I.5Создание и редактирование текста

zelk12/MT5-Gen3-MAG-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, созданная из двух предварительно обученных моделей с помощью SLERP и mergekit. Разработчик репозитория — zelk12; квантованные файлы указаны как предоставленные @mradermacher. Модель предназначена для генерации текста и диалогового взаимодействия. Она содержит 9 млрд параметров, использует библиотеку Transformers и поддерживает контекст длиной до 8192 токенов. В репозитории указаны веса safetensors; README также описывает статическую сборку GGUF. Модель объединяет zelk12/MT5-Gen3-MA-gemma-2-S4MT4g2-9B и zelk12/MT5-Gen3-GP-gemma-2-RIv0.1MT4g2-9B методом SLERP. Лицензия в предоставленных данных не указана. Практическое качество и ограничения в карточке не описаны.

zelk12/MT5-GP-gemma-2-RIv0.1RAv0.1-9B — объединённая языковая модель, созданная разработчиком с помощью mergekit из двух предварительно обученных моделей Gemma 2: zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1 и zelk12/recoilme-gemma-2-Ifable-9B-v0.1. Для слияния использован метод SLERP с параметром t=0,5; архитектура — плотная Gemma2ForCausalLM, размер — 9 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и продолжения текста в приложениях на базе Transformers. Нативная длина контекста составляет 8192 токена. Карточка не уточняет языковую специализацию или преимущества модели; метаданные указывают на поддержку чата. Лицензия в предоставленных данных не указана.

mT5_multilingual_XLSum — модель семейства mT5, дообученная командой CSE BUET NLP на датасете XL-Sum для суммаризации текстов на 45 языках. Она принимает текст статьи или другого материала и генерирует краткое изложение; модель предназначена для многоязычной суммаризации, в том числе для языков с ограниченными ресурсами. Число параметров — 291,2 млн; архитектура — MT5ForConditionalGeneration, формат весов — PyTorch. Модель подходит для автоматического создания кратких пересказов и обработки многоязычных новостных материалов. В README приведены результаты ROUGE на тестовых наборах XL-Sum для разных языков. Карточка не сообщает об ограничениях на контекст или отдельном основном языке. Лицензия в предоставленных данных не указана.

GiordanoB/mT5_multilingual_XLSum-finetuned-summarization — модель семейства mT5, дообученная на основе csebuetnlp/mT5_multilingual_XLSum. Она предназначена для автоматического суммирования текста. Модель содержит 291,2 млн параметров и распространяется в формате PyTorch. Карточка не содержит сведений о наборе данных для дополнительного дообучения, оценке качества и конкретных ограничениях. mT5 поддерживает несколько языков, однако языки и сценарии, проверенные именно для этой версии, не описаны. Лицензия в предоставленных данных не указана.

zelk12/MT-Gen4-MU-gemma-2-Sv1IBTS5-9B — объединённая методом SLERP языковая модель семейства Gemma 2 на 9 млрд параметров. По карточке, при создании использованы allknowingroger/GemmaSlerp5-10B и gmonsoon/SahabatAI-Lion-9B-TIES-v1; merge выполнен с помощью mergekit, веса указаны в формате bfloat16. Модель предназначена для диалогов и генерации текста по инструкциям; метаданные отмечают поддержку чата и контекст до 8192 токенов. Описание базовой модели каталога указывает на языки Юго-Восточной Азии и английский, но конкретные поддерживаемые языки этой модели не перечислены. Репозиторий содержит веса safetensors. Лицензия в предоставленных сведениях не указана.

zelk12/MT-Gen5-GP-gemma-2-S5E-9B — объединённая модель генерации текста на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из Aashraf995/Gemma-Evo-10B и allknowingroger/GemmaSlerp5-10B. Модель содержит 9 млрд параметров, поддерживает диалоговое взаимодействие и принимает текст, выдавая текст. Для работы с ней указана библиотека Transformers, а нативный контекст составляет 8192 токена. Модель предназначена для генерации текста и ведения диалогов. В README указаны входящие в объединение модели и параметры слияния; отдельные специализированные области применения и языки не описаны. Репозиторий содержит веса в формате safetensors и распространяется по лицензии, указанной в метаданных Hugging Face.

zelk12/MT-IF-gemma-2-RAt0.75v0.1GD-9B — объединённая диалоговая языковая модель на архитектуре Gemma 2, созданная автором репозитория с помощью mergekit и метода SLERP из zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.75 и nbeerbower/Gemma2-Gutenberg-Doppel-9B. Модель содержит 9 млрд параметров, использует формат safetensors и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалоговых ответов. Сочетание исходных моделей объединяет возможности Gemma 2 Ataraxy и модели, дообученной на текстах Gutenberg; конкретные специализации и преимущества итогового слияния в карточке не описаны. Она принимает текст и выдаёт текст. Лицензия в предоставленных данных не указана.

Это объединённая модель Gemma 2, созданная zelk12 из двух предварительно обученных моделей с помощью mergekit и метода SLERP. Она предназначена для генерации текста в диалоговом формате и может использоваться для ответов на запросы и ведения беседы. Модель имеет плотную архитектуру Gemma2ForCausalLM и содержит 9 млрд параметров. Она работает с текстом, поддерживает контекст до 8192 токенов и опубликована в формате safetensors для библиотеки Transformers. Данные не уточняют поддерживаемые естественные языки или специализированные предметные области. Модель образована слиянием двух моделей Gemma 2; README указывает параметр смешивания t=0.25 и тип bfloat16. Лицензия и конкретные ограничения качества в предоставленных источниках не описаны.

zelk12 разработал разговорную языковую модель, полученную слиянием двух предварительно обученных моделей Gemma 2 с помощью метода SLERP и инструмента mergekit. Модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM, рассчитана на генерацию текста и диалоги и работает через библиотеку Transformers. Контекстное окно составляет 8192 токена; веса опубликованы в формате safetensors. Модель подходит для генерации продолжений текста и ведения диалога. Карточка не приводит сведений о целевых языках, поэтому языковую специализацию определить нельзя. Условия лицензии в предоставленных данных не описаны.

zelk12 создал MT-Merge2-MU-gemma-2-MTg2MT1g2-9B — объединённую методом SLERP языковую модель на архитектуре Gemma 2 с 9 млрд параметров. Она предназначена для генерации текста и диалогового общения; доступна в формате Safetensors и рассчитана на контекст до 8192 токенов. Модель объединяет zelk12/MT1-Gen2-gemma-2-9B и zelk12/MT-Gen2-gemma-2-9B с помощью mergekit. В README приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Сведения о лицензии и поддерживаемых естественных языках в предоставленных данных отсутствуют.

zelk12/MT-Merge4-BMUGI-gemma-2-9B — объединённая разговорная языковая модель на архитектуре Gemma 2 с 9 млрд параметров. Она создана с помощью mergekit методом SLERP из моделей zelk12/MT-Merge4-BMU-gemma-2-9B и zelk12/MT-Merge4-GI-gemma-2-9B; веса представлены в формате safetensors, библиотека — Transformers. Модель предназначена для генерации текста и ведения диалогов. Она принимает текстовые запросы, выдаёт текст и рассчитана на контекст до 8192 токенов. Данные не уточняют целевые языки или специализированные области применения, поэтому её следует рассматривать как модель общего назначения. Лицензия в предоставленных данных не указана. Сведения о качестве, ограничениях безопасности и результатах оценки также отсутствуют.

zelk12/MT-Merge4-IF-gemma-2-MT1g4MT2g4-9B — объединённая модель на основе Gemma 2, созданная разработчиком zelk12 методом SLERP с помощью mergekit. Она предназначена для генерации текста и диалогов в формате чат-модели. В объединение вошли zelk12/MT1-Gen4-gemma-2-9B и zelk12/MT2-Gen4-gemma-2-9B; размер модели — 9 млрд параметров, архитектура — плотная Gemma2ForCausalLM, контекст — 8192 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель принимает текст и генерирует текст. Сведений о специальных предметных областях, языках и лицензии в предоставленных данных нет.

zelk12/MT-Merge5-MA-gemma-2-MT4g5MTg5-9B — объединённая методом SLERP модель на архитектуре Gemma 2, созданная из zelk12/MT4-Gen5-gemma-2-9B и zelk12/MT-Gen5-gemma-2-9B. Модель содержит 9 млрд параметров и предназначена для генерации текста и диалогового общения; заявленный контекст составляет 8192 токена. Модель распространяется в формате safetensors и используется через библиотеку Transformers. Карточка не описывает отдельные предметные специализации или подтверждённые языки. Лицензия в предоставленных данных не указана.

zelk12/MT-Merge5-MM-gemma-2-MT3g5MTg5-9B — объединённая методом SLERP разговорная языковая модель на архитектуре Gemma 2 с 9 млрд параметров. Её создали с помощью mergekit, объединив zelk12/MT3-Gen5-gemma-2-9B_v1 и zelk12/MT-Gen5-gemma-2-9B; веса доступны в формате safetensors, исходная конфигурация использовала bfloat16. Модель предназначена для генерации текста и диалогов. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет 8192 токена. Данные карточки не описывают специализированную область применения или поддерживаемые естественные языки. Лицензия для этой модели в предоставленных данных не указана. Качество и ограничения объединённой модели отдельно не описаны; перед использованием в прикладных сценариях её следует оценить на соответствующих задачах.

zelk12/MT-Merge-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit. В неё вошли zelk12/MT-Merge-MMB-gemma-2-9B и zelk12/MT-Merge-GMAMUI-gemma-2-9B; для объединения применён метод SLERP с параметром t=0,5. Модель содержит 9 млрд параметров, принимает текст и генерирует текст, в том числе в диалоговом режиме. Размер контекста — 8192 токена. Подходит для генерации текста и ответов в чате. В README приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Модель опубликована в формате safetensors для использования с библиотекой Transformers. Лицензия и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

zelk12/MT-MMA-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, опубликованная пользователем zelk12. Модель создана методом SLERP в mergekit из zelk12/MT-MU-gemma-2-Rv0.3G-9B и zelk12/MT-MM-gemma-2-AAIF-9B; размер составляет 9 млрд параметров, формат весов — safetensors, тип модели — плотная авторегрессионная языковая модель для генерации текста. В метаданных указана поддержка диалогового режима и контекст длиной до 8192 токенов. Модель предназначена для диалоговой генерации текста и творческого письма. Она принимает текст и генерирует текст; сведения о специализации по языкам или предметным областям в предоставленных данных отсутствуют. Лицензия в метаданных и README не указана.

zelk12/MTM-Merge-MMMU-gemma-2-9B — разговорная языковая модель на архитектуре Gemma 2, созданная слиянием двух предварительно обученных моделей с помощью метода SLERP и инструмента mergekit. Модель содержит 9 млрд параметров, распространяется в формате safetensors и рассчитана на генерацию текста и диалоги с контекстом до 8192 токенов. Модель принимает текст и выдаёт текст; метаданные указывают на возможность чата. В карточке не заявлены специализированная область применения или поддержка конкретных языков. Модель основана на zelk12/MTM-Merge-MM-gemma-2-MTM4MTM2-9B и zelk12/MTM-Merge-MU-gemma-2-MTM4MTM3-9B. Условия лицензии в доступных сведениях не приведены.

MyAwesomeModel — модель из репозитория liufeftwer145, распространяемая через Hugging Face и предназначенная для извлечения признаков; в метаданных указаны библиотека Transformers, PyTorch и тег BERT. README описывает обновлённую версию модели с улучшенными способностями к рассуждению и выводу, а также применением алгоритмической оптимизации на этапе post-training. Модель заявлена для математического и логического рассуждения, понимания текста, ответов на вопросы, классификации, анализа тональности, генерации кода и текста, суммаризации, перевода, диалогов, поиска знаний и следования инструкциям. README также упоминает поддержку системного промпта, function calling, загрузки файлов и генерации с использованием результатов веб-поиска, а также доступ через чат-интерфейс и API. В README приведены результаты внутренних или заявленных benchmark-оценок по нескольким категориям, включая математику, программирование и общую логику; для AIME 2025 указано повышение точности с 70% до 87,5% по сравнению с предыдущей версией. Рекомендуемая температура составляет 0,6. Модель распространяется по лицензии MIT.

MyAwesomeModel — языковая модель, представленная в репозитории toolathlon68/MyAwesomeModel-TestRepo. Имя разработчика или организации в README не указано. Модель реализована с использованием библиотеки Transformers и предназначена для задач, требующих рассуждений и генерации текста: математического и логического анализа, ответов на вопросы, понимания текста, классификации, анализа тональности, написания и генерации кода, диалогов, суммаризации, перевода, поиска знаний и следования инструкциям. Также заявлена поддержка function calling, загрузки файлов и генерации с использованием результатов веб-поиска. По данным README, это обновлённая версия модели с увеличенной глубиной рассуждений, улучшенными возможностями вывода и сниженной частотой галлюцинаций. На тесте AIME 2025 заявлено повышение точности с 70% до 87,5%, а средний объём рассуждений вырос примерно с 12 тыс. до 23 тыс. токенов на задачу. В приведённых бенчмарках модель показывает результаты в диапазоне от 0,550 для математического рассуждения до 0,828 для классификации текста, однако методика оценки и названия наборов данных не уточняются. Архитектура, число параметров, поддерживаемые языки, модальности и размер контекстного окна в README не указаны. Упоминается вариант MyAwesomeModel-Small с архитектурой, идентичной базовой модели, и отдельной конфигурацией токенизатора, но подробности также отсутствуют. Для использования рекомендуется системный промпт с текущей датой и температура 0,6; специальные токены для запуска режима рассуждений не требуются. Модель распространяется по лицензии MIT.

Mystery-mag-try2 — объединённая языковая модель, созданная DazzlingXeno методом TIES с помощью mergekit. В основу объединения легла 01-ai/Yi-1.5-34B-32K; также использованы TheSkullery/Y1.5-MS-Mysteria-34b и anthracite-org/magnum-v3-34b. Модель имеет плотную архитектуру LlamaForCausalLM, около 33,9 млрд параметров и контекст до 32 768 токенов; веса представлены в формате safetensors и типе float16. Модель предназначена для генерации текста по текстовому запросу. Метаданные указывают задачу text-generation, но карточка не уточняет специализацию, поддерживаемые естественные языки или конкретные прикладные сценарии. Лицензия в предоставленных данных не указана.

NameLess-12B-prob — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP с помощью mergekit из моделей D:\VICIOUS_MESH-12B-OMEGA и D:\jetreessence. Разработчик репозитория — bamec66557; модель предназначена для генерации текста и диалогового взаимодействия. Модель содержит 12,1 млрд параметров, принимает текст и выдаёт текст. Заявленная длина контекста — 131 072 токена. В метаданных указаны возможности чата и интерфейс вызова инструментов. В README приведены результаты оценивания на Open LLM Leaderboard, включая IFEval 66,02 и BBH 31,36. Модель распространяется по лицензии Apache-2.0. README не сообщает, на каких языках она обучена или проверена, поэтому языковую поддержку нельзя уточнить по доступным сведениям.

Nanbeige 16B Chat 32K — это диалоговая языковая модель семейства Nanbeige, разработанная Nanbeige LLM Lab и представленная в данном репозитории в формате GGUF. Квантованные файлы подготовлены TheBloke; исходная модель доступна в формате PyTorch на Hugging Face. Модель предназначена для генерации текста и ведения диалогов, включая локальный запуск через llama.cpp и совместимые графические интерфейсы и библиотеки. Модель имеет около 16 миллиардов параметров и заявленный контекст до 32K токенов. В метаданных указаны английский и китайский языки. Архитектура обозначена как nanbeige, а формат GGUF поддерживает различные варианты квантования с разрядностью от 2 до 6 бит, что позволяет выбирать компромисс между размером, требованиями к памяти, скоростью и качеством генерации. Модель рассчитана на текстовую модальность; сведения о поддержке изображений или других типов данных отсутствуют. К сильным сторонам относятся большой контекст, диалоговая специализация и возможность запуска на CPU и GPU с использованием llama.cpp, text-generation-webui, LM Studio, KoboldCpp и других совместимых инструментов. Ограничения включают возможные потери качества из-за квантования, зависимость требований к ресурсам от выбранного варианта GGUF и отсутствие в README подробных данных о результатах тестирования, обучающем наборе и точных характеристиках базовой архитектуры. В метаданных указана лицензия Apache-2.0.

Nanbeige4.2-3B Heretic — вариант Nanbeige/Nanbeige4.2-3B, выпущенный WaveCut и дообученный с помощью ARA-LoRA. Модель предназначена для генерации текста в диалогах; ключевое изменение — заметное снижение частоты отказов при сохранении большей части возможностей базовой модели. В тесте автора число отказов снизилось с 17 до 1 на 100 запросах; это результат конкретного набора тестов, а не гарантия поведения в других сценариях. Модель имеет плотную архитектуру Nanbeige, 3,2 млрд параметров и контекст до 262 144 токенов. Она принимает и генерирует текст, поддерживает чат и интерфейс вызова инструментов. Для загрузки через Transformers требуется включить trust_remote_code=True из-за пользовательской реализации Looped Transformer, в которой 22 физических слоя декодера выполняются дважды. Распространяется в формате Safetensors по лицензии Apache-2.0. Из-за намеренно ослабленного отказного поведения для использования нужны подходящие ограничения доступа, мониторинг и меры безопасности на уровне приложения.

Nanbeige4-3B-Thinking — компактная языковая модель с 3,5 млрд параметров из четвёртого поколения семейства Nanbeige, разработанная командой Nanbeige. Это плотная авторегрессионная модель архитектуры Llama, предназначенная для генерации текста в диалогах и решения задач, требующих рассуждений. Модель обучали на корпусе из текстов, книг, кода и научных публикаций, а затем дообучали на примерах с длинными цепочками рассуждений, дистиллировали от флагманской модели Nanbeige и совершенствовали с помощью многоэтапного обучения с подкреплением. В README заявлены применения в математике, науке, творческом письме и использовании инструментов. Поддерживается контекст до 65 536 токенов; метаданные указывают английский и китайский языки. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. Сильные стороны — акцент на рассуждениях при сравнительно небольшом размере и обучение на проверяемых задачах и данных с длинными цепочками рассуждений. Модель может выдавать предвзятые или дискриминационные и другие неожиданные ответы; результаты требуют проверки, особенно при использовании инструментов или в чувствительных сценариях.

Nanbeige4-3B-Thinking-2511-GGUF — квантизированная GGUF-версия языковой модели Nanbeige4-3B-Thinking-2511, разработанной командой Nanbeige и созданной на базе Nanbeige4-3B-Base. Модель предназначена для генерации текста, диалогов, решения сложных задач с рассуждением, агентских сценариев и вызова функций. Указана поддержка английского и китайского языков; модель относится к текстовым causal language models и запускается с использованием llama.cpp или совместимых инструментов. Точный размер контекста и число параметров в README не указаны, однако из названия следует размер порядка 3 млрд параметров. Модель улучшена по сравнению с Nanbeige4-3B-Thinking-2510 с помощью дистилляции знаний и целевой оптимизации методом reinforcement learning. Заявлены сильные результаты в рассуждении, function calling, эмоциональном интеллекте и творческом письме, включая высокие позиции на Berkeley Function Calling Leaderboard, EQBench3 и WritingBench. В репозитории также описан метод повышения точности отдельных важных слоёв при квантизации, увеличивающий размер файлов, но улучшающий качество на заданном уровне битности. Ограничения включают риск неожиданных, вредных, предвзятых или дискриминационных ответов; модель не гарантирует полную безопасность и требует проверки результатов. Конкретный формат GGUF и степень квантизации следует выбирать с учётом доступных ресурсов и требований к качеству. Лицензия — Apache-2.0.

NbAiLab/nb-notram-llama-3.3-70b-instruct — диалоговая языковая модель, разработанная лабораторией NB-AiLab Национальной библиотеки Норвегии. Это дообученная на базе Meta Llama 3.3 70B Instruct плотная трансформерная модель с 69,5 млрд параметров и контекстом до 131 072 токенов. Для обучения использовались публично доступные данные и синтетические данные; материалы, доступные только по обязательному экземплярному хранению, не включались. Модель предназначена для следования инструкциям и диалогов на норвежском букмоле, норвежском нюноске и английском языке. Подходит для ответов на вопросы и суммаризации на норвежском, а также для генерации текста и работы в качестве ассистента. Настройка включает supervised fine-tuning и лёгкий этап DPO; ответы обычно короче, чем у более разговорчивых ассистентов. Поддерживаются чатовый формат и интерфейс вызова инструментов. Лицензия — Llama 3.3 Community License. Модель может ошибаться и уверенно выдавать вымышленные сведения. Знания о норвежской культуре и истории могут проявляться непоследовательно и зависеть от формулировки запроса; настройки безопасности ограничены. В README релиз назван исследовательским, поэтому перед прикладным использованием рекомендуется оценка в целевом сценарии; для медицинских, юридических и финансовых задач нужны дополнительные проверки и надзор человека.

Nebula-v2-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением Mistral-7B-Instruct-v0.2 и Nebula-v2-7B методом SLERP. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и выдаёт текст; максимальный контекст составляет 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Языки в предоставленных данных не перечислены, поэтому нельзя определить, на каких языках она работает лучше всего. README описывает состав и параметры слияния, но не приводит сравнительных оценок качества или подробных ограничений.

UsernameJustAnother/Nemo-12B-Marlin-v3 — языковая модель, дообученная UsernameJustAnother на базе unsloth/Mistral-Nemo-Instruct-2407. Она предназначена для диалоговой генерации текста и может использоваться в чат-ботах и приложениях, которым нужны ответы на текстовые запросы. Модель содержит 12,1 млрд параметров, использует архитектуру Mistral с плотной causal language model и принимает и выдаёт текст. В метаданных указан контекст длиной до 1 024 000 токенов и английский язык. README сообщает, что обучение проводилось с Unsloth и библиотекой Hugging Face TRL. Модель распространяется по лицензии Apache-2.0.

win10/nemolita-21b — объединённая автором win10 с помощью mergekit языковая модель на архитектуре Mistral, созданная из unsloth/Mistral-Nemo-Instruct-2407 и MarinaraSpaghetti/Nemomix-v1.0-12B методом passthrough merge. Модель содержит 20,7 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст. Модель распространяется в формате safetensors и рассчитана на контекст до 1 024 000 токенов. Языки и специализированные области применения в предоставленных данных не определены. Лицензия не указана в источниках; качество и ограничения объединения отдельно не описаны.

NemoMerge-12B-DellaV1b — объединённая модель на 12,1 млрд параметров, созданная с помощью mergekit из Gryphe/Pantheon-RP-1.5-12b-Nemo, anthracite-org/magnum-12b-v2 и grimjim/mistralai-Mistral-Nemo-Base-2407. В основе лежит плотная архитектура Mistral для авторегрессионной генерации текста. Модель подходит для генерации текста, ролевых диалогов и ответов по инструкциям. В README указан формат весов bfloat16; метаданные сообщают о контексте до 1 024 000 токенов. Модель распространяется по лицензии Apache-2.0. Данных о специальных ограничениях использования или подтверждённой поддержке конкретных языков в предоставленных источниках нет.