I.5Создание и редактирование текста

d0rj/ru-mbart-large-summ — модель суммаризации на базе ru-bart-large, созданной как уменьшенная версия facebook/mbart-large-50 с эмбеддингами только для русского и английского языков. Модель дообучена на объединённых обучающих выборках из датасетов d0rj/samsum-ru, IlyaGusev/gazeta, zjkarina/matreshka, rcp-meetings/rudialogsum_v2, GEM/wiki_lingua и mlsum; размер обучающей выборки составил 155 678 примеров. Модель предназначена для сокращения текстов, в том числе новостных материалов и диалогов. Это плотная encoder-decoder архитектура mBART с 226,2 млн параметров и контекстом до 1024 токенов; в репозитории доступны веса PyTorch и safetensors. В README приведён пример использования через pipeline Transformers с задачей summarization. Лицензия — MIT. В README указано, что оценка проводилась на части объединённых validation-наборов, однако численные результаты и подробное описание метрик недоступны в карточке; отчёт обозначен как незавершённый.

RUPunct_big — крупная модель семейства RUPunct для расстановки пунктуации в русском тексте. Карточка называет её самой большой моделью семейства и рекомендует для большинства задач. По архитектуре это BertForTokenClassification на базе BERT с 205,5 млн параметров; модель принимает последовательность токенов и классифицирует их, используя контекст длиной до 512 токенов. Репозиторий содержит веса PyTorch. Модель предназначена для автоматического восстановления пунктуации в русском тексте, например в текстах без знаков препинания. Лицензия MIT разрешает свободное использование и модификацию с соблюдением её условий. Карточка не приводит сравнительных оценок качества или подробностей о данных обучения.

d0rj/rut5-base-summ — русскоязычная модель суммаризации, созданная дообучением ai-forever/ruT5-base. Это плотная модель архитектуры T5 с 123,8 млн параметров; она принимает текст и генерирует его краткое изложение. Обучение проводилось на объединённых наборах данных для суммаризации новостей, диалогов, встреч и других текстов, включая SAMSum на русском языке, Gazeta и WikiLingua. Контекст модели — до 512 токенов. Модель предназначена для автоматического составления кратких сводок и пересказов, в том числе диалогов. Для её запуска можно использовать библиотеку Transformers и pipeline summarization. В репозитории также сохранены состояния обучения, позволяющие продолжить дообучение на собственных данных. Карточка упоминает оценку на валидационной выборке, но не приводит численных результатов; отчёт указан как находящийся в работе. Лицензия в предоставленных сведениях не указана.

RWKV-4 — языковая модель Bo Peng, обученная на наборе данных The Pile. Это плотная авторегрессионная модель архитектуры RWKV с 14,9 млрд параметров, опубликованная в формате PyTorch для библиотеки Transformers. Она предназначена для генерации продолжения текста и может применяться для создания черновиков, ответов и другого текстового содержимого по заданному контексту. Архитектура сочетает рекуррентный подход с возможностью параллельного обучения, характерной для трансформеров. В карточке заявлены быстрая генерация и экономное использование видеопамяти, однако конкретные оценки качества и длина контекста не приведены. Модель обучена на Pile; поддерживаемые языки отдельно не перечислены. Лицензия в предоставленных данных не указана.

rwkv7-7.2B-g0 — мультиязычная языковая модель семейства RWKV-7, разработанная Бо Пэном, Ю Чжаном, Сонглином Яном, Жуйчуном Чжаном и Чжиюанем Ли при поддержке RWKV Project в рамках LF AI & Data Foundation. Это плотная авторегрессионная модель на 7,8 млрд параметров в формате flash-linear attention; в README указаны 7,2 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия, использует токенизатор RWKV World с размером словаря 65 536 и имеет контекст 2 048 токенов. В метаданных среди языков указаны английский, китайский, японский, корейский, французский, арабский, испанский и португальский. Модель основана на BlinkDL/rwkv7-g1 и распространяется в формате safetensors. Для запуска README рекомендует установить flash-linear-attention и Transformers версии 4.48.0 или новее. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества и подробных ограничений применения.

RWKV7-G1 «GooseOne» — семейство базовых языковых моделей от BlinkDL на архитектуре RWKV-7, сочетающей свойства рекуррентной сети и языковой модели с авторегрессионной генерацией. Модели предварительно обучены на веб-текстах, коде, синтетических данных, а также инструкционных, диалоговых и рассуждательных примерах; доступны варианты от 0,1 до 13,3 млрд параметров. Указаны словарь из 65 536 токенов и размер головы 64. Модели предназначены для генерации текста, диалога и рассуждений, а также для дальнейшего дообучения и адаптации под конкретные задачи. Автор отмечает локальный запуск на мобильных и настольных устройствах и высокую скорость инференса; приведённые показатели относятся к RWKV-7 7,2B на RTX 5090. В карточке описаны рекомендации по настройкам генерации и вызову функций. Карточка не сообщает длину контекста и не приводит сопоставимых оценок качества, поэтому производительность на конкретных задачах следует проверять отдельно. Модели распространяются по лицензии Apache-2.0.

RWKV/RWKV7-G1k-2.9B-20260930 — официальная базовая языковая модель RWKV-7 Goose от BlinkDL в формате для Transformers. Это плотная авторегрессионная модель примерно на 3,1 млрд параметров, предварительно обученная на веб-текстах, коде, синтетических, инструкционных, диалоговых и reasoning-данных. Она предназначена для оценки, дальнейшего дообучения и генерации текста; шаблон чата задаёт формат промпта, но сам по себе не означает, что модель выровнена для безопасного поведения. Архитектура RWKV-7 использует рекуррентное состояние постоянного размера вместо механизма внимания и KV-кэша, поэтому объём состояния не растёт с длиной генерации, а вычисления на токен остаются постоянными; обучение можно распараллеливать. Модель принимает текст и генерирует текст. Карточка и теги указывают поддержку английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Веса доступны в safetensors, лицензия — Apache-2.0. Качество следования инструкциям и поведение на разных языках зависят от чекпойнта, промптинга и последующего обучения. Модель не заявлена как проверенная на безопасность, предвзятость, токсичность, фактическую точность или применение в критически важных сценариях. Спекулятивное декодирование с откатом рекуррентного кэша не поддерживается без сохранения снимков состояния; оптимизированный запуск зависит от оборудования и конфигурации.

RWKV/RWKV7-Goose-World3-2.9B-HF — языковая модель RWKV-7, разработанная Бо Пэном, Юй Чжаном, Сонглином Яном и Жуйчуном Чжаном при поддержке RWKV Project. Это плотная авторегрессионная модель для генерации текста и диалогов, представленная в формате flash-linear attention и доступная через Transformers и safetensors. В метаданных указано 3,1 млрд параметров, в README — 2,9 млрд; контекст составляет 2048 токенов. Модель основана на BlinkDL/rwkv-7-world и дообучена на World v3, содержащем 3,119 трлн токенов. Она предназначена для генерации продолжений текста и ведения диалогов; карточка описывает английский язык, а метаданные каталога также указывают китайский, японский, корейский, французский, арабский, испанский и португальский. Лицензия Apache-2.0. Для запуска README рекомендует flash-linear-attention 0.3.0 и Transformers версии не ниже 4.48.0.

Saba2-3B — чат-модель Sakalti, созданная дообучением unsloth/Qwen2.5-3B-Instruct. Она предназначена для генерации текста и диалоговых сценариев; в каталоге также отмечен интерфейс вызова инструментов. Модель построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров, работает с контекстом до 131 072 токенов и использует формат safetensors. Карточка указывает, что модель обучалась с Unsloth и библиотекой TRL. В метаданных для неё указан английский язык. Лицензия обозначена как qwen-research; перед использованием следует проверить её условия и ограничения для конкретного сценария.

Aletheia AI опубликовала на Hugging Face языковую модель SabiYarn_MoE-280M для генерации текста в формате диалога. В карточке указана архитектура MoE с классом GPTJXMoEForCausalLM; модель содержит около 0,3 млрд параметров и доступна в формате Safetensors для Transformers. Модель можно использовать для генерации продолжений текста и ответов в диалоге. Карточка не описывает обучающие данные, поддерживаемые языки, длину контекста, результаты оценки или лицензию, поэтому эти характеристики нельзя надёжно уточнить.

IlyaGusev/saiga_nemo_12b_gptq_8bit — это 8-битная GPTQ-квантизованная версия русскоязычной модели Saiga/MistralNemo 12B, опубликованная разработчиком Ilya Gusev на Hugging Face. Модель предназначена для генерации текста и диалогового взаимодействия на русском языке; в исходной карточке Saiga она описана как русскоязычный автоматический ассистент. Она дообучена на основе аблированной версии Mistral Nemo Instruct 2407 с использованием наборов данных IlyaGusev/saiga_scored и IlyaGusev/saiga_preferences. Модель содержит около 12 миллиардов параметров и использует архитектуру Mistral Transformer с 40 слоями, Grouped-Query Attention, 32 attention heads и 8 key-value heads. Для исходной Mistral Nemo заявлено контекстное окно до 128 тысяч токенов и поддержка нескольких языков, включая русский, английский, французский, немецкий, испанский, итальянский, португальский, китайский и японский, однако Saiga ориентирована прежде всего на русский язык. GPTQ-квантизация в 8 бит уменьшает требования к памяти по сравнению с полной версией, но может немного снижать точность и требует совместимого программного обеспечения для инференса. Сильные стороны модели — специализация на русскоязычных диалогах, относительно крупный размер для локального запуска и экономия памяти благодаря 8-битному представлению. Ограничения включают отсутствие мультимодальных возможностей в опубликованных данных, возможные ошибки и галлюцинации, а также отсутствие подробных официальных оценок именно для этой GPTQ-версии. Для исходной модели указана лицензия Apache 2.0; отдельная карточка квантизованной версии не содержит дополнительных лицензионных условий.

Aleteian/saiga-vikhr-dostoevsky-ru-mn-12b — русскоязычная диалоговая языковая модель, созданная слиянием двух моделей на базе Mistral Nemo: IlyaGusev/saiga_nemo_12b и IlyaGusev/vikhr_nemo_orpo_dostoevsky_12b. Для объединения использован метод SLERP с библиотекой mergekit; модель имеет плотную архитектуру MistralForCausalLM и содержит 12,1 млрд параметров. Модель предназначена для генерации текста в диалоге и ответов на запросы пользователей. Она принимает текст и выдаёт текст; метаданные указывают контекст до 1 024 000 токенов и поддержку чата. Лицензия в предоставленных данных не указана.

Sakura-SOLAR-Instruct-GGUF — квантизированная версия инструкционной языковой модели Sakura Solar Instruct, разработанной KyujinHan. Модель предназначена для генерации текста и диалогового взаимодействия по системным и пользовательским инструкциям; её можно запускать локально на CPU и GPU через llama.cpp и совместимые интерфейсы и библиотеки. Репозиторий содержит файлы в формате GGUF, включая варианты с 2-, 3-, 4-, 5-, 6- и 8-битной квантизацией. Архитектура модели — SOLAR, формат GGUFv2; точный размер, число параметров и максимальная длина контекста в README не указаны. Заявлен английский язык, поддерживается только текстовая модальность. Квантизация уменьшает требования к памяти и позволяет выбирать компромисс между размером, скоростью и качеством, однако более агрессивные варианты могут сильнее терять в качестве по сравнению с исходной моделью. Для работы используется шаблон запроса с секциями System, User и Assistant. Модель и её квантизированные файлы распространяются по лицензии CC BY-NC-SA 4.0.

Salamander-24B-v1 — разговорная языковая модель Naphula, опубликованная как Checkpoint 82. Это слияние Della нескольких моделей на базе Mistral, включая варианты 2501, 2506 и 2509, а также Fallen Mistral 2503. Модель предназначена для генерации текста и диалоговых сценариев; в метаданных заявлена поддержка чата. Модель использует плотную архитектуру MistralForCausalLM, содержит 23,4 млрд параметров и рассчитана на контекст до 131 072 токенов. README сообщает, что в начальных тестах модель не отказывала в ответах; это наблюдение не заменяет систематическую оценку поведения и безопасности. Лицензия — Apache-2.0.

Salamandra-7B-Instruct-Aina-Hack — разговорная языковая модель, разработанная подразделением языковых технологий Barcelona Supercomputing Center для мероприятия AinaHack, посвящённого созданию ИИ-инструментов для администрации Каталонии. Это инструкция-настроенная версия Salamandra-7B: decoder-only трансформер семейства Llama с 32 слоями и примерно 7 млрд параметров. Модель принимает текст и генерирует текст, использует шаблон ChatML и поддерживает контекст до 8192 токенов. Модель предназначена для диалоговых помощников и генерации текста на европейских языках, а также может служить основой для прикладной донастройки. Семейство Salamandra обучалось с нуля на многоязычном корпусе из 35 европейских языков и программного кода; карточка этой версии описывает её как proof of concept с предварительной настройкой следования инструкциям. Модель распространяется под лицензией Apache 2.0. У модели выявлены социальные и когнитивные смещения, а анализ охватывает не все поддерживаемые языки. Карточка предупреждает, что модель не прошла RLHF-выравнивание для фильтрации чувствительных тем и может создавать вредный или неподходящий контент; перед применением в продуктах необходимы оценка рисков и дополнительная настройка безопасности.

MaziyarPanahi/samantha-mistral-7b-Mistral-7B-Instruct-v0.1 — чат-модель, полученная слиянием Mistral-7B-Instruct-v0.1 и cognitivecomputations/samantha-mistral-7b методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации ответов на инструкции и ведения диалогов; заявленная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст. Модель подходит для диалоговых ассистентов и ответов на запросы на естественном языке. Репозиторий содержит веса Safetensors, лицензия — Apache 2.0. В метаданных не указаны отдельные языки или специализированные прикладные области.

Guilherme34/Samantha-v6 — разговорная языковая модель, созданная объединением предварительно обученных моделей с помощью mergekit и метода TIES. В основе объединения лежит NeverSleep/Lumimaid-v0.2-8B, также включена Guilherme34/Samantha-raw-mergenotlora; итоговая модель имеет архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Модель предназначена для генерации текста и диалогов. Её можно использовать для общения с чат-ботом, написания и продолжения текста, а также для сценариев, где требуется интерфейс вызова инструментов. Заявленное контекстное окно составляет 131 072 токена. Модель работает с текстом; в карточке нет сведений о специализированной отраслевой области или языковой специализации. Файлы модели представлены в формате safetensors. Лицензия в предоставленных данных не указана. README описывает способ объединения, но не приводит результаты оценок качества; возможности и ограничения в конкретных задачах стоит проверять на собственных примерах.

Guilherme34/Samantha-v6.5 — объединённая языковая модель на архитектуре Llama, созданная методом TIES с помощью mergekit. В качестве базовой модели использована Guilherme34/Samantha-v6; также в объединение включена v000000/Llama-3.1-8B-Stheno-v3.4-abliterated. Модель содержит 7,5 млрд параметров и предназначена для генерации текста и диалогового общения; заявленный контекст составляет до 131 072 токенов. Модель работает через библиотеку Transformers и распространяется в формате safetensors. Она принимает текст и генерирует текст, поддерживая интерфейс вызова инструментов. В метаданных указана лицензия не предоставлена, поэтому условия использования по лицензии определить нельзя.

Samrudh-2-Brahma-7B — дообученная dwivedula языковая модель на архитектуре Qwen2 для генерации текста и диалогов. Она основана на unsloth/Qwen2.5-7B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Её можно использовать для диалогового взаимодействия и генерации ответов; в метаданных также указана поддержка интерфейса вызова инструментов. Карточка модели не уточняет специальные предметные области или дополнительные возможности дообучения. Модель распространяется по лицензии Apache-2.0. Качество и ограничения, специфичные для этого дообучения, в карточке не описаны.

SauerkrautLM-Mixtral-8x7B-Instruct — инструктивная языковая модель VAGO solutions на архитектуре Mixture of Experts (MoE), основанная на mistralai/Mixtral-8x7B-Instruct-v0.1. В метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов; модель распространяется в формате safetensors и рассчитана на работу через Transformers. Модель предназначена для диалогов и выполнения инструкций, в том числе для ответов на вопросы и математических задач. Разработчики дообучили её с помощью DPO на немецких данных с аугментацией и переводом, а также на предпочтениях из дополнительных наборов данных. Заявлена поддержка английского, немецкого, французского, итальянского и испанского языков; особое внимание уделено естественности формулировок на немецком. В README приведена оценка на тесте German RAG Eval, однако результат не гарантирует точность в реальных сценариях. Разработчики предупреждают, что модель может выдавать неподходящий или некорректный контент. Лицензия Apache 2.0 допускает коммерческое использование при соблюдении её условий.

SauerkrautLM-v2-14b-SFT — языковая модель VAGO solutions, дообученная на базе Qwen/Qwen2.5-14B методом Spectrum Fine-Tuning в два этапа. Это плотная авторегрессионная архитектура Qwen2 с 14 млрд параметров и контекстом до 32 768 токенов; репозиторий содержит веса safetensors. Модель предназначена для диалогов и следования инструкциям, генерации текста, математических рассуждений, вызова функций и задач на здравый смысл. Разработчики сообщают об улучшениях математических способностей, работы с функциями и многоязычной генерации. В README явно названы немецкий и английский, а метаданные также перечисляют итальянский, французский, португальский, нидерландский, арабский и испанский. Модель распространяется по лицензии Apache 2.0. Авторы предупреждают, что фильтрация данных не исключает появления неподходящего или некорректного контента; стабильно безопасное поведение не гарантируется.

Saul-Instruct-Extended — объединённая с помощью mergekit инструктивная языковая модель, опубликованная arcee-ai. В README в качестве компонентов указана Equall/Saul-Instruct-v1; повторение одного и того же идентификатора не позволяет установить, объединялись ли разные варианты весов. Модель основана на плотной архитектуре Mistral и содержит 8,9 млрд параметров. Она предназначена для диалоговой генерации текста и выполнения инструкций; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

arcee-ai/Saul-Nous-Hermes-2-Mistral-7B-DPO-Ties — языковая модель, созданная Arcee AI объединением моделей Equall/Saul-Base и NousResearch/Nous-Hermes-2-Mistral-7B-DPO с помощью mergekit и метода TIES. В конфигурации также указана Mistral-7B-v0.1 как базовая модель. Это плотная авторегрессионная модель Mistral на 7,1 млрд параметров для генерации текста; репозиторий содержит веса в формате safetensors, а конфигурация слияния использует float16. Модель предназначена для генерации текста и диалоговых сценариев. Контекст составляет до 32 768 токенов. Метаданные указывают лицензию Apache-2.0. README и метаданные не описывают результаты оценки качества или специальные ограничения применения, поэтому характеристики ответов в конкретных задачах следует проверять отдельно.

SciPhi-Mistral-7B-32k-Mistral-7B-Instruct-v0.2-slerp — объединённая методом SLERP диалоговая языковая модель на архитектуре Mistral, созданная из mistralai/Mistral-7B-Instruct-v0.2 и SciPhi/SciPhi-Mistral-7B-32k. Разработчик в карточке не назван. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и ответы на инструкции в диалоговом формате. Контекст модели составляет до 32 768 токенов. Веса доступны в формате safetensors, лицензия — Apache-2.0. Объединение сочетает instruct-модель Mistral с вариантом SciPhi, рассчитанным на длинный контекст; конкретные преимущества и результаты сравнительной оценки в карточке не приводятся. Модель работает с текстом; список поддерживаемых естественных языков в карточке не указан.

JetLM/SDAR-30B-A3B-Chat — разговорная языковая модель семейства SDAR, разработанная авторами SDAR. Она сочетает авторегрессионное обучение с дискретным диффузионным моделированием, чтобы поддерживать параллельную генерацию при сохранении качества, сопоставимого с сильными авторегрессионными моделями. В каталоге указано 2,6 млрд параметров; архитектура — MoE на базе SDAR, формат весов — safetensors, библиотека — Transformers. Контекст составляет до 32 768 токенов. Модель предназначена для диалоговой генерации текста и может применяться для ответов на вопросы, ведения чата и рассуждений. В описании семейства SDAR заявлены эффективность обучения и вывода, а также результаты на задачах научного рассуждения; эти выводы относятся к экспериментам авторов и не гарантируют качество для любой задачи. Модель распространяется по лицензии Apache-2.0.

JetLM/SDAR-4B-Chat — диалоговая языковая модель семейства SDAR, разработанная авторами SDAR. Архитектура SDAR объединяет авторегрессионное обучение с дискретным диффузионным моделированием: по заявлению авторов, это сочетает эффективное обучение с параллельным выводом. Репозиторий содержит плотную модель на 3,7 млрд параметров в формате safetensors с контекстом до 32 768 токенов. Модель предназначена для генерации ответов в диалоге и других задач генерации текста; в метаданных также заявлен интерфейс для вызова инструментов. Авторы сообщают о результатах на уровне сильных авторегрессионных моделей сопоставимого масштаба и о преимуществах на отдельных задачах научного рассуждения, однако приведённые в README утверждения относятся к семейству SDAR и сами по себе не подтверждают конкретные результаты этой версии 4B Chat. Поддерживается библиотекой Transformers. Лицензия Apache-2.0.

SEC-Calme-7B-Instruct — объединённая диалоговая языковая модель от Arcee AI. Она создана с помощью mergekit методом SLERP на основе arcee-ai/sec-mistral-7b-instruct-1.2-epoch и MaziyarPanahi/Calme-7B-Instruct-v0.2, с выборочным смешиванием слоёв внимания и MLP. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Модель предназначена для генерации текста в формате чата: она принимает текстовые запросы и выдаёт текстовые ответы. Родной размер контекстного окна — 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README не приводит оценок качества или специализированных сценариев применения.

Seed-OSS-36B-Instruct-AWQ-4bit — квантизированная 4-битная версия инструкционной языковой модели Seed-OSS-36B-Instruct, разработанной командой ByteDance Seed. Квантизация выполнена с использованием llm-compressor от vLLM и набора данных Llama-Nemotron-Post-Training-Dataset. Модель предназначена для генерации текста, диалоговых систем, задач рассуждения, агентских сценариев с использованием инструментов и приложений, требующих обработки длинного контекста. Модель основана на архитектуре causal language model с RoPE, GQA, RMSNorm и активацией SwiGLU. Она содержит около 36 миллиардов параметров, 64 слоя, скрытый размер 5120, словарь примерно из 155 тысяч токенов и поддерживает контекст до 512K токенов. Указанные языки — английский и китайский; семейство Seed-OSS в целом ориентировано на международные сценарии. Предусмотрено гибкое управление бюджетом рассуждения, что позволяет выбирать компромисс между качеством и скоростью вывода. Основные преимущества этой версии — существенно сниженные требования к памяти по сравнению с полноразмерной моделью и сохранение возможностей исходной инструкционной модели для общих, логических и агентских задач. Ограничения связаны с 4-битной квантизацией, которая может снижать точность по сравнению с исходными весами, а также с высокой вычислительной нагрузкой модели на 36B параметров. Для работы требуются совместимые реализации Transformers и инфраструктура, поддерживающая AWQ; в README приведён пример запуска через vLLM с tensor parallelism. Модель распространяется по лицензии Apache-2.0.

SELM-Llama-3-8B-Instruct-iter-1 — диалоговая языковая модель, дообученная на базе meta-llama/Meta-Llama-3-8B-Instruct на обновлённом и исходном наборах данных. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текстовые запросы, генерируя текстовые ответы; заявлена возможность диалога. Модель подходит для генерации текста и ассистентских диалогов. Контекст составляет до 8192 токенов. Доступны веса в формате safetensors. Модель распространяется по лицензии Llama 3; её условия следует учитывать при использовании и распространении.

CultriX/SeQwence-14B-EvolMerge — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом DARE TIES. В слиянии использованы CultriX/SeQwence-14Bv1 как базовая модель, а также CultriX/Qwestion-14B и CultriX/Qwen2.5-14B-Wernicke. Модель содержит 14 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие; доступен интерфейс для вызова инструментов. Модель принимает текст и выдаёт текст. Заявленный родной размер контекста — до 131 072 токенов. В метаданных указан английский язык, поэтому её можно применять для англоязычных запросов и диалогов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.