I.5Создание и редактирование текста

Optimus-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная MaziyarPanahi с помощью слияния mistralai/Mistral-7B-Instruct-v0.2 и Q-bert/Optimus-7B методом SLERP. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и принимает текстовые инструкции и сообщения для генерации ответов и продолжения текста. Контекстное окно составляет до 32 768 токенов. Модель подходит для диалоговых приложений, ответов на инструкции и генерации текста. Репозиторий содержит веса Safetensors; указана лицензия Apache-2.0. README описывает конфигурацию слияния, но не сообщает о специальных возможностях сверх генерации текста.

Amira — языковая модель для генерации текста, созданная слиянием моделей psmathur/orca_mini_v3_13b, garage-bAInd/Platypus2-13B и WizardLM/WizardMath-13B-V1.0 с помощью mergekit. Она основана на архитектуре Llama и содержит 12,9 млрд параметров; максимальная длина контекста — 4096 токенов. Модель подходит для диалоговой генерации текста, ответов на вопросы и задач математического рассуждения. Доступна в формате safetensors и распространяется по лицензии Apache-2.0.

orca_mini_v9_5_3B-Instruct — плотная авторегрессионная языковая модель семейства Llama, дообученная Pankaj Mathur на основе meta-llama/Llama-3.2-3B-Instruct. Модель предназначена для диалогов и генерации текста; её можно применять для ответов на вопросы, краткого пересказа и помощи в повседневных текстовых задачах. В карточке указаны наборы данных orca_mini_v1_dataset и orca_mini_v8_sharegpt_format. Модель содержит 3,2 млрд параметров, поддерживает контекст до 131 072 токенов и доступна в форматах PyTorch и Safetensors для библиотеки Transformers. Метаданные отмечают английский язык; базовая модель описана как мультиязычная. Лицензия — Llama 3.2 Community License. Как и другие компактные языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением рекомендуется проверять качество и безопасность в целевом сценарии.

Ornith-1.5-9B-NVFP4-MTP-GGUF — это квантованный GGUF-артефакт модели Ornith-1.5-9B, разработанной ornith-ai и подготовленной пользователем Avifenesh. Модель предназначена для генерации текста, диалоговых сценариев, работы с кодом и задач, поддерживающих XML-вызов инструментов и рассуждения в формате <think>. Артефакт ориентирован на инференс через tiyuvta serving engine и GPU архитектуры NVIDIA Blackwell; для upstream llama.cpp и Ollama рекомендуется использовать официальные BF16–Q8_0 GGUF-файлы без MTP-головы. Основная модель имеет 9 млрд параметров, контекст до 262 144 токенов, словарь размером 248 320 и текстовую text-to-text модальность; vision tower в этот артефакт не включён. Используется NVFP4-квантизация с 4-битными весами и FP8-масштабами на блок, при этом эмбеддинги и выходная голова представлены в Q5_K, а нормы — в F32. Размер файла составляет около 5,4 ГБ вместо 18,8 ГБ в BF16. В артефакт добавлена MTP-голова, заимствованная из Qwen3.5-9B; она используется для speculative decoding и не должна изменять итоговые токены, поскольку каждый спрогнозированный токен проверяется целевой моделью. На тестах заявлена токен-в-токен идентичность с обычной greedy-декодировкой и принятие до 59% черновых токенов при K=3, однако показатели производительности в токенах в секунду не приводятся и зависят от оборудования. Лицензия основного Ornith-1.5-9B указана как MIT; MTP-голова происходит из Qwen3.5-9B под Apache-2.0.

Ornstein3.6-35B-A3B-GGUF — набор GGUF-квантизаций модели DJLougen/Ornstein3.6-35B-A3B, опубликованный для локального запуска. Это дообученная модель семейства Qwen 3.6 с архитектурой Qwen3_5MoeForCausalLM и поддержкой сценариев генерации текста; репозиторий также содержит мультимодальные конфигурации и файлы визуальной башни для обработки изображений и видео, однако существующие GGUF-бинарники при обновлении метаданных не переписывались. Модель использует архитектуру mixture-of-experts с 34,66 млрд параметров, из которых около 3 млрд активны для каждого токена. В ней 256 экспертов, выбираются 8 экспертов на токен, предусмотрены чередующиеся линейное и полноразмерное внимание, а также Gated Delta Net. Контекст составляет до 262 144 токенов, скрытый размер — 2048, число слоёв — 40, словарь — 248 320 токенов. Доступны варианты квантизации от 8 до примерно 2,6 бит; версии ниже 8 бит частично созданы с importance matrix на смешанном многоязычном корпусе. Сильная сторона модели — сочетание большого общего числа параметров с относительно небольшим числом активных параметров, что делает локальный инференс более доступным по памяти. Для лучшего качества рекомендуется Q4_K_M или выше; Q5_K_M описывается как удачный баланс качества и размера, а Q8_0 — как почти без потерь. Низкобитные варианты требуют компромисса по качеству, причём у MoE-моделей деградация при сильной квантизации может быть заметнее. Для запуска подходят llama.cpp, LM Studio, Ollama, koboldcpp и text-generation-webui при наличии поддержки Qwen3_5MoeForCausalLM и Gated Delta Net. Модель распространяется по лицензии Apache 2.0, унаследованной от базового релиза Qwen 3.6.

OxytocinErosEngineeringF1-7B-slerp — объединённая текстовая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit из ChaoticNeutrals/Eris_Remix_7B и Virt-io/Erebus-Holodeck-7B. Слияние выполнено методом SLERP с разными коэффициентами для слоёв self-attention и MLP. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы. В карточке приведены результаты Open LLM Leaderboard, включая средний балл 69,22, однако подробные результаты доступны по внешней ссылке. Репозиторий содержит веса Safetensors и GGUF F16. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

pandafish-2-7b-32k — объединённая модель на архитектуре Mistral, созданная ichigoberry с помощью LazyMergekit из Mistral-7B-Instruct-v0.2 и dolphin-2.8-mistral-7b-v02. Она предназначена для генерации текста и диалоговых ответов по инструкциям; в карточке указан шаблон Mistral Instruct. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. README приводит результаты сравнительных оценок AGIEval, GPT4All, TruthfulQA и Bigbench, но не описывает конкретные гарантии качества для отдельных задач. Опубликована в формате safetensors и распространяется по лицензии Apache-2.0.

Lazzzaroo/PaolaAI-IPN-7B — чат-модель на архитектуре Qwen2, дообученная Lazzzaroo на базе unsloth/Qwen2.5-7B-Instruct-bnb-4bit. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста и диалоговых сценариев; карточка также отмечает интерфейс вызова инструментов. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст длиной до 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель семейства T5 с 132 млн параметров, опубликованная пользователем sharifMunna в формате safetensors. Судя по названию и карточке, она предназначена для перефразирования текста: пользователь передаёт исходную фразу или текст и получает вариант с иной формулировкой. В карточке не описаны обучающие данные, языки, контекстное окно, качество на тестах или ограничения применения. README указывает, что модель дообучена на наборе данных, название которого не приведено. Лицензия в предоставленных метаданных и README отсутствует.

Это дообученная модель myfi на базе unsloth/Qwen3-4B-Instruct-2507 — плотной языковой модели Qwen3 с 3,7 млрд параметров. Она предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и использует контекст до 262 144 токенов. Модель обучена с использованием Unsloth и библиотеки Hugging Face TRL. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специализацию дообучения или отдельные ограничения качества, поэтому применение следует выбирать по результатам собственной оценки.

bunsenfeng/parti_4_full — текстовая генеративная модель семейства Qwen2, размещённая пользователем bunsenfeng на Hugging Face. По метаданным, она содержит 7,1 млрд параметров, построена на архитектуре Qwen2ForCausalLM и использует Transformers; заявлены генерация текста и диалоговый режим. Для развёртывания указаны веса Safetensors и контекст до 32 768 токенов. Модель подходит для диалогов и генерации текста, в том числе для работы с длинным контекстом. Источники не позволяют надёжно установить конкретные обучающие задачи, поддерживаемые языки или лицензионные условия; поэтому не следует считать её специализированной для отдельных областей или языков.

bunsenfeng/parti_5_full — текстовая генеративная модель на архитектуре Qwen2, опубликованная bunsenfeng. Метаданные Hugging Face указывают около 7,1 млрд параметров, контекст до 32 768 токенов и поддержку диалогового режима; модель принимает текст и генерирует текст. Поиск также обнаружил карточку Featherless, описывающую модель как 7,6-миллиардную и заявляющую контекст 131 072 токена, однако это расходится с метаданными Hugging Face, поэтому в характеристиках использованы значения метаданных. Модель подходит для диалогов, генерации текста и работы с длинными текстовыми запросами в пределах указанного контекста. Карточка Featherless относит её к дообученным моделям, но надёжно установить базовую модель и конкретные специализации по доступным сведениям нельзя. Репозиторий содержит веса safetensors; сведения о лицензии, языковом охвате и оценках качества не подтверждены использованными источниками.

Карточка модели mt1234/PATHFINDER-32B на Hugging Face совпадает с карточкой mt1234/PATHFINDER-120STEPS, поэтому описание составлено по ней. PATHFINDER-120STEPS — дообученная модель mt1234 на базе unsloth/qwen2.5-coder-32b-instruct-bnb-4bit. Это плотная языковая модель семейства Qwen2 с 32 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. В метаданных заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст; её контекстное окно составляет 32 768 токенов. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0.

Pegasus-7b-slerp — текстовая диалоговая модель, созданная AurelPx слиянием моделей ammarali32/multi_verse_model и eren23/dpo-binarized-NeutrixOmnibe-7B методом SLERP с помощью LazyMergekit. Она предназначена для генерации текста и ответов в диалоге. Модель основана на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Веса объединены в типе bfloat16; лицензия — Apache-2.0. Карточка не приводит сведения о специализированных областях или языках, поэтому модель следует рассматривать как универсальную текстовую модель. Качество и поведение при конкретных задачах зависят от запроса и выбранной среды запуска.

PEGASUS-X Large — модель Google на базе PEGASUS, предназначенная для реферирования длинных текстов. Она использует архитектуру Transformer encoder-decoder с блочно-локальным вниманием и глобальными токенами кодировщика; дополнительное предварительное обучение на длинных последовательностях позволяет обрабатывать входы до 16 384 токенов. В метаданных указаны 366,8 млн параметров и формат PyTorch. Модель принимает текст и генерирует текстовое резюме; её основное применение — абстрактивное суммирование длинных документов. В исследовании PEGASUS-X показала сильные результаты на задачах суммирования длинных входов при сравнении с более крупными моделями. Карточка Hugging Face не содержит описания модели и не указывает лицензию, поэтому условия использования по доступным сведениям определить нельзя.

Percival_01Experiment26-7B — объединённая языковая модель, созданная Maxime Labonne методом DARE-TIES на основе AurelPx/Percival_01-7b-slerp и rwitz/experiment26-truthy-iter-2. Модель построена на архитектуре Mistral с плотной causal language model и содержит 7,1 млрд параметров; репозиторий распространяет веса в формате safetensors, а конфигурация слияния указывает bfloat16. Модель предназначена для генерации текста. Контекстное окно составляет 32 768 токенов. В README приведена конфигурация автоматического слияния, включая плотность 0,53 и вес второй модели 0,6. Указанная лицензия — Apache-2.0. Данные не описывают целевые языки, специализированные области применения или результаты оценки качества.

Phi-2 Orange Version 2 — разговорная языковая модель на базе Phi-2, созданная Rhys Jones. Это двухэтапное дообучение с обновлённым процессом на тех же наборах данных, что использовались для первой версии. Модель имеет плотную архитектуру PhiForCausalLM, около 3,5 млрд параметров и контекст до 2048 токенов. Модель предназначена для генерации текста в диалоговом формате ChatML: она может отвечать на вопросы, следовать системным инструкциям, помогать с рассуждениями и писать код. В README приведены результаты нескольких бенчмарков, но они не гарантируют качество на конкретных задачах. Модель использует формат safetensors и поддерживается Transformers без необходимости включать trust_remote_code. Модель выпущена под лицензией MIT. Она наследует ограничения Phi-2; подробности приведены в карточке базовой модели.

Phi-2-psy — объединённая языковая модель на базе семейства Phi, созданная слиянием rhysjones/phi-2-orange и cognitivecomputations/dolphin-2_6-phi-2 методом SLERP. Модель имеет плотную архитектуру PhiForCausalLM и содержит 3,5 млрд параметров; для генерации текста доступно контекстное окно длиной 2048 токенов. Модель предназначена для генерации текста и ответов на запросы. В README приведены результаты оценки на наборах Nous suite и Open LLM Leaderboard; эти результаты характеризуют тестирование, но не гарантируют качество для конкретной задачи. Модель опубликована в формате Safetensors и распространяется по лицензии MIT.

mateussj выпустил объединённую модель Phi-3.5-mini-instruct-2x-v1 на основе microsoft/Phi-3.5-mini-instruct. Она использует архитектуру Phi-3 с плотной причинной языковой моделью на 3,7 млрд параметров и предназначена для диалогов и генерации текста по инструкциям. В README описано слияние методом TIES с помощью mergekit; базовая модель включена в конфигурацию с разными значениями плотности и весов. Модель принимает текст и выдаёт текст, поддерживает контекст до 4096 токенов. Метаданные указывают формат safetensors и библиотеку Transformers. Условия лицензии и отдельные языки этой версии в предоставленных данных не раскрыты; базовая модель описана как многоязычная.

Phi-3.5-mini-instruct-4bit — инструкционная языковая модель для генерации текста, созданная Microsoft и преобразованная сообществом mlx-community в формат MLX. Модель предназначена для диалоговых сценариев, ответов на вопросы и решения задач обработки естественного языка; в метаданных также указана релевантность для работы с кодом. Поддерживается библиотекой mlx-lm и рассчитана на запуск в экосистеме MLX. Модель представлена в 4-битном варианте, что обычно позволяет снизить требования к памяти по сравнению с полноразмерным представлением, однако точный размер, архитектура, длина контекста и перечень поддерживаемых языков в README не указаны. В метаданных заявлена многоязычность. Сильными сторонами являются инструкционный формат, возможность генерации текста и адаптация к MLX; ограничения и результаты тестирования не приведены. Конвертация выполнена из microsoft/Phi-3.5-mini-instruct с использованием mlx-lm версии 0.17.0. Модель распространяется по лицензии MIT.

MaziyarPanahi/Phi-3.5-mini-instruct-GGUF — набор файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе microsoft/Phi-3.5-mini-instruct, разработанной Microsoft. Модель предназначена для генерации текста и использования в локальных приложениях и интерфейсах, поддерживающих GGUF, включая llama.cpp, llama-cpp-python, LM Studio и другие совместимые инструменты. В репозитории представлены квантизованные варианты с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать баланс между размером модели, требованиями к памяти и качеством генерации. README не содержит сведений о точном размере модели, архитектуре, длине контекста, поддерживаемых языках, модальностях и лицензии. Формат GGUF ориентирован на эффективный локальный запуск, включая сценарии с GPU-ускорением, однако конкретные требования к оборудованию зависят от выбранного варианта квантизации и программного обеспечения.

Phi-3.5-MoE-instruct-GGUF — это набор GGUF-квантизованных версий инструкционной языковой модели Phi-3.5-MoE-instruct, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая работу с кодом и многоязычными запросами, и может запускаться локально через llama.cpp или LM Studio. В набор входят варианты от F16 до низкоразрядных Q2 и IQ-квантизаций размером примерно от 15 до 84 ГБ. Доступны версии с различным компромиссом между качеством, требованиями к памяти и скоростью работы; наиболее качественными считаются F16, Q8_0 и Q6, а Q4-варианты ориентированы на более широкий круг локальных сценариев. Модель относится к архитектуре Mixture of Experts, однако точные сведения о числе параметров, длине контекста и поддерживаемых языках в README не указаны; заявлена многоязычность. Сильные стороны — широкий выбор форматов, локальный запуск и возможность подобрать размер модели под доступные ресурсы. Ограничения зависят от уровня квантизации: уменьшение размера может снижать качество, а даже компактные варианты требуют значительного объёма памяти. Модель распространяется по лицензии MIT.

win10/phi-3.5-sakura-yuzu-v2 — объединённая языковая модель на архитектуре Phi-3, созданная с помощью mergekit методом passthrough на основе win10/phi-3.5-Sakura-Yuzu-v1.5. Модель содержит около 4,7 млрд параметров, использует формат safetensors и рассчитана на генерацию текста в диалоговом режиме с контекстом до 4096 токенов. Модель подходит для ведения диалогов и генерации текстовых ответов. Карточка не описывает специализированные предметные области или поддерживаемые естественные языки. Лицензия в предоставленных данных не указана.

win10/phi-3.5-sakura-yuzu-v2.5 — объединённая языковая модель на архитектуре Phi-3, созданная с помощью mergekit методом TIES на основе microsoft/Phi-3.5-mini-instruct и четырёх других моделей Phi. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит около 3,7 млрд параметров, работает через Transformers и принимает контекст длиной до 4096 токенов. Модель подойдёт для чат-ботов, генерации ответов и других задач на основе текста. Базовая модель описана как многоязычная, однако карточка этой версии не уточняет поддерживаемые языки и особенности обучения. Указан формат весов safetensors. Лицензия в предоставленных данных не приведена.

Xiaojian9992024/Phi-3.5-Small-Instruct-UNOFFICAL — языковая модель для генерации текста и диалогов, созданная слиянием предобученных моделей через mergekit. В README в качестве основы слияния указана microsoft/Phi-3.5-mini-instruct; метаданные также связывают репозиторий с этой моделью. Модель использует плотную архитектуру Phi-3 и содержит 10,5 млрд параметров. Модель подходит для диалоговых сценариев и генерации текста. Она принимает текст и выдаёт текст; заявленная длина контекста — 4096 токенов. Для работы указана библиотека Transformers и формат весов Safetensors. Лицензия в предоставленных данных не указана.

duyntnet/Phi-3-medium-128k-instruct-imatrix-GGUF — набор GGUF-квантизаций модели Phi-3-Medium-128k-Instruct, разработанной Microsoft и опубликованной пользователем duyntnet. Репозиторий предназначен для локального запуска модели через совместимые инструменты, включая llama.cpp; указано, что квантизации созданы с использованием актуальной версии llama.cpp. Модель относится к классу text-generation и работает с текстом. Исходная Phi-3-Medium-128k-Instruct — инструкционная языковая модель для диалогов, ответов на вопросы, генерации текста и решения задач по пользовательским запросам. Она рассчитана на использование в chat-формате и поддерживает контекст до 128 000 токенов; размер словаря токенизатора — до 32 064 токенов. В README указан английский язык. Архитектура и точное число параметров в представленных данных не раскрыты. Сильной стороной модели является большой контекст и наличие готовых GGUF-квантизаций для более эффективного локального инференса. Ограничения включают зависимость от совместимого рантайма и конкретного варианта квантизации, а также отсутствие в README подробных характеристик качества, требований к ресурсам и данных о поддерживаемых модальностях помимо текста. Лицензия указана как other; её точные условия требуют отдельной проверки в исходном репозитории Microsoft.

Phi-3 Medium-128K-Instruct ONNX DirectML — конвертированная и оптимизированная Microsoft версия языковой модели Phi-3 Medium для генерации текста и диалогов. Модель содержит 13,8 млрд параметров и распространяется в формате ONNX; вариант в репозитории квантован до INT4 методом AWQ и рассчитан на инференс через ONNX Runtime с DirectML на Windows GPU. Модель предназначена для ответов на вопросы, следования инструкциям, рассуждений, работы с математическими и программными задачами и обработки длинных запросов. Исходная модель обучена на синтетических данных и отфильтрованных общедоступных веб-страницах, а её постобучение включало supervised fine-tuning и direct preference optimization. README описывает семейство как поддерживающее контекст до 128K токенов, однако метаданные репозитория указывают native context в 4096 токенов, поэтому доступную длину контекста следует уточнять для конкретной сборки. Сборка ориентирована на ускорение генерации на GPU AMD, Intel и NVIDIA с DirectML; в README приведено тестирование на RTX 4090 и минимальная конфигурация Windows с GPU, совместимым с DirectX 12, и 10 ГБ объединённой RAM. Квантование может влиять на точность, несмотря на заявленное сохранение качества AWQ. Модель разработана Microsoft и распространяется по лицензии MIT.

bartowski/Phi-3-medium-4k-instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Phi-3-medium-4k-instruct, разработанной Microsoft. Модель предназначена для генерации текста и кода, диалоговых сценариев, ответов на пользовательские инструкции и локального запуска через llama.cpp или совместимые приложения, включая LM Studio. В README указана поддержка multilingual-сценариев, однако конкретный перечень языков не приведён. Модель работает с текстом и имеет контекст длиной 4K токенов, что следует из её названия и исходной модели. Доступны варианты от F32 до Q2_K и IQ-квантизаций с размером файлов примерно от 4,72 до 55,84 ГБ. Квантизации подготовлены bartowski с использованием llama.cpp и imatrix; обновление llama.cpp также учитывает исправление rope scaling. Более высокие варианты обычно обеспечивают лучшее качество, а низкобитные требуют меньше оперативной памяти, но могут заметно уступать по точности. Основные ограничения связаны с ограниченным контекстом 4K токенов, отсутствием заявленной поддержки изображений или других немультимодальных входов и возможной потерей качества при сильной квантизации. Формат prompt требует специальных маркеров ролей <|user|>, <|end|> и <|assistant|>. Для модели указана лицензия MIT.

Phi-3-medium-4k-instruct-IMat-GGUF — квантизированная версия языковой модели Phi-3-medium-4k-instruct, разработанной Microsoft. Релиз подготовлен пользователем legraphista с использованием llama.cpp и представлен в формате GGUF для локального запуска и генерации текста. Модель предназначена для диалоговых сценариев, выполнения инструкций и других задач текстовой генерации. Исходная модель использует формат BF16, а репозиторий содержит варианты с разными уровнями точности и размером от 4,13 до 27,92 ГБ: FP16, BF16, Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантизации. Для ряда вариантов применена IMatrix-квантизация, позволяющая уменьшить размер модели с сохранением качества по сравнению с обычной квантизацией. Указаны мультиязычная поддержка и контекст до 4096 токенов; доступна только текстовая модальность. Преимущества модели — широкий выбор вариантов квантизации, возможность подбора соотношения качества и требований к памяти, а также совместимость с экосистемой llama.cpp. Ограничения включают потерю качества при использовании наиболее компактных вариантов и высокие требования к ресурсам для полноточных версий; конкретные языки, архитектурные детали и результаты оценки в README не указаны. Модель распространяется по лицензии MIT.

Модель predibase/Phi-3-mini-4k-instruct-dequantized — дообученная версия компактной языковой модели Phi-3 Mini от Microsoft, загруженная jeffkinnison. Она предназначена для генерации текста в диалогах и написания кода; поддерживает контекст до 4096 токенов и содержит 3,7 млрд параметров. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Карточка не сообщает о специальных ограничениях применения; возможности и качество унаследованы от базовой модели Phi-3 Mini.