окна и перечень поддерживаемых языков не указаны. Для V3 заявлены показатель MMLU 82,3% в тесте lm-eval 0-shot, близкая к исходной модели производительность и полноценные ответы на тестовые задачи генерации кода, однако эти результаты приведены автором модели и не подтверждены независимой проверкой. Главная особенность модели — удаление или ослабление отказов и защитных ответов методом abliteration с последующей итеративной доработкой и смешиванием вариантов. Это может повысить полезность в задачах анализа безопасности и генерации кода, но одновременно снижает встроенные механизмы безопасного поведения и может привести к выдаче рискованного или вредоносного содержания. По сравнению с исходной моделью заявлено снижение MMLU на 2,1 процентного пункта. Модель распространяется по лицензии Apache-2.0.

Qwen3-8B-UnBias-Plus-SFT-Instruct-Legacy-i1-GGUF — квантизированная версия англоязычной инструкционной модели vector-institute/Qwen3-8B-UnBias-Plus-SFT-Instruct-Legacy. Модель дообучена методом supervised fine-tuning на датасете vector-institute/unbias-plus-dataset, а GGUF-квантизации подготовлены mradermacher. Модель предназначена для генерации текста, выявления и уменьшения предвзятости, а также дебайасинга новостных материалов. Она ориентирована на работу с английским языком и поставляется в формате GGUF с несколькими вариантами квантизации, различающимися размером, скоростью и качеством. В основе указана модель Qwen3 с размером 8B параметров; сведения о точной архитектуре, максимальной длине контекста и поддержке дополнительных модальностей в README не приведены. Сильной стороной являются специализация на задачах анализа предвзятости и обработки новостей, а также возможность запуска вариантов различного размера. Ограничения связаны с тем, что низкобитные варианты могут заметно уступать по качеству, а сама модель заявлена только для английского языка; качество и поведение на других языках не подтверждены. Модель и производные материалы распространяются по лицензии Apache-2.0.

Qwen3.8-Flash-Next-Uncensored-NVFP4 — квантизированная версия модели Qwen3.8-Flash-Next, разработанной Qwen и опубликованной OrcaRouter. Это мультимодальная Mixture-of-Experts-модель для работы с текстом и изображениями, рассуждений, вызова инструментов, функционального вызова, исследовательского red-teaming и анализа механизмов отказа моделей. Модель представляет preview-архитектуры Qwen4 и поддерживает английский и китайский языки. Архитектура включает 512 экспертов, из которых для каждого запроса активируются 10 маршрутизируемых и 1 общий эксперт, Gated DeltaNet linear attention, Qwen Sparse Attention, HyperConnections и PLE n-gram embeddings. Экспертные веса сжаты в NVFP4 с точностью 4 бита, attention и общие экспертные веса — в FP8, а отдельные компоненты, включая эмбеддинги, vision tower и нормализации, сохранены в bf16. Размер хранения сокращён примерно с 330 ГБ в bf16 до 178 ГБ; KV-кэш во время работы остаётся в bf16. Главное преимущество модели — значительное снижение требований к памяти при сохранении полноточных путей в важных компонентах, а также встроенная поддержка vision, reasoning и tool calling. Ограничения включают необходимость GPU с архитектурой Blackwell и FP4 tensor cores; Hopper и более старые GPU не поддерживаются. Для запуска нужны свежие версии vLLM с архитектурой qwen4_exp и compressed-tensors NVFP4, а мультимодальный режим зависит от поддержки vision-стека Qwen. Из модели удалена значительная часть safety alignment методом abliteration, поэтому она может выполнять вредоносные или незаконные запросы, от которых исходная модель отказалась бы. Модель предназначена только для легитимных исследований; перед практическим развёртыванием необходимы собственные фильтры безопасности и модерация. Лицензия — Apache 2.0, унаследованная от базовой модели.

FatalHub/qwen-function-calling-10k — дообученная FatalHub модель для генерации текста и диалогов с интерфейсом вызова инструментов. В основе лежит unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit: плотная причинная языковая модель семейства Qwen2 с 3,1 млрд параметров и контекстом до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL от Hugging Face. Модель предназначена для диалоговых сценариев, где требуется формировать текст и выдавать вызовы инструментов в поддерживаемом интерфейсе. В карточке указана лицензия Apache-2.0. Сведений о качестве на бенчмарках, тренировочных данных или дополнительных ограничениях применения нет.

Zeteng/qwen_yue_qa_finetuned_int4 — модель генерации текста и ответов на вопросы на кантонском языке, созданная Zeteng на основе семейства Qwen3. В репозитории описаны версии модели Qwen3-8B, включая объединённые веса bf16 и вариант int4; для int4 указаны NF4 с двойным квантованием, размер 5,7 GiB и возможность запуска на одной видеокарте с 8 ГБ памяти. Метаданные указывают базовую модель Qwen/Qwen3-0.6B, однако README описывает актуальную линию v2 на базе Qwen/Qwen3-8B, поэтому точную базовую модель именно этого идентификатора установить по этим данным нельзя. Модель предназначена для ответов на вопросы и диалогов на кантонском, а также для генерации письменного кантонского и перевода между кантонским и путунхуа. README приводит оценки на HKMMLU и тестах перевода и отмечает улучшение качества письменного кантонского по сравнению с базовой моделью; результаты перевода с путунхуа на кантонский после исправления оценок примерно сравнялись с одним из сопоставляемых решений. Для int4-варианта заявлена поддержка только CUDA; каталог файлов использует формат safetensors. README предупреждает, что конфигурации в подкаталогах могут быть несовместимы со старыми версиями vLLM из-за переноса параметра RoPE, а результаты части сравнительных оценок нуждаются в повторной проверке. Лицензия CC BY-NC-ND 4.0 запрещает коммерческое использование и распространение производных версий согласно её условиям.

Silver-Siren-12B — слитая модель Vortex5 для генерации текста в ролевом общении, атмосферных рассказах и художественном письме. Она создана многоэтапным слиянием моделей Stellar-Witch-12B, Elysian-Sunrise-12B, LunaMaid-12B, Shining-Prism-12B, Dark-Nexus-12B-v2.0 и Tlacuilo-12B; использует плотную архитектуру Mistral с 12,1 млрд параметров и доступна в формате safetensors для Transformers. Модель поддерживает контекст до 131 072 токенов. Silver-Siren-12B рассчитана на ролевые диалоги с эмоциональной выразительностью, создание атмосферных повествований большой длины и художественную прозу. В README не перечислены поддерживаемые естественные языки, поэтому языковую специализацию установить нельзя. Модель распространяется по лицензии Apache-2.0.

kenpeter123/small-1b-sft — языковая модель семейства Llama, разработанная автором репозитория и полученная supervised fine-tuning модели kenpeter123/small-1b-pretrain. Она предназначена для генерации текста по запросу и инструкциям, включая задачи с кодом. В метаданных указано около 956 млн параметров, контекст до 8192 токенов и библиотека Transformers; README описывает Transformer++-чекпойнт примерно с 1,03 млрд параметров, 32 слоями, групповым вниманием GQA и SwiGLU. Веса представлены в формате safetensors, также README сообщает о наличии сырого обучающего чекпойнта. Для дообучения использовались смешанные наборы инструкций, включая примеры кода; README упоминает 513 проверенных и 2500 сгенерированных примеров. Это указывает на ориентацию на инструкционную генерацию и код, но карточка не приводит результатов оценки качества или подробных рекомендаций по применению. Модель поддерживает английский язык согласно метаданным. Лицензия — Apache-2.0.

Soar-qwen-32b-i1-GGUF — квантизированная версия модели Soar-qwen-32b, разработанной julien31. Квантизацию выполнил mradermacher; модель основана на Qwen с заявленным размером 32B параметров и распространяется в формате GGUF. Модель предназначена для генерации текста, написания кода, программного синтеза и задач, связанных с ARC и ARC-AGI, включая подходы на основе эволюционных алгоритмов. В метаданных указан английский язык. Данные для обучения включают набор julien31/soar_arc_train_5M. Информация о поддерживаемых модальностях, размере контекстного окна и точной архитектуре в README не приведена, поэтому модель следует рассматривать как текстовую. Доступны варианты квантизации от IQ1_S до Q6_K с размером файлов примерно от 7,4 до 27 ГБ. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; README рекомендует Q4_K_M как быстрый вариант и отмечает Q4_K_S как хороший компромисс между размером, скоростью и качеством. Ограничения включают потери качества, зависящие от выбранного уровня квантизации, а также отсутствие подробных оценок производительности и спецификаций контекста. Лицензия — Apache-2.0.

Space-Whale-Lite — объединённая языковая модель от FallenMerick, созданная методом passthrough с помощью mergekit на основе TeeZee/Orca-2-13b_flat и KoboldAI/LLaMA2-13B-Psyfighter2. Это плотная авторегрессионная модель семейства LLaMA с архитектурой LlamaForCausalLM, примерно 12,9 млрд параметров и контекстом до 4096 токенов. Модель предназначена для генерации текста, в частности для написания историй и текстовых приключений. Она принимает текст и генерирует текст; карточка указывает на тематику, рассчитанную не на любую аудиторию. Доступны веса в формате safetensors. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели и у авторов компонентов слияния. README описывает состав и способ слияния, но не приводит оценки качества или подробные ограничения; модель может наследовать свойства исходных компонентов.

Модель llm-book/t5-base-long-livedoor-news-corpus разработана авторами проекта llm-book как модель для генерации кратких пересказов новостных текстов. Она создана дообучением японской модели retrieva-jp/t5-base-long на наборе данных llm-book/livedoor-news-corpus и представлена в архитектуре T5 с 123,8 млн параметров. Модель работает с текстом на японском языке и предназначена для суммаризации новостей. Доступна в формате PyTorch для библиотеки Transformers. Распространяется по лицензии Apache License 2.0.

lmqg/t5-small-squad-qg — англоязычная модель генерации вопросов, разработанная LMQG на основе T5-small. Она дообучена на наборе данных lmqg/qg_squad и предназначена для создания вопросов по входному тексту или ответу; модель также оценивалась в сценариях генерации вопросов и ответов, в том числе с использованием предсказанного ответа другой модели LMQG. Модель построена на архитектуре T5ForConditionalGeneration, содержит 38,5 млн параметров и рассчитана на контекст до 512 токенов. Доступны веса PyTorch. Лицензия — CC BY 4.0. Оценки в карточке получены на lmqg/qg_squad и нескольких доменах вне обучающего набора. Результаты на этих тестах не гарантируют качество для произвольных текстов; карточка не описывает ограничения по безопасному использованию или применению в конкретных областях.

utrobinmv/t5_translate_en_ru_zh_small_1024 — компактная модель машинного перевода на архитектуре T5, представленная автором карточки как мультиязычная модель для перевода между русским, китайским и английским языками. Она поддерживает пары ru↔zh, en↔zh и en↔ru; целевой язык задаётся префиксом «translate to :», а исходный текст может быть многоязычным. Модель содержит 62,7 млн параметров и распространяется в формате safetensors. Она предназначена для прямого перевода текстов между тремя указанными языками. В метаданных указан датасет CCMatrix. Лицензия — Apache-2.0.

Ternary Bonsai 2 27B MLX 2-bit — мультимодальная модель Prism ML на архитектуре Qwen3.8-27B, упакованная для инференса в MLX с поддержкой signed-Hadamard-преобразований. Репозиторий сохраняет исходные упакованные 2-битные веса, модуль обработки изображений, токенизатор и шаблон диалога модели Prism ML. Модель принимает текст и изображения и формирует текстовые ответы. Она предназначена для диалога по тексту и изображениям, рассуждений и вызова инструментов через шаблон модели и совместимый парсер. Заявленная длина контекста — 262 144 токена; практически доступная длина зависит от оборудования и политики сервинга. Для запуска нужны преобразования signed-Hadamard: веса нельзя загружать как обычный Qwen с аффинной 2-битной квантизацией или без изменений преобразовывать в BF16. Поддержка в нескольких рантаймах проходит проверку; гарантий производительности в продакшене нет. Лицензия — Apache-2.0.

WindyTranslate/translate-en-et — модель машинного перевода, опубликованная Windstorm Labs для перевода с английского на эстонский. Это дообученная версия Helsinki-NLP/opus-mt-en-et: LoRA-дообучение на параллельном корпусе объединено с базовыми весами. Модель использует архитектуру MarianMT, содержит 55,3 млн параметров и принимает последовательности длиной до 512 токенов. Модель подходит для перевода коротких текстов и локализации с английского на эстонский. В проверке на 48 примерах FLORES-200 dev получены chrF++ 51,24 и BLEU 24,85; это скрининговая оценка, а не результат публикационного исследования. Поддерживается только направление en→et. Репозиторий содержит сборку Transformers в формате safetensors. Лицензия — Apache-2.0.

HPLT/translate-en-hr-v1.0-hplt_opus — модель машинного перевода английского языка на хорватский, выпущенная в рамках HPLT MT release v1.0. Это Transformer-base модель семейства Marian, обученная на данных OPUS и HPLT; репозиторий содержит веса в формате Marian и преобразованную версию для Hugging Face Transformers. Модель использует токенизатор SentencePiece Unigram, включает 57,9 млн параметров и рассчитана на контекст до 512 токенов. Модель предназначена для перевода текстов с английского на хорватский. В README приведены результаты на FLORES200 и NTREX: BLEU 30,5 и 32,5 соответственно, а также оценки chrF++ и COMET22. Для запуска версии Transformers авторы рекомендуют transformers 4.28: README предупреждает о проблеме конвертации весов в версии 4.30. Лицензия — CC BY 4.0.

Windstorm Labs опубликовала модель машинного перевода с эстонского на английский на архитектуре MarianMT. Это дообученная версия Helsinki-NLP/opus-mt-et-en: LoRA-дообучение на параллельных данных объединено с базовыми весами; изменены 36 из 254 тензоров. Модель содержит 55,3 млн параметров, рассчитана на контекст до 512 токенов и распространяется в формате safetensors для Transformers. Модель предназначена для перевода текстов с эстонского на английский. В карточке приведена скрининговая оценка на 48 предложениях FLORES-200 dev: chrF++ 59,81 и BLEU 32,98; это не результат публикационного исследования и не гарантирует качество на других данных. Модель поддерживает только направление et→en. Лицензия — Apache-2.0.

Unslop-Magpicaro-0.55-12B — объединённая плотная языковая модель Mistral на 12,1 млрд параметров, созданная Trappu методом TIES с помощью LazyMergekit. Веса двух исходных моделей объединены с весами 0,55 для Trappu/Magnum-Picaro-0.7-v2-12b и 0,45 для TheDrummer/UnslopNemo-12B-v4.1; в конфигурации также указаны нормализация, int8-маска и формат bfloat16. Модель предназначена для генерации текста в диалоговом формате, в частности для написания приключенческих историй и ролевых сценариев. Заявленная длина контекста составляет 1 024 000 токенов. Информация о лицензии и конкретных ограничениях использования в доступных данных отсутствует.

momergul/userlm_sft_llama3_1_8B_instruct — чат-модель на архитектуре Llama, дообученная методом supervised fine-tuning с использованием TRL. Она предназначена для генерации ответов на пользовательские сообщения и диалогового общения; карточка показывает запуск через Transformers с задачей text-generation. В репозитории указано 7,5 млрд параметров, контекст до 131 072 токенов и веса в формате safetensors. Карточка не раскрывает набор обучения, языковой охват или результаты оценки качества, поэтому их нельзя уверенно охарактеризовать. Лицензия в предоставленных данных не указана.

VietAI/vit5-large-vietnews-summarization — модель семейства T5, разработанная VietAI и дообученная для абстрактивного реферирования новостных текстов на вьетнамском языке. Архитектура encoder-decoder позволяет по входной статье генерировать краткое связное изложение её содержания. Модель предназначена для автоматического составления кратких сводок новостей на вьетнамском. Она содержит около 389,3 млн параметров; в репозитории представлены веса PyTorch и TensorFlow. Лицензия — MIT. Длина контекста и отдельные ограничения качества в карточке не описаны.

WeirdCompound-v1.7-24b — плотная языковая модель семейства Mistral на 23,4 млрд параметров, созданная автором карточки путём многоэтапного слияния предварительно обученных и дообученных моделей с помощью mergekit. В качестве основы использована TheDrummer/Cydonia-24B-v4.2.0; среди компонентов также указаны модели для повествования и ролевых диалогов, следования инструкциям, приключенческих сценариев и стилизованной художественной прозы. Модель предназначена для генерации текста в формате чата, в частности для творческого письма и ролевых бесед. Модель распространяется в формате safetensors, работает через Transformers и имеет заявленный контекст 131 072 токена. Автор описывает версии как различающиеся по стилю и отмечает, что новая версия не обязательно лучше предыдущих. Сведения о лицензии и специальных ограничениях в предоставленных данных отсутствуют.

Kuromi22/Xing4.0-29B-A4B-Official_Document_Writing_8k — дообученная компанией China Telecom AI Technology Co., Ltd. модель Xing4.0-29B-A4B для написания официальных документов на китайском языке. Она создаёт план по заголовку, полный текст документа по заголовку и отдельные разделы с опорой на план, исходные материалы и предыдущий контекст. Предназначена для подготовки правительственных отчётов, материалов по партийной работе и речей. В основе — архитектура Mixture-of-Experts: базовая модель содержит 29 млрд параметров и активирует 4 млрд при генерации; метаданные этой версии указывают 6,5 млрд параметров. Модель поддерживает контекст до 262 144 токенов и доступна в формате safetensors для Transformers. Для работы рекомендован OpenAI-совместимый API. Лицензия — Apache-2.0. README не приводит оценки качества или сведения о проверке фактической точности создаваемых документов.

Модель s-nlp/xlmr_formality_classifier — классификатор формальности текста на основе XLM-RoBERTa, представленный в статье «Detecting Text Formality: A Study of Text Classification Approaches». Она дообучена на многоязычном наборе XFORMAL и относит текст к формальному или неформальному стилю, возвращая оценки для обоих классов. Модель содержит 305,2 млн параметров и рассчитана на последовательности длиной до 514 токенов. В README приведены результаты для английского, французского, итальянского и португальского языков; общая точность на указанной выборке составляет около 79,4%, при этом качество различается между языками и классами. Подходит для анализа стиля и сортировки текстов по формальности, но опубликованные метрики показывают, что предсказания не всегда сбалансированы по классам. Лицензия — OpenRAIL++.

XuanYuan-13B-Chat — финансовая языковая модель Duxiaoman-DI, основанная на Llama 2 13B и адаптированная для китайского и английского языков. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM, примерно 12,9 млрд параметров и контекстом до 8192 токенов. Версия Chat обучена на качественных инструкционных данных и выровнена с помощью обучения с подкреплением; базовая модель дополнительно обучалась на больших корпусах китайских и английских текстов с акцентом на финансовые материалы. Модель предназначена для диалогов, понимания языка, использования знаний, создания контента и краткого изложения, в особенности в финансовых сценариях. В карточке заявлено, что её результаты в этих задачах сопоставимы с моделями масштаба 70B; это заявление разработчика, а не независимая оценка. Репозиторий содержит веса safetensors и использует лицензию Llama 2. Для конкретной финансовой рекомендации следует учитывать риск фактических ошибок модели.

NicholasCorrado/zephyr-7b-hh-dpo — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она дообучена методом DPO на наборе диалогов HuggingFaceH4/hh-rlhf-h4 поверх alignment-handbook/zephyr-7b-sft-full и предназначена для генерации текста и ответов в чате. Модель работает с текстом, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Карточка приводит метрики оценки на тестовом наборе, включая точность предпочтений 0,7174, но не описывает сценарии использования, языковое покрытие или ограничения качества. Лицензия Apache-2.0.

DaveGergern/13B-Psyfighter2-Erebus3-DareTies — объединённая автором модель на архитектуре Llama 2 с примерно 12,9 млрд параметров. Она создана методом TIES с помощью mergekit на основе KoboldAI/LLaMA2-13B-Psyfighter2 с включением KoboldAI/LLaMA2-13B-Erebus-v3. Модель предназначена для генерации текста. Описание базовых моделей в каталоге указывает на художественное письмо, диалоги с персонажами и текстовые приключения. Контекст составляет 4096 токенов; репозиторий содержит веса safetensors для Transformers. Модель распространяется по лицензии Llama 2. Качество ответов и фактическая точность зависят от запроса и не гарантируются; контекст ограничен 4096 токенами.