I.5Создание и редактирование текста

Карточка модели zelk12/MT-Max-Merge_02012025163610-BB-gemma-2-MT5g4MTM5-9B на Hugging Face совпадает с карточкой zelk12/MT2-Max-Merge_02012025163610-BB-gemma-2-MT5g4MTM5-9B, поэтому описание составлено по ней. zelk12/MT2-Max-Merge_02012025163610-BB-gemma-2-MT5g4MTM5-9B — объединённая модель генерации текста на базе Gemma 2, созданная методом SLERP с помощью mergekit из zelk12/MT5-Gen4-gemma-2-9B и zelk12/MT-Merge5-gemma-2-9B. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и представлена в формате safetensors для библиотеки Transformers. Модель предназначена для диалоговой генерации текста. Контекст составляет до 8192 токенов. Сведения о поддерживаемых естественных языках, специальных предметных областях и сравнительном качестве в карточке не приведены. Лицензия в предоставленных данных не указана.

zelk12/MT-Max-Merge_02012025163610-MA-gemma-2-MTM4MT5g4-9B — разговорная языковая модель на архитектуре Gemma 2, созданная слиянием двух предварительно обученных моделей с помощью SLERP и mergekit. Модель содержит 9 млрд параметров и предназначена для генерации текста и ведения диалогов; заявленная длина контекста — 8192 токена. Модель принимает текстовые запросы и генерирует текстовые ответы. Карточка не приводит сведений о целевых языках, специализированных областях применения или сравнительных результатах. Репозиторий распространяет веса в формате safetensors; в конфигурации слияния указана точность bfloat16. Лицензия в предоставленных данных не указана.

zelk12/MT-Merge1-gemma-2-9B — объединённая разговорная языковая модель на 9 млрд параметров, созданная с помощью mergekit методом SLERP из zelk12/MT5-Gen1-MMGBI-gemma-2-9B и zelk12/MT-Merge1-MAMU-gemma-2-9B. Модель построена на архитектуре Gemma 2 с причинной языковой моделью Gemma2ForCausalLM и предназначена для генерации текста и диалогов. Она принимает текст и выдаёт текст; нативный контекст составляет 8192 токена. В карточке приведены результаты Open LLM Leaderboard: среднее значение 33,13, IFEval — 78,86 и BBH — 44,06. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия и специальные языковые ограничения в предоставленных данных не указаны.

zelk12/MT-Merge2-IG-gemma-2-9B — объединённая методом SLERP разговорная языковая модель, созданная с помощью mergekit из двух предварительно обученных моделей Gemma 2. Модель имеет плотную архитектуру Gemma2ForCausalLM и 9 млрд параметров; опубликована в формате safetensors и предназначена для генерации текста и диалоговых ответов. Модель принимает текст и генерирует текст. Встроенная длина контекста составляет 8192 токена. Карточка описывает способ объединения и исходные модели, но не приводит конкретных результатов оценки качества или перечня поддерживаемых языков. Лицензия в предоставленных сведениях не указана.

zelk12/MT-Merge2-MA-gemma-2-MT4g2MTg2-9B — объединённая модель генерации текста на архитектуре Gemma 2, созданная методом SLERP с помощью mergekit из zelk12/MT4-Gen2-gemma-2-9B и zelk12/MT-Gen2-gemma-2-9B. Модель предназначена для текстовых ответов и диалогового общения; размер составляет 9 млрд параметров, нативная длина контекста — 8192 токена. Репозиторий содержит веса Safetensors, а README также описывает вариант GGUF Static. Модель подходит для чат-ботов и генерации текста в приложениях на базе Transformers. Метаданные не определяют целевые языки или специализированные предметные области, поэтому их нельзя уверенно указать. В README приведены параметры слияния: SLERP, тип данных bfloat16 и коэффициент t=0.25. Сведения о лицензии и конкретных ограничениях качества в доступных материалах отсутствуют.

zelk12 создал эту разговорную модель, объединив методом SLERP две предварительно обученные языковые модели: zelk12/MT-Gen4-gemma-2-9B и zelk12/MT3-Gen4-gemma-2-9B. Это плотная модель Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она поддерживает контекст длиной до 8192 токенов и работает через библиотеку Transformers; веса опубликованы в формате Safetensors. Модель подходит для диалоговых приложений и генерации текстовых ответов. В карточке указана лицензия Gemma, поэтому перед использованием следует соблюдать её условия. README не приводит оценок качества или специальных ограничений по сценариям применения.

zelk12/MT-Merge5-MMBMUI-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, созданная автором репозитория с помощью mergekit. В неё методом SLERP объединены zelk12/MT-Merge5-MMB-gemma-2-9B и zelk12/MT-Merge5-MUI-gemma-2-9B; параметры слияния заданы относительно первой модели с коэффициентом t=0,25. Модель содержит 9 млрд параметров, использует формат safetensors и библиотеку Transformers. Она предназначена для генерации текста и диалоговых ответов; контекстное окно составляет 8192 токена. Карточка не описывает отдельные прикладные специализации или языковое покрытие, поэтому область применения следует определять по содержимому запросов и ответов модели. Лицензия в предоставленных данных не указана.

automerger/Multi_verse_modelExperiment28-7B — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit. В основе объединения лежит ammarali32/multi_verse_model; также в него включена yam-peleg/Experiment28-7B. Использован метод DARE TIES. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и сценариев работы с языковой моделью. В карточке не приведены специальные прикладные области или сведения о языках. Файлы представлены в формате safetensors. Лицензия не указана в предоставленных данных.

Multi_verse_modelInex12-7B — объединённая чат-модель на архитектуре Mistral, созданная Maxime Labonne автоматическим слиянием MTSAIR/multi_verse_model и MSL7/INEX12-7b. Для слияния использован метод SLERP с настройкой весов слоёв внимания и MLP; веса сохранены в формате safetensors и типе bfloat16. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста. В карточке указана лицензия Apache-2.0. Языковые сведения карточки и метаданных указывают на англоязычную базовую модель; отдельные языковые возможности объединённой модели не описаны.

munin-neuralbeagle-7b-density-low — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная командой merge-crew методом слияния LazyMergekit. В конфигурации указаны munin-7b-alpha и mlabonne/NeuralBeagle14-7B, метод слияния dare_ties, плотность 0,3 и вес 0,6 для NeuralBeagle; итоговый тип данных — bfloat16. Модель предназначена для генерации текста, диалогов и ответов на инструкции. Она принимает текст и выдаёт текст, поддерживает контекст длиной до 32 768 токенов. Описание базовой NeuralBeagle указывает на диалоги, следование инструкциям, рассуждения и творческую генерацию, но README не приводит отдельных оценок качества именно этого слияния. В метаданных указана лицензия? Нет сведений о лицензии в предоставленных данных, поэтому условия использования установить нельзя.

munin-neuralbeagle-7b-density-very-high — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана с помощью LazyMergekit методом dare_ties на основе munin-7b-alpha и mlabonne/NeuralBeagle14-7B; конфигурация задаёт для NeuralBeagle плотность 0,9 и вес 0,6, а итоговый тип данных — bfloat16. Модель предназначена для генерации текста, в том числе диалогов, ответов на инструкции, рассуждений и творческих текстов — эти возможности указаны в описании базовой NeuralBeagle14-7B. Контекст составляет до 32 768 токенов. В репозитории опубликованы веса в формате safetensors. Карточка не указывает лицензию. Качество и ограничения итогового слияния отдельно не описаны; возможности и поведение базовых моделей могут отличаться от поведения объединённой модели.

Muse-3B — компактная чат-модель на 3 млрд параметров от Muse Research Lab. Это авторегрессионный плотный трансформер в стиле Llama с архитектурой LlamaForCausalLM, доступный в формате safetensors и рассчитанный на контекст до 8192 токенов. Модель предназначена для повседневного общения, ответов на вопросы, написания и редактирования текстов, кратких пересказов и простых задач программирования. Она принимает и генерирует текст, включая код; карточка заявляет поддержку английского, немецкого, французского, итальянского, испанского и португальского языков. Модель также рассчитана на чат и заявляет безопасный отказ на явно вредоносные запросы. Muse-3B описана как ранняя компактная модель для лёгких ассистентских сценариев и экспериментов. Она может давать неверные или неполные ответы, испытывать трудности со сложными рассуждениями, крупными задачами программирования и узкоспециализированными темами; многоязычные ответы могут быть менее надёжны, чем английские. Для медицинских, юридических, финансовых и иных критически важных решений её не следует использовать как единственный источник. Лицензия — Apache-2.0.

Muse-Glimmer-30B-GGUF — набор GGUF-сборок модели Muse Glimmer 30B, разработанной Meta и опубликованной AtomicChat в формате, совместимом с llama.cpp. Модель предназначена для генерации текста, мультимодального анализа изображений, диалоговых сценариев, работы с инструментами, а также задач программирования, написания текстов и рассуждений. Указан pipeline image-text-to-text, однако точная архитектура, поддерживаемые языки и максимальный контекст модели в README не раскрыты. Доступны варианты квантования от Q8_0 и BF16 до IQ2_XXS объёмом примерно от 9,3 до 55,7 ГБ. Для работы с изображениями требуется отдельный vision-проектор mmproj размером около 3,9 ГБ, а для ускоренной генерации можно подключить drafter dflash, добавляющий около 5,5 ГБ к требованиям по памяти. Рекомендуемая сборка AD-IQ4_XS рассчитана примерно на 24 ГБ видеопамяти вместе с vision-проектором и обеспечивает компромисс между размером и качеством; на RTX 5090 заявлена скорость до 39,6 токена в секунду без drafter и до 71,8 с ним. Сильные стороны модели — мультимодальность, поддержка tool calling, несколько вариантов квантования и возможность запуска на одной потребительской видеокарте. Качество снижается по мере уменьшения разрядности, особенно на низких вариантах IQ; speculative decoding требует дополнительной памяти и снижает скорость обработки промпта. Для запуска нужен llama.cpp, собранный из актуальной ветки master с поддержкой Muse Glimmer, а также параметр --jinja для корректной работы шаблона чата и разбора вызовов инструментов. Лицензия — Apache 2.0.

MyAwesomeModel — языковая модель, представленная в репозитории david123TJP/MyAwesomeModel-TestRepo. README не указывает имя разработчика или организацию, создавшую модель. Модель реализована с использованием библиотеки Transformers и распространяется по лицензии MIT. Модель предназначена для сложных задач рассуждения, математических и логических задач, программирования, понимания и генерации текста, классификации, анализа тональности, суммаризации, перевода, ответов на вопросы и диалогового взаимодействия. Также заявлена поддержка function calling, системных промптов, загрузки файлов и генерации с использованием результатов веб-поиска. По данным README, после обновления были улучшены глубина рассуждений, возможности вывода и снижена частота галлюцинаций. Точные сведения об архитектуре, количестве параметров, модальностях, языках и размере контекстного окна не приведены. Указано, что модель использует увеличенную глубину рассуждений: в тесте AIME 2025 среднее использование выросло примерно с 12K до 23K токенов на вопрос, а точность повысилась с 70% до 87,5%. Для работы рекомендуется temperature 0,6 и системный промпт с текущей датой. README также упоминает вариант MyAwesomeModel-Small, архитектура которого идентична базовой модели, но подробности о нём не раскрыты.

MyAwesomeModel-TestRepo — репозиторий модели пользователя tttoola на Hugging Face. По метаданным это модель семейства BERT для извлечения признаков, реализованная как BertModel и доступная в формате PyTorch через библиотеку Transformers. Репозиторий помечен лицензией MIT. Модель предназначена для получения признаковых представлений текста. В карточке и доступных источниках не удалось надёжно установить конкретные сценарии применения, поддерживаемые языки, размер или длину контекста, поэтому эти характеристики не указаны.

MyAwesomeModel — репозиторий модели пользователя zhujiaying-mcpbench на Hugging Face. Метаданные указывают на архитектуру BERT, класс BertModel и задачу feature-extraction; модель принимает текст и предназначена для получения векторных представлений, например для поиска и сравнения текстов. Указаны библиотека Transformers, формат PyTorch и лицензия MIT. Веб-результат сообщает, что репозиторий пуст и не содержит весов, конфигурации или кода, поэтому применимость модели и заявленные в карточке возможности нельзя проверить. Сведения о размере, контексте и поддерживаемых языках надёжно не установлены.

DazzlingXeno/Mystery-Magnum — языковая модель, созданная объединением предварительно обученных моделей методом Model Stock с помощью mergekit. Базой служит 01-ai/Yi-1.5-34B-32K; в объединение также вошли anthracite-org/magnum-v3-34b и TheSkullery/Y1.5-MS-Mysteria-34b. Модель с плотной архитектурой семейства Llama содержит 33,9 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста. Веса доступны в формате safetensors; для запуска указана библиотека Transformers. Карточка не описывает конкретные сильные стороны или ограничения модели. Условия лицензии в предоставленных данных не приведены.

mvpmaster/nddmp-kellemar-KrishnaHercules-7b-slerp — объединённая модель для генерации текста, созданная методом SLERP с помощью LazyMergekit из mvpmaster/NeuralDareDMistralPro-7b-slerp и mvpmaster/kellemar-KrishnaHercules-0.1-7b-slerp. В метаданных указана архитектура MistralForCausalLM с плотными слоями и размером 7,1 млрд параметров. Модель принимает текстовые запросы и генерирует текст; заявленная длина контекста — до 32 768 токенов. Карточка не описывает специализированные сценарии, поддерживаемые языки или сравнительные результаты. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

ClaudioItaly/Neithabet-9G — слитая ClaudioItaly с помощью mergekit методом SLERP модель Gemma 2 с плотной архитектурой Gemma2ForCausalLM и 9 млрд параметров. В слияние вошли ifable/gemma-2-Ifable-9B и lemon07r/Gemma-2-Ataraxy-9B. Модель предназначена для генерации текста и диалогового общения. Её можно использовать для создания ответов, продолжения текста и творческого письма. Она принимает текст и выдаёт текст; родная длина контекста — 8192 токена. Данных о специальных прикладных областях и поддерживаемых языках в предоставленных источниках нет. Модель распространяется в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

AlSamCur123/Nemo-InstructContinuedFine — дообученная разговорная модель AlSamCur123 на архитектуре Mistral, основанная на unsloth/mistral-nemo-instruct-2407-bnb-4bit. Для обучения использовались Unsloth и библиотека Hugging Face TRL; модель предназначена для генерации текста в диалоге и имеет интерфейс вызова инструментов. Модель содержит 12,1 млрд параметров, использует формат Safetensors и рассчитана на контекст до 1 024 000 токенов. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0.

Это квантованная сборка NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, подготовленная FreedomAISVR в формате GGUF для запуска через llama.cpp. Модель имеет гибридную архитектуру Mamba2 и Transformer с MoE: 30 млрд параметров, около 3 млрд активных, 52 слоя, включая 23 слоя Mamba2, 23 MoE-блока и 6 слоёв внимания; в MoE используются 128 экспертов и маршрутизация к шести из них. Для Mamba2-тензоров применяется F16, остальные веса хранятся в NVFP4; для обработки изображений README также описывает отдельный файл SigLIP-проектора. Модель предназначена для генерации текста и диалоговых сценариев с рассуждением. Заявленный контекст — 262 тыс. токенов. Поддержка изображений упоминается в комплекте файлов, однако метаданные классифицируют репозиторий только как text-generation. README сообщает, что CUDA-ядра Mamba2 требуют F32 и при работе с квантованными тензорами могут переводить соответствующие слои на CPU, что снижает производительность. Лицензия указана как other, без дополнительных условий в предоставленных данных.

Nemotron-H-4B-Base-8K — базовая языковая модель NVIDIA для продолжения текста. Она использует гибридную архитектуру Nemotron-Hybrid на основе Mamba-2 и слоёв MLP с четырьмя слоями Attention; размер модели — 4 млрд параметров, длина контекста — до 8 тысяч токенов. Модель создана с применением прореживания и дистилляции Nemotron-H-8B-Base-8K на 380 млрд токенов. Модель принимает и генерирует текст. Она поддерживает английский, немецкий, испанский, французский, итальянский, корейский, португальский, русский, японский и китайский языки; в обучающих данных также был код. Модель подходит для дополнения текста, генерации кода, математических задач и рассуждений. Это базовая модель без обязательного формата промпта; для специализированных сценариев NVIDIA рекомендует адаптацию с помощью инструментов NeMo. Модель предназначена для исследований и разработок и оптимизирована для систем с GPU NVIDIA; в карточке указана лицензия other, конкретные условия которой следует сверить с лицензией репозитория. Возможны неточные, неполные или избыточные ответы, токсичные высказывания и усиление предвзятости из обучающих данных; модель уязвима к атакам, нарушающим выравнивание.

Nera Noctis 12B v0.420 — объединённая языковая модель от Nitral-Archive, созданная с помощью mergekit методом SLERP из Nitral-AI/Nera_Noctis-r64-test_train-12B и Nitral-AI/Nera_Noctis-12B. Это плотная авторегрессионная модель семейства Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Репозиторий содержит веса в формате safetensors; модель работает через Transformers и заявляет контекст до 1 024 000 токенов. Модель подходит для генерации продолжений, ведения диалога и подготовки текстовых черновиков. Данные не уточняют поддерживаемые естественные языки, специализированные области применения, лицензию или подтверждённые ограничения качества; поэтому их нельзя конкретизировать по этой карточке.

NeuBeagle-7B — объединённая модель генерации текста на базе архитектуры Mistral, созданная mlabonne с помощью LazyMergekit. В состав слияния вошли dpo-binarized-NeutrixOmnibe-7B и dpo-binarized-NeuralTrix-7B; использован метод dare_ties. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации и продолжения текста, в том числе диалоговых ответов. В метаданных указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Данных о конкретных языках и специализированных областях применения нет.

Neural-4-ARC-7b — объединённая языковая модель, созданная Kukedlc с помощью LazyMergekit на основе пяти моделей: paulml/OmniBeagleSquaredMBX-v3-7B, nlpguy/AlloyIngotNeoX, Gille/StrangeMerges_21-7B-slerp, Kukedlc/Jupiter-k-7B-slerp и Kukedlc/NeuralSirKrishna-7b. Это плотная архитектура MistralForCausalLM с 7,1 млрд параметров, предназначенная для генерации текста и диалогов; поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. В карточке не описаны специализированные сценарии, языки или результаты оценки качества. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Kukedlc/Neural-4-QA-7b-v0.2 — объединённая языковая модель, созданная разработчиком с помощью mergekit методом SLERP из Kukedlc/Neural-4-QA-7b и allknowingroger/NeuralCeptrix-7B-slerp. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на вопросы. Она принимает текст и выдаёт текст; контекстное окно составляет до 32 768 токенов. Модель подходит для диалоговых сценариев, где нужно формировать текстовые ответы по запросу и работать с длинным контекстом. В репозитории представлены веса в формате safetensors. Лицензия в предоставленных данных не указана.

NeuralArjuna-7B-DT — плотная языковая модель семейства Mistral на 7,1 млрд параметров, созданная Kukedlc путём слияния пяти моделей с помощью LazyMergekit. Она предназначена для генерации текста и может использоваться в задачах, где нужно получать продолжения или ответы на текстовые запросы. В карточке приведены результаты Open LLM Leaderboard: среднее значение 76,58, AI2 Reasoning Challenge — 73,12, HellaSwag — 88,97; описание не уточняет протокол оценки для остальных метрик. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Для модели указана лицензия Apache-2.0. Карточка не сообщает, на каких языках она специально обучена, поэтому языковые возможности и языковые ограничения нельзя уточнить.

Neural-Chat-v3 — языковая модель с 7,1 млрд параметров, разработанная командой NeuralChat компании Intel. Это дообученная на Open-Orca/SlimOrca модель Mistral-7B-v0.1, дополнительно выровненная методом Direct Preference Optimization на парах Intel/orca_dpo_pairs. Модель предназначена для генерации текста и языковых задач, включая диалоговые сценарии и ответы на запросы. README указывает контекст 8192 токена; в метаданных каталога указано значение 32768 токенов. Модель ориентирована на английский язык. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. README отмечает, что результаты зависят от формулировки запроса и что для конкретных задач может потребоваться дополнительное дообучение. Модель может выдавать фактически неверные, предвзятые, оскорбительные или непристойные ответы, поэтому перед применением в продукте необходима проверка безопасности.

MaziyarPanahi/neural-chat-7b-v3-Mistral-7B-Instruct-v0.1 — объединённая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.1 и Intel/neural-chat-7b-v3. Она предназначена для генерации текста в ответ на инструкции и для диалогового общения. Модель содержит 7,1 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык, а репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

NeuralDaredevil-12b-32k — текстовая генеративная модель на архитектуре Mistral, представленная в репозитории mvpmaster. По карточке, она создана с помощью LazyMergekit на основе mlabonne/NeuralDaredevil-7B; метаданные классифицируют связь с этой моделью как дообучение. Модель содержит 12,3 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы в сценариях с длинным контекстом. Базовая модель описана как диалоговая и DPO-дообученная; в карточке NeuralDaredevil-12b-32k дополнительных специализаций и языков не указано. Файлы представлены в формате safetensors. Условия лицензии в предоставленных данных отсутствуют.