I.5Создание и редактирование текста

mistralopithecus-v1-dpo-7b-Mistral-7B-Instruct-v0.1 — чат-модель на базе архитектуры Mistral, созданная слиянием Mistral AI и DopeorNope/mistralopithecus-v1-dpo-7b методом SLERP. Модель содержит 7,1 млрд параметров, использует формат safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Её можно применять для создания чат-ботов и ведения диалогов на естественном языке. В README указан тип объединения и параметры смешивания слоёв внимания и MLP; модель распространяется по лицензии Apache-2.0.

Mistral-ORPO-α — диалоговая языковая модель, разработанная KAIST AI и дообученная на базе mistralai/Mistral-7B-v0.1 методом оптимизации предпочтений ORPO. В отличие от подхода с предварительным этапом supervised fine-tuning, ORPO непосредственно обучает модель предпочитаемым ответам. Для обучения использован датасет HuggingFaceH4/ultrafeedback_binarized. Модель с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Карточка приводит результаты сравнительных оценок на AlpacaEval, MT-Bench и IFEval. Основной язык в метаданных — английский. Модель подходит для диалоговых ответов и выполнения текстовых инструкций. Доступна по лицензии MIT. Результаты бенчмарков не гарантируют качество на конкретных задачах.

toxibunny/Mistral-Small-22B-ArliAI-RPMax-Diluted — слитая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit и метода SLERP из unsloth/Mistral-Small-Instruct-2409 и ArliAI/Mistral-Small-22B-ArliAI-RPMax-v1.1. Это плотная авторегрессионная языковая модель на 22 млрд параметров с контекстом до 32 768 токенов, предназначенная для генерации текста и диалогов. Модель подходит для разговорных сценариев и творческого письма, включая ролевые диалоги. Метаданные указывают поддержку интерфейса вызова инструментов, однако описание не уточняет, какие именно инструменты или шаблоны взаимодействия проверены. Доступна в формате safetensors для Transformers. Сведения о лицензии в предоставленных источниках отсутствуют.

Mistral-Small-24B-Instruct-2501-4bit — это 4-битная версия модели Mistral-Small-24B-Instruct-2501, преобразованная сообществом mlx-community в формат MLX с использованием mlx-lm 0.21.0. Исходная модель опубликована под пространством имён mistralai и предназначена для выполнения инструкций и диалогового взаимодействия с пользователем. Модель рассчитана на задачи генерации текста, ответов на вопросы и других сценариев, где требуется инструктивное или чат-взаимодействие. Заявлены английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, русский и корейский языки. Размер исходной модели составляет 24 миллиарда параметров; версия использует 4-битное квантование и формат MLX, что ориентировано на запуск в совместимой MLX-среде. Сведения о длине контекста, точной архитектуре и мультимодальных возможностях в README не указаны. К сильным сторонам относятся поддержка нескольких языков, инструктивный формат и адаптация для использования с MLX через библиотеку mlx-lm. Ограничения включают отсутствие в предоставленных данных подробных результатов оценки, сведений о качестве на отдельных языках и характеристик производительности. Модель распространяется по лицензии Apache 2.0.

ISTA-DASLab/Mistral-Small-3.1-24B-Instruct-2503-GPTQ-4b-128g — квантированная версия инструкционной мультимодальной модели Mistral-Small-3.1-24B-Instruct-2503, опубликованная ISTA-DASLab. Она предназначена для диалоговых задач, генерации и обработки текста, а также сценариев image-text-to-text, включая анализ изображений и ответы на вопросы по ним. Модель содержит 24 млрд параметров и использует INT4-квантование весов линейных операторов языковой части трансформера методом GPTQ с симметричной поканальной по группам схемой и размером группы 128. Визуальная модель и мультимодальный проекционный слой сохранены в исходной точности. Квантование сокращает размер на диске и требования к GPU-памяти примерно на 75%; чекпойнт сохранён в формате compressed_tensors. В README явно указан пример использования с vLLM и Transformers, а для оценки применялся vLLM. По сравнению с исходной моделью на наборе OpenLLM v1 средний результат снизился с 0,7910 до 0,7814, а показатель восстановления составил 0,9878, что указывает на небольшую потерю качества при существенном снижении требований к ресурсам. Ограничения включают зависимость от совместимых версий vLLM или Transformers и необходимость учитывать, что приведённые результаты получены при максимальной длине контекста 4096 токенов; другие характеристики контекста и поддерживаемых языков в README не указаны. Модель распространяется по лицензии Apache-2.0.

Это квантованная версия Mistral Small 3.1 24B Instruct в формате GGUF. Исходную модель разработал mrfakename, а файлы GGUF подготовил MaziyarPanahi. Модель предназначена для генерации текста и может использоваться в локальных приложениях и интерфейсах, совместимых с GGUF, включая llama.cpp, llama-cpp-python, LM Studio и другие поддерживаемые клиенты. Ключевая характеристика репозитория — наличие вариантов квантования с разрядностью от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к ресурсам и качеством генерации. Точные сведения об архитектуре, размере контекста, поддерживаемых языках и модальностях в README не указаны, поэтому модель следует описывать как текстовую instruct-модель без дополнительных подтверждённых характеристик. Сильной стороной является возможность запуска в различных локальных средах с поддержкой CPU и GPU, включая серверные и OpenAI-совместимые интерфейсы некоторых клиентов. Ограничения зависят от выбранного уровня квантования и используемого программного обеспечения; более агрессивное квантование может влиять на качество. Лицензия в README не указана.

Mistral Small 3.2 24B Instruct 2506 GGUF — мультимодальная инструкционная модель, разработанная Mistral AI и распространяемая в формате GGUF сообществом LM Studio. Квантизация выполнена lmmy на основе llama.cpp. Модель принимает текстовые и графические данные и генерирует текст, поэтому предназначена для диалоговых систем, обработки инструкций, анализа изображений с текстовым ответом и других локальных сценариев работы с мультимодальными запросами. Модель поддерживает контекст длиной до 128 000 токенов и десятки языков, включая английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский, арабский, персидский, индонезийский, малайский, непальский, польский, румынский, сербский, шведский, турецкий, украинский, вьетнамский, хинди и бенгальский. Точный вариант архитектуры и параметры квантизации в README не указаны; из названия следует размер базовой модели 24B. Производительность вызова инструментов может быть снижена. Модель распространяется по лицензии Apache-2.0. Следует учитывать, что это community-сборка, а не оригинальная публикация разработчика: LM Studio не гарантирует её точность, безопасность, доступность или пригодность для конкретных задач, а сгенерированные ответы могут быть ошибочными или неприемлемыми.

Rioky/Mistral-Small-4-119B-2603-heretic-i1-gguf — набор GGUF-квантизаций модели Mistral Small 4 119B 2603 Heretic. Базовая модель разработана Mistral AI, а версия Heretic опубликована darkc0de; данный набор подготовлен Rioky. Модель предназначена для генерации текста, мультимодального анализа изображений и текста, агентских сценариев, вызова функций с JSON-выводом и задач, требующих длинного контекста. Заявлена поддержка режимов быстрого ответа и рассуждений с дополнительными вычислениями во время вывода. Модель использует архитектуру Mistral4 с разреженной Mixture-of-Experts и MLA-вниманием: всего 119 млрд параметров, из которых активируются 6,5 млрд на токен; доступны 128 экспертов, 4 из них активируются для каждого токена. Контекстное окно составляет до 256 тысяч токенов. Поддерживаются текстовый и графический ввод с текстовым выводом. Указана многоязычность, включая английский, французский, немецкий, испанский, итальянский, португальский, китайский, японский, корейский, арабский и другие языки. К сильным сторонам относятся большой контекст, мультимодальность, функции для агентских приложений, системные инструкции и несколько вариантов квантизации с importance matrix, которая призвана лучше сохранять качество на низких битностях. Ограничения включают значительные требования к памяти: размер файлов варьируется примерно от 29 до 91 ГиБ, а качество и скорость зависят от выбранного варианта. Показатель отказов Heretic-версии в README составляет 27 из 100 против 98 из 100 у исходной модели, однако независимые оценки качества не приведены. Распространение заявлено по лицензии Apache 2.0, допускающей коммерческое и некоммерческое использование.

Mistral-Small-Instruct-2409-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Mistral-Small-Instruct-2409, разработанной Mistral AI и подготовленной пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через llama.cpp и LM Studio. Для взаимодействия используется шаблон промпта <s> [INST] запрос [/INST]. В README указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. Архитектура, число параметров, размер контекстного окна и поддержка модальностей, кроме текстовой, не указаны. Доступны варианты от F16 размером 44,50 ГБ до IQ3_M размером 10,06 ГБ, а также форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и другие. Более высокие уровни квантизации обеспечивают лучшее качество, тогда как компактные варианты требуют меньше оперативной памяти, но могут снижать качество ответов. Сильной стороной набора является широкий выбор квантизаций, включая варианты, оптимизированные для ARM, что позволяет подобрать баланс между качеством и ресурсами устройства. Ограничения связаны с потерями качества при низких уровнях квантизации и отсутствием в README подробных сведений о возможностях исходной модели и результатах оценки. Модель распространяется по лицензии Mistral Research License (MRL) 0.1; применяются условия лицензии Mistral AI.

Mistral_solar-slerp — диалоговая языковая модель, созданная автором Pierre-obi слиянием NousResearch/Nous-Hermes-2-SOLAR-10.7B и mistralai/Mistral-7B-Instruct-v0.2 методом slerp с помощью LazyMergekit. Модель использует плотную архитектуру Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель принимает текст и выдаёт текст; заявленная длина контекста — до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Модель подходит для чат-ботов, ответов на вопросы и других задач генерации текста. Публичные сведения не дают отдельных результатов оценки качества или подробных ограничений, поэтому производительность в конкретных сценариях следует проверять самостоятельно.

Mistral-T5-7B-v1-Mistral-7B-Instruct-v0.1 — слитая чат-модель на архитектуре Mistral, созданная объединением Mistral-7B-Instruct-v0.1 и Mistral-T5-7B-v1 методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы; заявленный контекст составляет 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и других сценариев генерации текста по запросу. В README описаны смешивание слоёв внимания и MLP и формат bfloat16; в репозитории веса представлены в safetensors. Лицензия — Apache-2.0. README и метаданные не сообщают о языковом охвате и оценках качества, поэтому результаты для конкретных языков и задач требуют проверки.

MistralTrinity-7B-slerp — языковая модель для генерации текста и диалоговых ответов, созданная объединением Mistral-7B-Instruct-v0.2 и trinity-v1 с помощью LazyMergekit. При слиянии применён метод SLERP; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и выдаёт текст, поддерживает диалоговый режим. Модель подходит для ответов на инструкции, ведения диалога и генерации текста с длинным контекстом. В README не приведены результаты оценки качества или сведения о целевых языках, поэтому конкретные сильные стороны по сравнению с исходными моделями и языковое покрытие определить нельзя. Распространяется по лицензии Apache-2.0.

ND911 выпустил Mistralv0.2-Erosumikav2-Franken-Sonya-10.5B — объединённую языковую модель для генерации текста. Она построена на архитектуре Mistral и содержит около 10,4 млрд параметров; веса объединены методом passthrough из фрагментов Franken-Sonya, Erosumika-7B-v2 и Mistral-7B-Instruct-v0.2, с сохранением точности float16. Модель принимает текст и генерирует текст, поддерживая контекст длиной до 8192 токенов. Модель подходит для диалоговой генерации и других задач продолжения текста. README не описывает отдельные оценки качества или перечень языков. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

arcee-ai выпустила mistral-v2-sec-dolphin — объединение двух предварительно обученных языковых моделей, созданное с помощью mergekit методом SLERP: sec-mistral-7b-instruct-1.6-epoch от Arcee AI и dolphin-2.8-mistral-7b-v02 от Cognitive Computations. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Её можно применять для ответов на вопросы, ведения диалога и создания текста. Карточка не уточняет языки и специализированные предметные области, поэтому их нельзя конкретизировать. Репозиторий содержит веса Safetensors; метаданные указывают библиотеку Transformers. Условия лицензирования в предоставленных данных не приведены.

cloudyu/Mixtral_7Bx4_MOE_24B — языковая модель Cloudyu для генерации текста, построенная на архитектуре Mixtral с разреженной смесью экспертов (MoE). В README указано, что модель создана с помощью mergekit путём объединения пяти моделей на базе Mistral 7B: Q-bert/MetaMath-Cybertron-Starling, mistralai/Mistral-7B-Instruct-v0.2, teknium/Mistral-Trismegistus-7B, meta-math/MetaMath-Mistral-7B и openchat/openchat-3.5-1210. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы; README приводит результаты оценивания на ARC и HellaSwag. Для неё опубликованы веса в формате Safetensors, а лицензия CC BY-NC 4.0 ограничивает коммерческое использование. README также сообщает, что модель была улучшена с помощью DPO в отдельном репозитории cloudyu/Pluto_24B_DPO_200; это описание относится к последующей модели, а не меняет способ происхождения данного чекпойнта.

Mixtral_7Bx5_MoE_30B — языковая модель семейства Mixtral с архитектурой Mixture of Experts (MoE), опубликованная cloudyu. Согласно карточке, это объединение пяти моделей на базе Mistral 7B: Toten5/Marcoroni-neural-chat-7B-v1, NurtureAI/neural-chat-7b-v3-16k, mncai/mistral-7b-dpo-v6, cookinai/CatMacaroni-Slerp и ignos/Mistral-T5-7B-v1. Модель предназначена для генерации текста; карточка приводит примеры запуска на GPU и CPU. В репозитории указано 7,1 млрд параметров, контекст до 32 768 токенов и формат Safetensors. README не описывает специализацию и языковой охват, поэтому модель можно характеризовать только как генеративную языковую модель общего назначения. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

Mixtral-8x22B-Capyboros-v1 — дообученная с помощью QLoRA языковая модель автора tdrussell на базе Mixtral-8x22B-v0.1. Она использует архитектуру Mixtral с разреженными экспертами и предназначена для генерации текста в формате инструкций Mistral: запрос заключают между маркерами [INST] и [/INST]. Обучение проведено на сочетании датасетов Capybara и Airoboros; адаптер имеет ранг LoRA 64, обучение шло два эпоха с длиной последовательности 4096 токенов. Модель подходит для диалоговых ответов, объяснения понятий и выполнения текстовых инструкций. В репозитории есть веса safetensors и отдельный квантованный вариант GGUF Q4_K_S; README сообщает, что квантованный файл помещается при контексте не менее 16 тысяч токенов на видеопамяти 96 ГБ. Метаданные указывают размер 22B параметров и нативный контекст 65536 токенов. Лицензия — Apache-2.0. Результаты зависят от формата промпта и могут наследовать ограничения обучающих данных; сведений о систематической оценке качества нет.

Fireworks Mixtral 8x22B Instruct OH — инструктивная языковая модель, выпущенная Fireworks AI на основе Mixtral-8x22B от Mistral AI. Это разреженная архитектура MoE для генерации текста и диалогов; в метаданных указано 22 млрд параметров и контекст до 65 536 токенов. Модель дообучена на примерно 10 тысячах примеров из OpenHermes 2.5, подготовленных в шаблоне Vicuna. Модель подходит для диалогового помощника, ответов на вопросы и создания развернутых текстов, например планов поездок. Карточка показывает примеры на английском языке, а метаданные отмечают английский как язык модели. Доступны веса в формате safetensors; лицензия — Apache 2.0. Карточка не содержит количественной оценки качества, поэтому пригодность для конкретных задач следует проверять на собственных данных.

cloudyu/Mixtral-8x7B-Instruct-v0.1-DPO — диалоговая модель генерации текста на архитектуре Mixtral MoE, дообученная автором cloudyu методом Direct Preference Optimization (DPO) на основе mistralai/Mixtral-8x7B-Instruct-v0.1. По README, после 100 шагов DPO-обучения улучшились метрики Truthful DPO; также приведены результаты оценивания на задачах рассуждения и понимания текста. Модель предназначена для диалоговых ответов и генерации текста. Она принимает текст и выдаёт текст; заявленный контекст составляет 32 768 токенов, формат весов — safetensors, лицензия — Apache-2.0. Метаданные указывают поддержку английского, французского, итальянского, немецкого и испанского языков. Данных о специализированной области применения нет. README содержит ограниченные результаты бенчмарков, поэтому они не гарантируют качество на других задачах.

DS-Archive выпустил объединённую языковую модель Mixtral-8x7B-Instruct-v0.1-LimaRP-ZLoss-DARE-TIES, созданную методом DARE TIES с помощью mergekit. В объединение вошли Mixtral-8x7B-Instruct-v0.1 и Mixtral-8x7B-v0.1-LimaRP-ZLoss; базой указан Mixtral-8x7B-v0.1. Архитектура — Mixtral MoE для авторегрессионной генерации текста; модель распространяется в формате safetensors и имеет контекст длиной 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и других сценариях продолжения текста. Карточка называет один из компонентов LimaRP-ZLoss, однако не приводит подробностей о целевых сценариях и языках. Лицензия в предоставленных данных не указана.

AMD Mixtral-8x7B-Instruct-v0.1-w4a16-llmcompressor — это квантизированная версия языковой модели Mixtral-8x7B-Instruct-v0.1 от Mistral AI, подготовленная AMD для оптимизированного CPU-инференса. Модель реализует архитектуру MixtralForCausalLM, принимает текст и генерирует текст, ориентирована на задачи диалоговой генерации и общего следования инструкциям на английском языке. Модель использует разреженную Mixture-of-Experts-архитектуру Mixtral-8x7B и 4-битное квантизирование весов W4A16 методом GPTQ. Веса хранятся в формате INT4 с симметричным групповым квантизированием и размером группы 128, а активации остаются в BF16. Маршрутизатор MoE и lm_head сохранены в BF16. Объём весов уменьшен примерно с 87,0 до 22,8 GiB, то есть примерно на 74%. Данные о максимальной длине контекста в README не указаны; для калибровки использовалась длина последовательности до 2048 токенов. Основной сценарий использования — инференс на процессорах AMD EPYC под Linux с применением vLLM, ZenDNN и ZenTorch. По приведённой оценке на GSM8K модель сохранила 98,83% результата BF16-базовой версии: 0,6331 против 0,6406. Ограничения включают зависимость от совместимого программного стека и аппаратной платформы, а также возможное снижение качества из-за квантизации. Модель распространяется по лицензии Apache-2.0.

Это размещённая Featherless AI сборка модели Llama 3.1 Nemotron 70B Instruct в формате GGUF с вариантами квантования. Она предназначена для генерации текста и диалогового общения; репозиторий перечисляет варианты IQ4_XS, Q2_K и Q3_K_L, а также сообщает о наличии ещё восьми строк вариантов квантования. Модель подходит для запуска чат-ассистента и генерации ответов на текстовые запросы. Размер базовой модели — 70 млрд параметров, однако размеры отдельных файлов в README относятся к папкам с вариантами квантования. Данных о поддерживаемых языках и длине контекста в предоставленных источниках нет. Варианты квантования позволяют выбирать между размером файлов и точностью представления весов; конкретные характеристики качества и требования к ресурсам не приведены. Лицензия в предоставленных данных не указана.

Mistral-Nemo-2407-12B-Estrella-v1 — модель генерации текста на архитектуре Mistral, созданная автором карточки путём слияния нескольких языковых моделей с помощью mergekit. В состав слияния вошли, среди прочих, Mistral-Nemo-Instruct-2407, MN-12B-Celeste, Magnum, Lyra и Lumimaid. Модель содержит 12,1 млрд параметров и заявленный контекст до 1 024 000 токенов. Модель предназначена для диалогов и генерации связных, лаконичных, но творческих ответов. В README рекомендован формат запросов Mistral Instruct; также может подойти ChatML. Автор советует низкую температуру генерации 0,3–0,5. Доступна под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

MN-LooseCannon-12B-v1 — языковая модель для генерации текста и диалогов, созданная GalrionSoftworks с помощью LazyMergekit. Это слияние моделей aetherwiing/MN-12B-Starcannon-v3 и Sao10K/MN-12B-Lyra-v1 методом TIES с нормализацией весов. Модель имеет плотную архитектуру MistralForCausalLM и 12,1 млрд параметров; веса опубликованы в формате safetensors. В метаданных заявлена длина контекста 1 024 000 токенов. Модель предназначена для генерации ответов в чатах и других текстовых сценариях. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH. Сведений о специализации по языкам и условиях лицензии в предоставленных данных нет.

Mobiusv0.5 — объединённая языковая модель на архитектуре Mistral, созданная mashleburneded методом SLERP с помощью mergekit на основе Mistral-Small-Instruct-2409 и Codestral-22B-v0.1. Модель содержит 15,8 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалоговых запросов; интерфейс модели также предусматривает вызов инструментов. В состав объединения входит Codestral, ориентированная на генерацию кода модель, однако README не описывает отдельные возможности или качество Mobiusv0.5 в программировании. Модель опубликована в формате safetensors и доступна через Transformers. Лицензия в предоставленных данных не указана.

leesalminen/model-3 — дообученная диалоговая языковая модель семейства Llama на базе unsloth/Hermes-3-Llama-3.1-8B. Разработчик карточки — leesalminen; при обучении использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста и ответов в диалоге, а её интерфейс поддерживает вызов инструментов. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекстное окно до 131 072 токенов. В карточке указан английский язык. Веса представлены в формате safetensors. Лицензия — Apache-2.0.

MoEstral-2x7B — диалоговая языковая модель на архитектуре Mixtral/MoE, опубликованная paulilioaica. Она предназначена для генерации текста и ответов на инструкции, в том числе для задач рассуждения, работы с числами и абстрактными понятиями. В карточке описано объединение через mergekit двух копий mistralai/Mistral-7B-Instruct-v0.2 с маршрутизацией экспертов по тематическим подсказкам; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и генерирует текст в диалоговом режиме. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. README приводит результаты на отдельных бенчмарках, но не описывает методику или полный набор оценок, поэтому эти цифры не позволяют судить о качестве во всех сценариях.

MoMo-72B-LoRA-V1.4 — языковая модель Moreh для генерации текста, дообученная методом SFT с LoRA на базе QWEN-72B. Для обучения использовалась платформа MoAI и набор данных Open-Orca/SlimOrca; слияние весов не выполнялось, а обученные веса были согласованы с архитектурой Llama для совместимости с ней. Модель представляет собой плотную авторегрессионную архитектуру LlamaForCausalLM примерно на 71 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель подходит для генерации ответов и текста по запросу, в том числе в сценариях диалогового ассистента. В карточке приведены результаты отдельных оценок, однако часть значений отмечена как TBU, поэтому они не дают полной картины качества. В метаданных указан английский язык. Лицензия — MIT.

Morphy-360M — компактная языковая модель команды Moolvylabs, вторая модель семейства Morphy. Она дообучена на базе SmolLM2-360M и предназначена для быстрой локальной генерации текста; архитектура — плотная LlamaForCausalLM, размер — 361,8 млн параметров, контекст — до 8192 токенов. Модель ориентирована на деловую переписку: помогает писать и редактировать электронные письма, готовить холодные обращения и корпоративные объявления, исправлять грамматику, менять тон текста и создавать документацию. Также она может учитывать корпоративный контекст, например сведения о Moolvylabs. Модель рассчитана на англоязычные сценарии. Среди ограничений — склонность к ошибкам в сложных темах, в частности в продвинутой физике и биологии; в длинных диалогах возможны повторы и зацикливание, поэтому рекомендуется периодически очищать контекст. Распространяется по лицензии Apache-2.0.

MotherEarth-1.14-8B — слитая языковая модель семейства Llama, созданная разработчиками MotherEarth с помощью mergekit. Веса двух предварительно обученных моделей, MotherEarth-1.13-8B и MotherEarth-Proverbs-8B, объединены методом SLERP; в карточке указана архитектура LlamaForCausalLM и размер 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового общения. Контекстное окно составляет до 131 072 токенов. Репозиторий содержит веса в формате safetensors; библиотека для работы с моделью — Transformers. Данные не сообщают о специализации на конкретных языках или прикладных областях. Лицензия в предоставленных данных не указана. Характеристики качества, конкретная языковая поддержка и ограничения применения не описаны.