I.5Создание и редактирование текста

Карточка модели Ayush-1722/Meta-Llama-3-8B-Instruct-Summarize-v0.2-24K-LoRANET-Merged на Hugging Face совпадает с карточкой NousResearch/Meta-Llama-3-8B-Instruct, поэтому описание составлено по ней. NousResearch/Meta-Llama-3-8B-Instruct — инструктивная версия семейства больших языковых моделей Llama 3, разработанного Meta. Это плотная авторегрессионная трансформерная модель класса LlamaForCausalLM с Grouped-Query Attention и примерно 7,5 млрд параметров; она принимает текст и генерирует текст, включая код. Контекст — до 8192 токенов. Модель настроена для диалоговых сценариев и работы в роли ассистента: она отвечает на вопросы, поддерживает беседу и выполняет инструкции на английском языке. Настройка включает supervised fine-tuning и обучение с подкреплением на основе человеческой обратной связи. Модель можно запускать через Transformers и использовать в приложениях, которым нужна генерация текста. В карточке указана пользовательская коммерческая лицензия Meta Llama 3. README ориентирует модель прежде всего на английский язык и предостерегает от использования в других языках, хотя допускает дообучение для них при соблюдении условий лицензии и политики допустимого использования. Это статичная модель, обученная на офлайн-данных; для прикладного развёртывания могут потребоваться дополнительные меры безопасности, а ответы модели могут быть ошибочными.

gbueno86/Meta-LLama-3-Cat-Smaug-LLama-70b — языковая модель, созданная слиянием моделей Meta-LLama-3-Cat-A-LLama-70b и abacusai/Smaug-Llama-3-70B-Instruct. Слияние выполнено методом SLERP с помощью mergekit. Модель предназначена для генерации текста и ответов в диалогах. Она построена на архитектуре Llama 3, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. В метаданных указан английский язык и интерфейс чата. В README приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Модель распространяется в формате safetensors по лицензии Llama 3.

MetaMath-Chupacabra-7B-v2.01-Slerp-Mistral-7B-Instruct-v0.1 — чат-модель, созданная слиянием Mistral-7B-Instruct-v0.1 и Weyaxi/MetaMath-Chupacabra-7B-v2.01-Slerp методом SLERP. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, предназначенная для генерации текста в ответ на инструкции и диалоговые запросы. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для диалоговых помощников и задач, где нужно формировать ответы на текстовые запросы. В карточке не приведены сведения о языковом охвате или специализированных областях применения. Лицензия — Apache-2.0.

MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, полученная слиянием методом SLERP модели Mistral-7B-Instruct-v0.1 и Weyaxi/MetaMath-OpenHermes-2.5-neural-chat-v3-3-Slerp. Это плотная авторегрессионная модель Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов на инструкции в диалоге. Указанная длина контекста — 32 768 токенов; веса опубликованы в формате safetensors. Модель подходит для диалоговых запросов и генерации ответов на инструкции. В карточке не приведены отдельные оценки качества или сведения о поддерживаемых естественных языках, поэтому их нельзя надёжно уточнить. Лицензия — Apache-2.0.

MFANN-liminerity-slerp-V4 — слитая языковая модель семейства Phi, созданная с помощью mergekit. В основе слияния — liminerity/Phigments12; также объединены netcat420/MFANN-liminerity-slerp-3a и netcat420/MFANN-Phigments12-slerp методом TIES с нормализацией весов. Модель предназначена для генерации текста и построена как плотная авторегрессионная архитектура PhiForCausalLM. Она содержит 3,5 млрд параметров, принимает текстовый ввод и генерирует текст; заявленная длина контекста — до 131 079 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на использование с библиотекой Transformers. Карточка не описывает конкретные специализации, языки или результаты оценки качества, поэтому пригодность для отдельных предметных областей и языков по ней установить нельзя. Лицензия в предоставленных данных не указана.

MFANN-llama3.1-abliterated-v2 — диалоговая языковая модель, созданная слиянием методом SLERP моделей netcat420/MFANNv0.19 и mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated с помощью mergekit. Это плотная архитектура Llama с 7,5 млрд параметров; модель рассчитана на генерацию текста и ответы в чате, поддерживает контекст до 131 072 токенов. Базовая модель Llama 3.1 Instruct описана как модель с ослабленными ограничениями на ответы. Модель можно применять для ведения диалогов и генерации ответов на текстовые запросы. Данных о целевых языках и специализированных предметных областях в предоставленной карточке нет. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

microsoft_Phi-4-mini-instruct-GGUF — набор GGUF-квантизованных версий инструкционной модели Phi-4-mini-instruct, разработанной Microsoft. Квантизацию выполнил bartowski с использованием llama.cpp версии b4792 и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через LM Studio, llama.cpp и другие проекты на его основе. Доступны варианты квантизации от Q2_K_L до Q8_0 размером примерно от 1,83 до 4,08 ГБ. Более высокие разрядности обычно обеспечивают лучшее качество, но требуют больше памяти; в README рекомендуются, в частности, Q4_K_M как вариант стандартного размера, а также Q5, Q6 и Q8 для более высокого качества. Некоторые варианты используют Q8_0 для весов embedding и output, а отдельные форматы оптимизированы для CPU ARM, AVX или Apple silicon. Формат prompt использует специальные маркеры system, user и assistant. README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках, размере контекста, мультимодальности или лицензии исходной модели. Основные ограничения связаны с потерями качества при низких уровнях квантизации и необходимостью выбирать вариант с учётом доступной оперативной памяти.

Phi-4-reasoning-plus-GGUF — это набор квантизированных версий языковой модели Phi-4-reasoning-plus, разработанной Microsoft и преобразованной в формат GGUF автором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, диалогового взаимодействия, решения математических задач, программирования и задач, требующих рассуждений. В README указана поддержка английского языка и рекомендована температура генерации 0. Доступны варианты от исходных весов BF16 размером 29,32 ГБ до квантизаций Q8_0, Q6_K, Q5_K, Q4_K и других объёмом примерно от 8,4 до 15,6 ГБ. Разные варианты позволяют выбирать баланс между качеством, размером и требованиями к ресурсам; наиболее качественными и рекомендуемыми названы Q6_K_L, Q6_K, Q5_K и Q4_K_M. Модель рассчитана на локальный запуск через LM Studio, llama.cpp и совместимые проекты. Архитектура, число параметров, размер контекста и мультимодальные возможности в README не указаны; заявлена только текстовая генерация. Лицензия — MIT. Ограничения связаны с использованием квантизированных весов: качество и требования к памяти зависят от выбранного варианта, а некоторые форматы обозначены как устаревшие. Для корректной работы требуется соблюдать рекомендованный шаблон промпта Phi и использовать совместимое программное обеспечение.

Mika-Lelantacles-7b-Longtext — объединённая методом SLERP языковая модель семейства Mistral, созданная Nitral-Archive на основе Nitral-AI/Mika-Longtext-7b и ChaoticNeutrals/Prima-LelantaclesV7-experimental-7b. Она предназначена для генерации текста и диалогового взаимодействия; может применяться для ответов на вопросы, написания и продолжения текстов, а также работы с длинными запросами в пределах контекста до 32 768 токенов. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Веса опубликованы в формате safetensors; для работы указан Transformers. В README приведены результаты оценки на нескольких бенчмарках, включая средний балл 70,86, AI2 Reasoning Challenge и HellaSwag. Лицензия обозначена как other, поэтому условия использования следует проверять в карточке и у исходных моделей. Карточка не описывает языковой охват и конкретные ограничения качества; это следует учитывать при выборе модели для специализированных задач.

MindLink-32B-0801 — диалоговая языковая модель, разработанная Kunlun Inc. на основе Qwen3-32B и дообученная с применением методов постобучения. Она предназначена для генерации ответов в чате, рассуждений и решения общих текстовых задач. В карточке заявлены плановое и адаптивное рассуждение: модель подбирает глубину ответа в зависимости от сложности запроса. Модель имеет плотную архитектуру Qwen3ForCausalLM и 29,7 млрд параметров. Метаданные указывают контекст 40 960 токенов, тогда как README сообщает о контексте 128K для семейства MindLink; фактическую длину для этой версии стоит уточнить перед использованием. Карточка указывает английский язык, а базовая Qwen3-32B описана как многоязычная. Доступны веса в формате safetensors, также описан совместимый с OpenAI Chat Completions API интерфейс. Лицензия — Apache 2.0. Для производных работ README требует сохранять уведомления об авторских правах Qwen и документировать изменения. В README также отмечена возможность непоследовательных ответов при инференсе и дана рекомендация очищать историю диалога перед повторной попыткой.

Minerva-MoE-3x3B — языковая модель архитектуры Mixture of Experts, созданная Ludo Comito объединением трёх моделей семейства Minerva с помощью LazyMergekit: базовой Minerva-3B, варианта для RAG и инструктивного варианта. Модель предназначена для генерации текста и диалогового использования; объединение сочетает возможности исходных моделей, хотя README не описывает их поведение подробнее. Модель содержит 2,8 млрд параметров, использует архитектуру Mixtral и принимает текст для генерации текста. Длина контекста — 16 384 токена. В метаданных указана лицензия Apache-2.0. README и метаданные не сообщают о дополнительных ограничениях качества или конкретных поддерживаемых языках.

MiniAI Quata1.5 (4B) — компактная языковая модель MiniAI на базе Qwen3-4B, дообученная для диалогов, следования инструкциям, рассуждений и генерации текста. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст; метаданные указывают контекст до 40 960 токенов. Карточка также описывает вариант GGUF с квантизацией Q4_K_M размером около 2,5 ГБ и локальный запуск через Ollama. Модель рассчитана на локальное использование, в том числе на потребительском оборудовании, и может применяться для ответов на вопросы, работы с длинными документами и генерации кода. README приводит результаты тестов MMLU, ARC-Challenge, GSM8K и TruthfulQA, однако методика и условия этих сравнений не описаны. Указана лицензия Apache 2.0; метаданные связывают репозиторий с базовой моделью Qwen/Qwen3-4B.

MiniCPM4-8B — плотная языковая модель OpenBMB с 7,9 млрд параметров, построенная на архитектуре MiniCPMForCausalLM. Она предназначена для эффективного запуска на устройствах с ограниченными ресурсами; разработчики сообщают об ускорении генерации более чем в пять раз на типичных конечных устройствах, а на Jetson AGX Orin — примерно в семь раз по сравнению с Qwen3-8B при декодировании. Модель обучена на 8 трлн токенов и поддерживает диалоговый режим. Модель принимает текст и генерирует текст. Она предобучена на контекстах длиной 32 тысячи токенов, а расширение контекста до 128 тысяч достигается с помощью YaRN; README приводит результаты теста поиска фрагмента в длинном тексте. Карточка и метаданные указывают поддержку китайского и английского языков. Модель распространяется по лицензии Apache-2.0. Производитель отмечает, что генерируемые ответы требуют самостоятельной проверки: модель не выражает личных мнений или ценностных суждений, а её выводы не следует считать позицией разработчиков. Для корректного форматирования запросов при использовании chat API vLLM нужно явно включать добавление специальных токенов.

MiniCPM5-1B-OptiQ-4bit — квантизированная версия языковой модели openbmb/MiniCPM5-1B, подготовленная сообществом mlx-community с использованием инструментария mlx-optiq. Модель предназначена для локального запуска на устройствах Apple Silicon через MLX, включая диалоговые приложения, переписывание и суммаризацию текста, генерацию кода, математические задачи, многошаговое рассуждение, планирование и сценарии с инструментами. Поддерживаются английский и китайский языки, текстовая генерация и длинный контекст, однако точный размер контекста в README не указан. Модель содержит около 1,08 млрд параметров и использует архитектуру Llama с гибридным режимом рассуждения. Доступны быстрый режим без рассуждений и режим с блоком <think> для математики, кода и сложных многошаговых задач. Квантизация OptiQ использует чувствительную к слоям смешанную точность: 4- и 8-битные веса, среднее значение 5,81 бит на вес. Размер модели составляет около 875 МБ, что примерно в 2,4 раза меньше версии в формате bfloat16. Сильными сторонами являются компактность, возможность локальной работы без облака, улучшенное по сравнению с равномерной 4-битной квантизацией сохранение качества, а также хорошие результаты в IFEval и HumanEval для модели такого размера. Ограничения включают слабые результаты в GSM8K и BFCL в режиме без рассуждений; заявленные бенчмарки не отражают полностью возможности режима thinking. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

MiniCPM5-2B GGUF — набор GGUF-квантизаций модели MiniCPM5-2B, разработанной OpenBMB и подготовленной для локального развертывания. Это плотная Llama-based модель примерно на 2 млрд параметров, предназначенная для генерации текста, программирования, рассуждений, работы с длинным контекстом и использования инструментов. Модель работает только с текстом и поддерживает английский и китайский языки. Исходная модель имеет нативный контекст до 131 072 токенов (128K). Доступны варианты квантизации Q2_K, Q3_K_M, Q4_0, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K, Q8_0, IQ2_M, IQ3_M и IQ4_XS размером примерно от 0,97 до 2,68 ГБ. Файлы содержат встроенный chat template и рассчитаны на использование с актуальными сборками llama.cpp с поддержкой MiniCPM5. К сильным сторонам относятся небольшой размер, возможность локального запуска, поддержка очень длинного контекста и широкий выбор квантизаций для компромисса между качеством и требованиями к памяти. Поддержка вызова инструментов зависит от парсера и API-интеграции конкретного сервера, поэтому её необходимо проверять в целевом окружении. Модель распространяется по лицензии Apache-2.0.

MiniCPM5-2B-JANG_8M — 8-битная квантизированная версия MiniCPM5-2B от OpenBMB, подготовленная Jinho Jang. Модель содержит 2,2 млрд параметров и распространяется в формате MLX Safetensors для локального запуска на устройствах Apple Silicon через стандартную библиотеку mlx_lm; пользовательский код модели и trust_remote_code не требуются. Контекст составляет до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая рассуждения, задачи с длинным контекстом и работу с инструментами. В README описана калибровка на 1,85 млн токенов с применением imatrix, AWQ и GPTQ; автор сообщает о меньшем расхождении с исходной bf16-моделью по сравнению со стандартной квантизацией MLX того же размера. Модель поддерживает английский и китайский языки. Вызовы инструментов выводятся в XML, а mlx_lm сам не распознаёт этот формат: для обработки вызовов нужен отдельный парсер. Модель распространяется по лицензии Apache-2.0.

MiniCPM5-2B MLX 4-bit — это квантизированная версия языковой модели OpenBMB/MiniCPM5-2B, подготовленная для локального запуска в формате MLX. Исходная модель разработана OpenBMB; данный вариант представлен пользователем abenzerps. Модель предназначена для генерации текста, программирования, рассуждений, работы с длинным контекстом и использования инструментов. Модель имеет плотную Llama-подобную архитектуру и содержит около 2 млрд параметров. Это текстовая модель без поддержки изображений: в поставку не входят vision-проектор и файлы MTP. Поддерживаются английский и китайский языки. Заявленная нативная длина контекста исходной модели составляет 131 072 токена. Квантование выполнено методом affine 4-bit с размером группы 64; размер MLX safetensors-файлов — около 1,4 ГБ. Ключевые преимущества модели — небольшой размер, возможность локального запуска, поддержка длинного контекста и сценариев с инструментами при существенно сниженных требованиях к памяти. Ограничения связаны с 4-битным квантованием, текстовой модальностью и отсутствием заявленных в карточке подробных результатов тестирования для этой конкретной конвертации. Модель распространяется по лицензии Apache-2.0.

Mini_DPO_test02-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на архитектуре Mistral, созданная слиянием Mistral-7B-Instruct-v0.2 и Mini_DPO_test02 методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и ответов на инструкции в формате чата; поддерживает контекст до 32 768 токенов. Модель подходит для диалоговых помощников, ответов на вопросы и генерации текста по запросу. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. В карточке не приведены сведения о специальных предметных областях или сравнительных оценках качества.

MiniMax-M2.1 — языковая модель для генерации текста, разработанная MiniMax AI. Она предназначена для задач text-generation и может использоваться в приложениях на базе Transformers, включая создание и продолжение текста, диалоговые сценарии и другие задачи обработки естественного языка. В предоставленном README не указаны архитектура, количество параметров, поддерживаемые языки и модальности, максимальная длина контекста, результаты оценки или сведения о сильных сторонах и ограничениях модели. Известно, что модель распространяется с лицензией modified-MIT; подробные условия приведены в файле LICENSE по ссылке, указанной в карточке модели.

JANGQ-AI/MiniMax-M2.7-JANG_3L — квантованная версия MiniMax M2.7 от Jinho Jang (JANGQ), подготовленная для запуска на компьютерах Mac с Apple Silicon через MLX. Это языковая MoE-модель для диалогов, генерации текста, рассуждений и работы с инструментами. Исходная модель MiniMaxAI/MiniMax-M2.7 содержит 228,7 млрд параметров; в этой сборке применена смешанная точность со средним размером около 3,08 бита и объёмом около 89 ГБ. Внимание и выходной слой сохранены в 8-битной точности, эмбеддинги — в 4-битной, а большая часть экспертных MLP-слоёв сжата до 3 бит; маршрутизатор экспертов хранится в float16. Метаданные каталога указывают 2,9 млрд параметров, поэтому размер модели в них расходится с описанием исходной модели в README. Модель предназначена для локального диалогового использования, сложных рассуждений и сценариев с вызовом инструментов. Она поддерживает контекст до 196 608 токенов и использует режим рассуждений перед ответом. README приводит результаты MMLU для профиля JANG_3L: 191 из 200 вопросов (95,5%), однако это оценка автора карточки, а результаты сравнения с исходной моделью отдельно не представлены. Для запуска требуются Mac с Apple Silicon и не менее 128 ГБ объединённой памяти; рекомендуется MLX Studio с загрузчиком JANG, поскольку стандартный mlx_lm не поддерживает эту смешанную точность. Автор указывает, что температура должна быть 1,0: жадная генерация и температура 0 могут привести к бесконечным циклам рассуждений. Лицензия MiniMax M2.7 запрещает коммерческое использование без предварительного письменного разрешения MiniMax.

MiniMaxAI представляет MiniMax-Text-01 — языковую модель для диалогов, генерации текста и вызова внешних функций. Эта версия репозитория подготовлена для Transformers; в метаданных указаны архитектура MiniMaxForCausalLM с механизмом Mixture of Experts и 21,6 млрд параметров. В README описана исходная архитектура семейства: сочетание Lightning Attention, Softmax Attention и MoE; заявлена поддержка контекста до 4 млн токенов при инференсе. Значение native_context_tokens в метаданных составляет 10 240 000 токенов. Модель подходит для генерации ответов, работы с длинными контекстами и приложений, где по запросу нужно сформировать структурированный вызов функции. README приводит результаты академических оценок и рекомендует vLLM для развёртывания. В нём также указана поддержка формата вызова функций, совместимого с OpenAI. Лицензия в метаданных обозначена как other; конкретные условия следует проверять в репозитории модели.

Ministral-3-3B-Instruct-2512 в формате LiteRT-LM — это квантизированная версия текстовой instruct-модели mistralai/Ministral-3-3B-Instruct-2512, подготовленная сообществом для запуска на устройствах через on-device runtime Google LiteRT-LM. Модель предназначена для генерации текста и диалоговых сценариев непосредственно на Android, iOS, macOS и других совместимых edge-устройствах без обязательной передачи данных в облако. Исходная модель разработана Mistral AI, а представленная сборка распространяется в формате .litertlm и относится к quantized-моделям. Это текстовая модель: vision tower Pixtral удалён, поэтому обработка изображений не поддерживается. Используется декодер Ministral с native Mistral-шаблоном чата [INST] … [/INST], прямым форматом ответов без блока рассуждений и остановкой по токену </s>. Размер модели — около 3B параметров; файл занимает примерно 2,3 ГБ, а с учётом runtime и GPU-кэша требуется около 2,7 ГБ или больше оперативной памяти. Веса представлены в формате symmetric int4 blockwise с блоком 32 и OCTAV clipping, вычисления выполняются в integer, размер KV-контекста составляет 4096 токенов. Токенизатор и шаблон запросов включены в bundle. Сильные стороны модели — возможность полностью локального запуска, совместимость с GPU и CPU через LiteRT-LM, отсутствие необходимости в отдельных файлах токенизатора и хорошие показатели на современных мобильных и настольных устройствах. Ограничения включают текстовую специализацию без мультимодальности, ограниченный контекст в 4096 токенов, высокие требования к памяти для GPU и заметно меньшую скорость на слабых устройствах, например Raspberry Pi 5. Лицензия — Apache-2.0.

EnlistedGhost/Ministral-3-8B-Reasoning-2512-GGUF — это конвертированная и квантованная версия Ministral-3-8B-Reasoning-2512-BF16, первоначально разработанной MistralAI. Модель распространяется в формате GGUF и предназначена для запуска через Ollama и llama.cpp. Модель ориентирована на диалоговые задачи, рассуждения и работу с текстом и изображениями. Она поддерживает мультимодальный сценарий image-text-to-text, включая чтение изображений, а также многоязычную работу с английским, французским, испанским, немецким, итальянским, португальским, нидерландским, китайским, японским, корейским, арабским и русским языками. Заявлен размер 8B параметров; точная длина контекста базовой модели не указана, но шаблон чата предусматривает скользящее окно примерно из 46 взаимодействий. К сильным сторонам относятся совместимость с Ollama и llama.cpp, наличие vision-проекторов для мультимодальной обработки и несколько вариантов квантования, позволяющих выбирать компромисс между качеством и требованиями к ресурсам. Ограничением является отмеченная автором проблема с шаблоном чата: при загрузке с Hugging Face он может некорректно активировать теги рассуждений. Модель выпущена под лицензией Apache-2.0.

Ministral-4b-instruct — плотная GPT-подобная языковая модель семейства Mistral от Mistral AI, дообученная на смеси общедоступных и синтетических наборов данных. Она содержит 4,3 млрд параметров и предназначена для генерации текста и диалогового взаимодействия на английском языке. Модель использует архитектуру MistralForCausalLM и принимает текст, формируя текстовые ответы. Длина контекста составляет 32 768 токенов. Базовая модель — mistralai/Mistral-7B-v0.1; веса доступны в формате safetensors. Модель подходит для диалоговых приложений и генерации текста. Лицензия Apache 2.0 разрешает коммерческое использование. Карточка указывает английский как основной язык модели.

Mini_synatra_7b_03-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием mistralai/Mistral-7B-Instruct-v0.2 и Minirecord/Mini_synatra_7b_03 методом SLERP. Модель основана на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; файлы представлены в формате safetensors. Модель предназначена для генерации текста и ответов на инструкции в диалоговом формате. Контекст составляет до 32 768 токенов. В карточке не описаны специализированные предметные области или отдельные мультимодальные возможности; вход и выход — текст. Модель выпущена под лицензией Apache-2.0. Карточка не приводит сравнительных оценок качества или подробностей о поддерживаемых языках, поэтому пригодность для конкретного языка или узкой задачи следует проверять отдельно.

MiquSuperdark-70B-v2 — слитая модель диалогового ИИ, созданная объединением трёх моделей на базе Miqu: Midnight-Miqu-70B-v1.5, MiquMaid-v3-70B и miqu-evil-dpo. Линейное слияние использует веса 0,5, 0,3 и 0,2 соответственно. Модель основана на плотной архитектуре Llama и содержит 68,7 млрд параметров; для токенизации используется токенизатор 152334H/miqu-1-70b-sf. Модель предназначена для чата общего назначения, ролевых диалогов и художественного письма. Она принимает текстовые запросы и генерирует текст; поддерживает контекст до 32 764 токенов и понимает распространённые форматы инструкций, включая Alpaca. В README заявлена цель объединить желательные свойства исходных моделей, сохранив их интеллектуальные возможности. Репозиторий содержит веса Safetensors и указывает библиотеку Transformers. Лицензия обозначена как неизвестная в метаданных, поэтому условия использования следует уточнить у разработчика перед применением.

Mirai Nova — дообученная LocalAI модель на архитектуре Llama 3, созданная для генерации текста и диалогов. Разработчики ориентируют её на вызов функций и отмечают усиленные способности к рассуждению; модель также подходит для общих текстовых задач. В LocalAI она рассчитана на работу с вызовом функций через грамматики. Чекпойнт содержит 7,5 млрд параметров, поддерживает контекст до 8192 токенов и распространяется в формате safetensors. Сведений о лицензии в использованных данных нет.

rawsh/mirrorgemma-2-2b-SFT — текстовая модель генерации на архитектуре Gemma 2, разработанная rawsh и дообученная на базе unsloth/gemma-2-2b с помощью Unsloth и TRL. Она предназначена для генерации текста по текстовому запросу; карточка не уточняет специализированные сценарии обучения или использования. Модель содержит 2,7 млрд параметров, принимает текст и выдаёт текст, а длина контекста составляет 8192 токена. В метаданных указан английский язык. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0.

MisCalmity-v0.1-model_stock — языковая модель на архитектуре Mistral, созданная слиянием нескольких моделей с помощью LazyMergekit: Mistral-7B-v0.1, Calme-7B-Instruct-v0.9 и The-Trinity-Coder-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и может применяться для диалоговых ответов и генерации кода благодаря включению инструкционной модели и модели для программирования в слияние. В карточке не приведены результаты оценки качества или сведения о лицензии, поэтому пригодность для конкретных сценариев и условия использования следует проверять по исходным моделям и репозиторию.

MISCHIEVOUS-12B-Mix_0.4v — объединённая языковая модель на архитектуре Mistral, созданная bamec66557 методом SLERP с помощью mergekit. В объединение вошли bamec66557/mergekit-slerp-xjlmywj и bamec66557/MISCHIEVOUS-12B-Mix_0.3v; размер модели — 12,1 млрд параметров. Модель предназначена для генерации текста и диалогового общения, а также предоставляет интерфейс для вызова инструментов. Модель принимает текст и выдаёт текст. В метаданных заявлены английский и корейский языки и контекст длиной до 1 024 000 токенов. Репозиторий содержит веса в формате safetensors; README также упоминает вариант GGUF Q4_K_M. Лицензия — Apache-2.0. Метаданные помечают модель как неподходящую для всех аудиторий;具体ные ограничения в карточке не раскрыты.