I.5Создание и редактирование текста

smol-7b-Mistral-7B-Instruct-v0.1 — объединённая чат-модель MaziyarPanahi на архитектуре Mistral для генерации ответов на инструкции и диалоговые запросы. Она создана методом SLERP merge из mistralai/Mistral-7B-Instruct-v0.1 и rishiraj/smol-7b; в конфигурации указана базовая модель mistralai/Mistral-7B-Instruct-v0.1. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает текст для генерации текста. Нативный контекст составляет 32 768 токенов. В карточке указан английский язык, формат весов — safetensors, лицензия — Apache-2.0.

smol_bruin-7b — языковая модель для генерации текста, созданная объединением методом SLERP моделей go-bruins-v2 и smol-7b с помощью MergeKit. В README указана базовая модель mistralai/Mistral-7B-v0.1; в репозитории размещены веса Safetensors общей архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель подходит для генерации продолжений текста и ответов на запросы в диалоговом формате. В README приведены результаты оценки на AI2 Reasoning Challenge и HellaSwag, но сведений о специализации на конкретной области или языках нет. Лицензия — CC BY 4.0; при использовании необходимо соблюдать её условия.

duyntnet/SmolLM2-1.7B-imatrix-GGUF — набор GGUF-квантизаций компактной языковой модели SmolLM2-1.7B, разработанной Hugging Face. Модель предназначена для генерации текста и широкого спектра задач, включая следование инструкциям, работу со знаниями, рассуждения, математику, переписывание и суммаризацию текста, а instruct-версия также поддерживает function calling. GGUF-вариант ориентирован на локальный запуск через llama.cpp и совместимые приложения. Модель содержит 1,7 млрд параметров и работает в текстовой модальности; в карточке указан английский язык. Базовая SmolLM2-1.7B обучалась на 11 трлн токенов с использованием данных FineWeb-Edu, DCLM, The Stack, а также математических и программных наборов данных. Instruct-версия дополнительно обучалась методом supervised fine-tuning и оптимизировалась с помощью Direct Preference Optimization на базе UltraFeedback. К сильным сторонам относятся компактность, возможность запуска на устройстве и улучшения по сравнению с SmolLM1-1.7B в следовании инструкциям, знаниях, рассуждениях и математике. Размер контекста в README не указан, поэтому его характеристики и ограничения нельзя определить точнее. Для использования доступны llama.cpp, KoboldCPP, Ollama, text-generation-webui, GPT4All и Jan. Лицензия обозначена как other, без дополнительных условий в README; точные права и ограничения следует уточнять в исходной карточке модели и лицензии базовой SmolLM2-1.7B.

SmolLM2-1.7B-Instruct — компактная языковая модель Hugging Face на 1,7 млрд параметров, дообученная на базе HuggingFaceTB/SmolLM2-1.7B. Это плотный Transformer-декодер семейства Llama для генерации текста и диалогов; модель поддерживает контекст до 8192 токенов и рассчитана на запуск на устройстве. Версия Instruct прошла supervised fine-tuning и Direct Preference Optimization. Она предназначена для следования инструкциям, переписывания и суммаризации текста, а также вызова функций. Модель ориентирована прежде всего на английский язык; репозиторий содержит веса Safetensors и формат ONNX. Лицензия — Apache-2.0. По сравнению с предыдущей версией семейства улучшены следование инструкциям, знания, рассуждения и математика, однако ответы могут содержать фактические ошибки, быть логически непоследовательными или отражать смещения обучающих данных. Важную информацию следует проверять; модель не заменяет экспертную оценку.

RedHatAI/SmolLM3-3B-FP8-dynamic — квантованная версия языковой модели SmolLM3-3B, разработанная Red Hat (Neural Magic) на базе модели HuggingFaceTB/SmolLM3-3B. Это текстовая модель для генерации и преобразования текста, включая диалоговые сценарии. Заявлена поддержка английского, французского, испанского, итальянского, португальского, китайского, арабского и русского языков. Модель использует архитектуру SmolLM3-3B и принимает текст на входе, выдавая текст на выходе. Веса и активации линейных операторов в трансформерных блоках квантованы в FP8: веса — статически по каналам, активации — динамически по токенам. По данным разработчика, это примерно вдвое снижает требования к памяти GPU и размер файлов, а также примерно вдвое увеличивает пропускную способность матричных вычислений. Для эффективного развёртывания рекомендуется vLLM; поддерживается OpenAI-совместимый серверный интерфейс. В README также указана максимальная длина контекста 65 536 токенов в конфигурации оценки. На тестах AIME24, MATH-500 и GPQA-Diamond квантованная версия показала средний результат 58,90 против 58,61 у исходной модели, что указывает на близкое сохранение качества рассуждений после квантования. Ограничения включают зависимость от совместимого программного стека для эффективного использования FP8 и отсутствие в представленном описании подробных сведений о качестве на других задачах. Модель распространяется по лицензии Apache-2.0.

chankhavu/smolmo-32b-sft-merged-proofpilot — это объединённая методом равномерного усреднения весов модель на базе OLMo 3, подготовленная автором репозитория из восьми последовательных контрольных точек одного запуска SFT. Усреднены снимки шагов 18 750–20 500; независимые дообученные модели не смешивались. Модель содержит 31,7 млрд параметров, использует плотную архитектуру Olmo3ForCausalLM, представлена в safetensors и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Усреднение хвостовых контрольных точек было применено как способ сгладить эффект незавершённого затухания скорости обучения, но автор указывает, что возможное улучшение обобщения следует проверять на отложенной оценке относительно финальной контрольной точки. Данные о лицензии и поддерживаемых естественных языках в предоставленных источниках отсутствуют.

SnorkelWestBeagle-DARETIES-7B — объединённая чат-модель на архитектуре Mistral, созданная с помощью LazyMergekit из Snorkel-Mistral-PairRM-DPO, WestLake-7B-v2 и NeuralBeagle14-7B; в конфигурации также указана Mistral-7B-v0.1 как базовая модель. Модель содержит 7,1 млрд параметров, принимает текст и предназначена для генерации ответов и рассуждений. Заявленная длина контекста — 32 768 токенов. Модель объединяет несколько чекпойнтов методом DARE-TIES с маской int8; веса сохранены в формате safetensors. В README приведены результаты Open LLM Leaderboard, включая оценки ARC и HellaSwag. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специализацию по языкам или прикладным областям.

Socrates Llama 3 8B SFT — дообученная SocratesFT модель на архитектуре Llama 3, основанная на meta-llama/Meta-Llama-3-8B-Instruct. Она предназначена для генерации текста и диалоговых ответов на английском языке; в метаданных также заявлена поддержка следования инструкциям. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель подготовлена на наборе данных socratesft/SocSci210. Доступна в формате safetensors для использования с Transformers. Лицензия — llama3; применяются условия лицензии Meta Llama 3.

jaspionjader/sof-11 — объединённая автором модель семейства Llama, созданная из предварительно обученных языковых моделей с помощью mergekit и метода Model Stock. В качестве базовой использована jaspionjader/sof-6, также в объединение вошли jaspionjader/sof-9 и jaspionjader/sof-10. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Языки и специализация по предметным областям в доступных сведениях не определены. Условия лицензирования и конкретные ограничения на применение в карточке не описаны. Как и другие языковые модели, она может выдавать неточные или выдуманные сведения; качество ответов зависит от запроса и сценария использования.

jaspionjader/sof-13 — объединённая предобученная языковая модель, созданная методом Model Stock с помощью mergekit. В качестве базовой модели использована jaspionjader/sof-10, также в объединение вошли jaspionjader/sof-11 и jaspionjader/sof-12. Модель построена на плотной архитектуре Llama и содержит 7,5 млрд параметров. Она предназначена для генерации текста и диалогов, поддерживает контекст до 131 072 токенов и работает с текстовым вводом и выводом. Репозиторий содержит веса в формате safetensors и рассчитан на использование с Transformers. Карточка не описывает специальные предметные области, языковое покрытие или сравнительные преимущества модели. Лицензия в предоставленных данных не указана.

jaspionjader/sof-7 — объединённая модель семейства Llama, созданная автором репозитория с помощью mergekit и метода Model Stock. В качестве базовой модели использована jaspionjader/Kosmos-EVAA-Franken-stock-v43-8B; также в слияние вошли jaspionjader/ek-6, jaspionjader/sof-5 и jaspionjader/sof-6. Модель содержит 7,5 млрд параметров и предназначена для генерации текста в диалогах. Она принимает текстовые запросы, выдаёт текст и поддерживает контекст до 131 072 токенов. Модель распространяется в формате safetensors; для её загрузки указана библиотека Transformers. Языки и специализированные предметные области в карточке не заявлены. Карточка не описывает отдельные ограничения качества или условия лицензии, поэтому их нельзя надёжно уточнить по доступным сведениям.

SOLAR-10.7B-Instruct-v1.0-GGUF — квантизированная GGUF-версия языковой модели SOLAR-10.7B-Instruct-v1.0, разработанной upstage и подготовленной квантизацией компанией Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев с использованием инструкций, включая запуск через LlamaEdge. Указан английский язык, мультимодальность не заявлена. Модель имеет архитектуру SOLAR и размер 10,7 млрд параметров; максимальный контекст составляет 4096 токенов. Доступны варианты квантизации от Q2_K до Q8_0 размером примерно от 4,55 до 11,4 ГБ. Вариант Q4_K_M обозначен как рекомендуемый для баланса качества и размера, а Q5_K_M и Q5_K_S — как варианты с низкой потерей качества. Более агрессивная квантизация уменьшает требования к памяти, но может существенно ухудшить качество ответов. Модель можно использовать для текстовой генерации и инструкционного диалога при наличии совместимого GGUF-движка; для LlamaEdge требуется версия 0.2.8 или новее и шаблон запросов solar-instruct. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательным указанием авторства, но ограничивающей коммерческое применение.

tlphams/solar-10.7b-merged-v0.1 — объединённая языковая модель на базе архитектуры Llama, созданная методом TIES с помощью mergekit. В качестве базовой модели использована upstage/SOLAR-10.7B-v1.0; в объединение также вошли chihoonlee10/T3Q-ko-solar-dpo-v5.0, krevas/SOLAR-10.7B и hyeogi/SOLAR-10.7B-v1.6. Модель предназначена для генерации текста. Она содержит 10,6 млрд параметров, принимает текст и выдаёт текст, а её родной контекст составляет 4096 токенов. Карточка не уточняет целевые языки и особые сценарии применения. Веса опубликованы в формате safetensors по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных работ на тех же условиях и запрещает коммерческое использование. Данных о сравнительных преимуществах модели в карточке нет.

SOLAR-13B-Instruct-v1.0 — разговорная языковая модель на базе архитектуры Llama, созданная Vicgalle с помощью mergekit. Это вариант SOLAR-10.7B-Instruct-v1.0, расширенный до 13 млрд параметров методом passthrough: в итоговую модель включены диапазоны слоёв исходной модели. Репозиторий содержит веса Safetensors; нативный контекст — 4096 токенов. Модель предназначена для диалогов, выполнения инструкций и генерации текстовых ответов. Автор указывает, что 4-битная квантизация помещается в 12 ГБ видеопамяти; приведены результаты нескольких бенчмарков, но полная оценка качества ещё не опубликована. Модель поддерживает чатовый сценарий и унаследована от англоязычной инструкционной модели Upstage. Распространяется по лицензии Apache-2.0.

Joseph717171/SOLAR-19.2B-Instruct-v1.0 — разговорная языковая модель, созданная слиянием моделей через mergekit. В карточке она описана как увеличенная версия SOLAR-10.7B-Instruct-v1.0 с чередованием слоёв; метаданные указывают архитектуру LlamaForCausalLM и около 18,5 млрд параметров. Модель принимает текстовые запросы и генерирует текст, а её контекст составляет 4096 токенов. Модель предназначена для диалогов и ответов на инструкции, а также как основа для дальнейшего дообучения или замена исходной версии SOLAR 10.7B. Для обучения использовались наборы Alpaca-GPT4, OpenOrca, Orca DPO и UltraFeedback; карточка также упоминает SFT и DPO. Заявленная лицензия — CC; конкретный вариант лицензии в предоставленных данных не уточнён.

solar-merge-v1.0 — текстовая модель с архитектурой Mixture of Experts, созданная jieunhan с помощью LazyMergekit путём объединения upstage/SOLAR-10.7B-Instruct-v1.0 и heavytail/kullm-solar. В конфигурации указаны базовая модель upstage/SOLAR-10.7B-v1.0, формат float16 и маршрутизация экспертов cheap_embed; размер модели — 10,6 млрд параметров, контекст — 4096 токенов. Модель предназначена для генерации текста и диалоговых ответов в роли универсального ассистента. В состав объединения входит корейская модель KULLM-SOLAR, поэтому модель может быть полезна для взаимодействия на корейском языке; также унаследованы возможности SOLAR-10.7B-Instruct для выполнения инструкций и ответов на английском. Модель распространяется по лицензии Apache-2.0.

Это уменьшенная версия модели восстановления капитализации и пунктуации в испанском тексте, разработанная компанией VÓCALI в рамках проекта SANIVERT. Модель основана на dccuchile/bert-base-spanish-wwm-uncased и дообучена для классификации токенов; размер составляет 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для восстановления заглавных букв и знаков препинания в испанских текстах, например при подготовке транскрипций или черновиков без оформления. Для обучения использовались более 2,1 млн испанских текстовых примеров. В карточке указаны метрики Macro F1 и Weighted F1, но их значения не приведены. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

SirSahOl подготовил 16-битную конверсию Spark-X2.5-1.7B в формат MLX для локального запуска на GPU Apple Silicon. Это плотная авторегрессионная языковая модель с 1,7 млрд параметров и контекстом до 1 048 576 токенов; метаданные указывают поддержку диалогового режима. Модель предназначена для генерации ответов и ведения диалога на устройстве, а базовая Spark-X2.5-1.7B также описана как пригодная для кода, перевода, рассуждений и агентных задач. Формат весов — safetensors, точность — 16 бит; заявленный объём памяти для весов составляет около 4,2 ГБ, рекомендуется не менее 8 ГБ объединённой памяти. Конверсия ориентирована на Apple Silicon и требует MLX; на других аппаратных платформах этот формат не предназначен для запуска. Лицензия — Apache-2.0. В README отмечено, что длинные контексты свыше 32 тыс. токенов требуют достаточного запаса объединённой памяти.

Spark-X2.5-4B-GGUF — набор общественных GGUF-квантизаций компактной универсальной языковой модели Spark-X2.5-4B, разработанной SparkLLM и опубликованной в исходном виде XHToken. Репозиторий ngquocvinh содержит только квантизированные файлы для локального запуска; обучение и дообучение в рамках этого выпуска не выполнялись. Модель предназначена для диалогов, написания текстов, перевода, рассуждений, программирования, использования инструментов и агентских сценариев. Исходная модель имеет 4B параметров, поддерживает английский, китайский и, по заявлению авторов, более 200 языков. Заявлено контекстное окно до 1 млн токенов и гибридное внимание: один слой с полным вниманием и три слоя со скользящим окном, что должно способствовать эффективной обработке длинного контекста. Квантизации представлены в форматах GGUF и совместимы с llama.cpp; также заявлена поддержка экосистем llama.cpp, vLLM, SGLang, MLX, Ollama и LM Studio. Основное преимущество — возможность локального запуска при разных ограничениях по памяти: Q8_0 ближе всего к исходному BF16 по результатам измерений, Q4_K_M предлагает компромисс между размером и качеством, а Q2_K требует меньше ресурсов ценой заметной потери точности. Ограничения включают снижение fidelity у низкобитных вариантов и отсутствие в README подробных сведений о точных требованиях к памяти, скорости, обучающих данных и результатах прикладных бенчмарков. Производные файлы распространяются по Apache License 2.0 с сохранением атрибуции исходной модели; это неофициальный community-релиз и не подтверждение со стороны XHToken или SparkLLM.

OsaurusAI Spark-X2.5-4B-JANG_6M — производная версия Spark-X2.5-4B от XHToken, подготовленная Jinho Jang для Apple Silicon и MLX. Это плотная авторегрессионная модель примерно на 3,8 млрд параметров для генерации текста, диалога, рассуждений и вызова инструментов; веса упакованы в смешанной точности: внимание и связанные эмбеддинги — 8-битные, MLP — 6-битный, масштабы групп — bfloat16, отдельные компоненты и нормы сохранены в полной точности. Репозиторий занимает около 3,41 GiB. Модель предназначена для запуска в оболочке Osaurus и поддерживает разговорный шаблон с включённым по умолчанию режимом рассуждений и интерфейсом вызова инструментов. В README заявлен нативный контекст до 1 048 576 токенов, при этом в контракте конкретной сборки указан контекст 131 072. По данным измерений авторов, скорость декодирования на M5 Max составила 104,7 токена в секунду; результаты получены в заданном тестовом режиме и не гарантируют такую же скорость на другом оборудовании. Карточка указывает английский и китайский языки; исходная модель описана как многоязычная и предназначенная также для кода, перевода и агентных задач. Сборка ориентирована на Apple Silicon и требует совместимой среды MLX и оболочки Osaurus; это текстовая модель. Лицензия Apache-2.0 унаследована от базовой модели XHToken/Spark-X2.5-4B.

Speechless-Llama2-13B v1.1 — языковая модель на базе Llama 2 от Meta, объединённая из Open-Orca/OpenOrca-Platypus2-13B и WizardLM/WizardLM-13B-V1.2. Это плотная авторегрессионная трансформерная модель с 12,9 млрд параметров, предназначенная для генерации текста и выполнения инструкций в формате Alpaca. Контекст составляет до 4096 токенов; модель принимает и выдаёт текст, основным языком применения является английский. Модель подходит для ответов на вопросы, следования инструкциям и генерации текстов. В README приведены результаты ARC 62,03, HellaSwag 81,85 и MMLU 58,52. Доступны варианты GPTQ и GGUF с разной разрядностью для GPU или CPU и GPU; также упомянут устаревший формат GGML. Репозиторий содержит веса safetensors. Использование регулируется лицензией Llama 2 от Meta, для доступа к весам требуется принять её условия. Как и другие языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением в конкретное приложение требуется оценка поведения и настройка безопасности.

SphinxMind-14B-normalize-false — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом TIES на основе shuttleai/shuttle-3-mini с включением EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2. Модель содержит 14 млрд параметров и предназначена для диалогового общения и генерации текста; доступна в формате safetensors для библиотеки Transformers. Её контекстное окно составляет 65 536 токенов. Модель может использоваться для ведения диалогов, творческого письма и создания историй. В карточке нет сведений о лицензии, поэтому условия использования определить нельзя.

Leroy Dyer представляет SpydazWeb AI HumanAI RP — объединённую модель для генерации текста на основе Mistral 7B. Автор сообщает о длительном дообучении и слиянии нескольких моделей; метаданные указывают размер 7,1 млрд параметров, архитектуру Mistral и лицензию Apache-2.0. Карточка описывает модель как ориентированную на диалоги, ролевые сценарии, рассказывание историй и следование инструкциям, а также на структурированные ответы, планирование и генерацию кода. Модель рассчитана на текстовые сценарии, включая ролевые игры и персонажей, ответы на вопросы, перевод, суммаризацию, программирование и задачи с агентами или инструментами. В README также заявлена работа с изображениями и аудио через текстовые представления Base64 и спектрограммы, однако метаданные подтверждают только задачу text-generation, поэтому эти возможности следует считать заявлениями автора. Автор заявляет контекст до 512 тыс. токенов, но отмечает, что обучение в основном проводилось на последовательностях длиной 2048 токенов. Автор предупреждает, что модель может ошибаться и выдавать NSFW-контент; её ответы требуют проверки, особенно в медицинских и других чувствительных сценариях. Условия использования определяются лицензией Apache-2.0.

Starlight-V3-12B — языковая модель, созданная starble-dev с помощью mergekit: автор объединил методом TIES модели anthracite-org/magnum-12b-v2 и UsernameJustAnother/Nemo-12B-Marlin-v5, используя первую как базовую. Это плотная архитектура Mistral с 12,1 млрд параметров, предназначенная для генерации текста и диалогов. Модель представлена в формате safetensors, использует библиотеку Transformers и поддерживает контекст до 1 024 000 токенов. Цель слияния — сохранить сильные стороны Magnum v2 и добавить генерации больше креативности. Автор рекомендует подбирать параметры сэмплирования; в README отмечена чувствительность результата к температуре и возможность утечки фрагментов обучающих данных при высоких значениях температуры. Лицензия — Apache 2.0.

Starling-LM-11B-alpha-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и Delcos/Starling-LM-11B-alpha методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Модель принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Starling-LM-11B-alpha-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 от Mistral AI и Delcos/Starling-LM-11B-alpha методом SLERP с помощью mergekit. Модель построена на архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоге и ответов на инструкции. Её можно применять для чат-ботов и интерактивных текстовых помощников. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные указывают на поддержку чата, но языки в предоставленных данных не перечислены.

Stella-mistral-nemo-12B-v2 — языковая модель, созданная nbeerbower слиянием предварительно обученных моделей методом Model Stock с помощью mergekit. В качестве базовой использована nbeerbower/mistral-nemo-bophades-12B; в слияние также вошли три модели семейства Gutenberg, включая Lyra-Gutenberg-mistral-nemo-12B. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров, распространяется в формате safetensors и использует библиотеку Transformers. Модель предназначена для генерации и продолжения текста в диалоговом формате. Метаданные указывают контекстное окно до 1 024 000 токенов, а карточка приводит результаты оценок IFEval и BBH. Данные о поддерживаемых естественных языках и специализированных прикладных областях не приводятся. Лицензия в предоставленных источниках не указана. Поскольку это слияние нескольких моделей, свойства и условия использования могут зависеть от исходных чекпойнтов; фактическая производительность для конкретных сценариев требует проверки.

StoryWeaver-7b-Instruct-v0.1 — текстовая генеративная модель на архитектуре Mistral, опубликованная пользователем kasper52786. Согласно карточке, она объединена методом TIES с помощью LazyMergekit на основе NousResearch/Yarn-Mistral-7b-128k и mistralai/Mistral-7B-Instruct-v0.2; метаданные указывают связь дообучения с Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, сохранена в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев, в том числе для написания историй. Она принимает текст и выдаёт текст. Карточка не описывает специальные языки или прикладные области, поэтому её можно рассматривать как модель общего назначения. Лицензия в предоставленных данных не указана.

strange3236-7B — языковая модель на архитектуре Mistral, созданная слиянием SLERP двух предварительно обученных моделей: Gille/StrangeMerges_32-7B-slerp и Gille/StrangeMerges_36-7B-slerp. Модель разработана автором репозитория nbeerbower и предназначена для генерации текста. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В репозитории представлены веса Safetensors; для работы указана библиотека Transformers. Карточка не уточняет языковую специализацию и отдельные сценарии применения. Лицензия — Apache-2.0.

Strangemerges_32Experiment26-7B — автоматическое слияние моделей, созданное Maxime Labonne на основе Mistral-7B-v0.1, Gille/StrangeMerges_32-7B-slerp и yam-peleg/Experiment26-7B методом model_stock. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; длина контекста составляет до 32 768 токенов. Модель может использоваться для генерации продолжений, черновиков и ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. README не приводит оценок качества или специальных ограничений на тематику применения.