I.5Создание и редактирование текста

Карточка модели mergekit-community/Saul-Base-zephyr-7b-beta-merge на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-jeyctse, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-jeyctse — языковая чат-модель, созданная сообществом слиянием моделей HuggingFaceH4/zephyr-7b-beta и Equall/Saul-Base методом SLERP с помощью mergekit. Это плотная модель Mistral с 7,1 млрд параметров, доступная в формате safetensors и рассчитанная на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоге: ответов на вопросы и выполнения пользовательских инструкций. В метаданных основной язык не задан; базовая Zephyr-7B-β описана как англоязычная чат-модель. Условия лицензирования в предоставленных данных не приведены. Качество и поведение результата слияния могут отличаться от исходных моделей.

Scarlett-Llama-3-8B-v1.0-GGUF — это текстовая генеративная модель на базе Scarlett-Llama-3-8B-v1.0, разработанной ajibawa-2023, представленная в формате GGUF. Данные версии квантизированы bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на работу с английским языком и использует шаблон диалога с системными, пользовательскими и ассистентскими сообщениями. Модель предназначена для генерации текста, включая творческие задачи, обсуждение искусства и философии, романтические сценарии, шутки, советы, программирование и формат виртуального собеседника. Она содержит 8 миллиардов параметров и доступна в вариантах квантизации от Q8_0 до IQ1_S, что позволяет выбирать баланс между качеством, потреблением памяти и скоростью запуска на совместимом оборудовании. Сильной стороной являются разнообразные варианты квантизации: Q6_K, Q5_K_M, Q5_K_S и ряд других обозначены как рекомендуемые и обеспечивают высокое или приемлемое качество при уменьшенном размере. Более компактные варианты подходят для систем с ограниченным объёмом оперативной памяти, но дают заметно более низкое качество. Мультимодальность, размер контекстного окна и дополнительные языки в README не указаны. Лицензия обозначена как llama3; подробные условия следует уточнять в файле LICENSE.

gotchu/season-8-v2-solar — текстовая диалоговая модель, созданная слиянием двух моделей SOLAR-10B: bhavinjawade/SOLAR-10B-OrcaDPO-Jawade и bhavinjawade/SOLAR-10B-Nector-DPO-Jawade. Разработчик применил метод SLERP с помощью mergekit; результат доступен в формате Safetensors и рассчитан на использование через Transformers. Модель предназначена для генерации текста в диалогах и ответов на запросы пользователя. Это плотная авторегрессионная архитектура LlamaForCausalLM с 10,6 млрд параметров и контекстом до 4096 токенов. Карточка не сообщает о специализированных предметных областях или поддержке других модальностей. Лицензия и явные сведения о качестве или ограничениях в предоставленных данных отсутствуют; как у языковой модели, ответы могут быть ошибочными или неподтверждёнными.

SEC-MBX-7B-DPO — языковая модель для диалоговой генерации текста, созданная Arcee AI слиянием через mergekit моделей arcee-ai/sec-mistral-7b-instruct-1.2-epoch и macadeliccc/MBX-7B-v3-DPO методом SLERP. Это плотная архитектура Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель подходит для чат-ботов и генерации ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors; лицензия — Apache 2.0. README не приводит результатов оценки качества или подробных ограничений.

Seed-OSS-36B-Base — базовая языковая модель семейства Seed-OSS, разработанная командой ByteDance Seed. Репозиторий AIArchiveInfo является побайтной архивной копией ByteDance-Seed/Seed-OSS-36B-Base: веса не обучались и не изменялись. Модель содержит 31,7 млрд параметров по метаданным и использует плотную авторегрессионную архитектуру SeedOssForCausalLM с RoPE, GQA, RMSNorm и SwiGLU. Модель предназначена для генерации текста общего назначения, задач рассуждения и длинного контекста, а также для разработки агентных систем. Она рассчитана на международное применение и поддерживает контекст до 524 288 токенов. Вариант Base обучен с синтетическими инструкционными данными в предобучении; это базовая модель, а не отдельная Instruct-версия. Модель распространяется по лицензии Apache-2.0. К сильным сторонам относятся нативная работа с длинным контекстом, настраиваемый бюджет рассуждений и заявленные разработчиком возможности для задач с использованием инструментов. Это текстовая модель: README не сообщает конкретный перечень поддерживаемых языков. Как базовый чекпойнт, она может требовать дополнительной настройки для диалоговых сценариев и прикладного развертывания.

Seed-OSS-36B-Instruct-MLX-6bit — это 6-битная MLX-квантизованная версия инструкционной языковой модели Seed-OSS-36B-Instruct, разработанной ByteDance-Seed. Квантизация предоставлена командой LM Studio с использованием mlx_lm; сама модель предназначена для генерации текста и работы по инструкциям. Модель подходит для локального запуска в сценариях, требующих ответов на естественном языке и выполнения текстовых задач. Она оптимизирована для устройств Apple Silicon благодаря формату MLX. Известно, что модель содержит около 36 миллиардов параметров и использует 6-битное представление, однако сведения о поддерживаемых языках, длине контекста, конкретной архитектуре и доступных модальностях в README не указаны. К сильным сторонам относятся крупный размер базовой модели, инструкционная настройка, снижение требований к памяти за счёт 6-битной квантизации и оптимизация для экосистемы Apple Silicon. Ограничениями являются зависимость от совместимого MLX-окружения и возможная потеря точности по сравнению с полной версией из-за квантизации; количественные характеристики качества и рекомендации по аппаратным требованиям не приведены. В карточке указана лицензия Apache-2.0.

lmstudio-community/Seed-OSS-36B-Instruct-MLX-8bit — 8-битная квантованная версия языковой модели Seed-OSS-36B-Instruct, разработанной ByteDance-Seed. Квантование выполнено командой LM Studio с использованием mlx_lm; модель оптимизирована для запуска на компьютерах Apple Silicon через MLX. Модель предназначена для генерации текста и выполнения инструкций, включая диалоговые и другие задачи, поддерживаемые исходной instruct-моделью. В README указаны архитектурная база Seed-OSS-36B-Instruct, размер 36B параметров, текстовая модальность и 8-битное квантование. Сведения о поддерживаемых языках и размере контекстного окна не приведены. Ключевые преимущества — снижение требований к памяти по сравнению с полноразмерной версией и оптимизация для экосистемы Apple Silicon. Ограничения связаны с зависимостью от совместимого оборудования и MLX, а также с общими рисками генеративных моделей: возможны неточные, вредные или неподходящие ответы. Модель распространяется по лицензии Apache-2.0.

SejongKRX/Sejong-Qwen-v3 — языковая модель, разработанная SejongKRX и дообученная на базе SejongKRX/Sejong-Qwen-v1. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста. Для обучения использовались Unsloth и Hugging Face TRL; длина контекста составляет 131 072 токена. В набор данных вошли материалы Wikipedia, публичные данные Банка Кореи и mlabonne/open-perfectblend. Модель можно применять для диалогов, ответов на вопросы и создания текстов на корейском и английском языках. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия модели — Apache 2.0; условия лицензирования отдельных источников данных различаются.

SelfBioRAG-7B-DPO-Full-SFT-WO-KQA-Golden — плотная языковая модель семейства Llama с 6,6 млрд параметров, дообученная Minbyul на базе Minbyul/selfbiorag-7b-wo-kqa_golden-sft с использованием датасета HuggingFaceH4/ultrafeedback_binarized. Модель предназначена для генерации текста; карточка сообщает результаты оценки с предпочтениями ответов, но не описывает конкретные сценарии применения. Модель принимает текст и генерирует текст, а её нативный контекст составляет 4096 токенов. В репозитории указаны веса в формате safetensors. README не приводит сведения о языках, специальных возможностях или подробных ограничениях модели. Лицензия в предоставленных данных не указана.

Tencent Sequential-Hidden-Decoding-8B-n8-Instruct — дообученная для следования инструкциям и диалогов модель генерации текста на архитектуре Qwen3. Она использует Sequential Hidden Decoding: несколько матриц эмбеддингов для одной последовательности чередуются, формируя расширенную последовательность для обработки тем же трансформером; вариант n=8 имеет масштабирование последовательности 8×. Модель содержит 7,6 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых сценариев и выполнения инструкций. Для инференса требуется версия SGLang с патчами, а также пользовательский код архитектуры из репозитория и параметр trust_remote_code. README указывает тип данных bfloat16 и рекомендует настройки запуска, рассчитанные на стабильность и производительность при обработке расширенных последовательностей. В метаданных базовыми компонентами указаны Qwen/Qwen3-8B-Base и tencent/Sequential-Hidden-Decoding-8B-n8; происхождение классифицировано как слияние. Лицензия обозначена как other, поэтому конкретные условия следует проверять в репозитории модели.

Seraph-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на основе Mistral-7B-Instruct-v0.2, созданная MaziyarPanahi слиянием весов через метод SLERP с моделью Weyaxi/Seraph-7B. Она предназначена для генерации текста в диалоге и выполнения инструкций. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов; принимает текст и выдаёт текст. Слияние сочетает две модели с настройкой коэффициентов для слоёв self-attention и MLP. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Доступные сведения не описывают отдельные тесты качества или специальные предметные области, поэтому результат следует проверять на задачах, где важны точность и надёжность ответов.

chargoddard/servile-harpsichord-cdpo — языковая модель семейства Mistral, разработанная Chargoddard. Это плотная авторегрессионная модель на 7,1 млрд параметров для генерации текста; она обучена на другой случайной выборке тех же наборов данных, что и loyal-piano-m7, а затем дообучена методом cDPO на смеси датасетов RLHF. Модель использует формат запросов Alpaca и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации и следования инструкциям. В обучении использованы наборы данных Orca, суммаризации отзывов, ролевого диалога и предпочтений, включая PKU-SafeRLHF и UltraFeedback. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Severusectum-7B-DPO — языковая модель, созданная объединением моделей FelixChao с помощью mergekit и метода SLERP. В состав объединения вошли FelixChao/Sectumsempra-7B-DPO и FelixChao/WestSeverus-7B-DPO-v2. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM, содержащая 7,1 млрд параметров; веса опубликованы в формате safetensors. Модель предназначена для генерации текста на английском языке. Контекстное окно составляет 32 768 токенов. В README приведены результаты оценок на бенчмарках AI2 Reasoning Challenge и HellaSwag. Репозиторий распространяется по лицензии MIT. Карточка не описывает специализированные области применения или отдельные ограничения качества.

SeverusWestLake-7B-DPO — языковая модель на архитектуре Mistral, созданная объединением моделей FelixChao/Sectumsempra-7B-DPO и cognitivecomputations/WestLake-7B-v2-laser с помощью mergekit и метода SLERP. Модель содержит 7,1 млрд параметров и принимает текст для генерации текста; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых сценариев, ответов на вопросы, написания и продолжения текста, а также задач рассуждения. В README приведены результаты Open LLM Leaderboard, включая средний балл 75,42, но они не гарантируют качество на конкретных прикладных задачах. Языковая поддержка отдельно не описана. Репозиторий распространяется по лицензии MIT.

sfmbaselinefiltered-3k4k5k6k7kweightedavgmerge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. Модели объединены линейным методом; базой слияния служил чекпойнт global_step7000, также участвовали чекпойнты global_step3000, global_step4000, global_step5000 и global_step6000 из серии baseline_filtered. Модель построена на архитектуре GPT-NeoX и предназначена для генерации текста. Она содержит 8,8 млрд параметров, принимает текст и поддерживает контекст до 16 384 токенов. Данных о специализированных языках и прикладных областях нет, поэтому её можно описать только как языковую модель общего назначения. В репозитории указаны веса в формате Safetensors. Лицензия не приведена в доступных данных. Поскольку это объединение чекпойнтов, его качество и поведение могут зависеть от исходных этапов обучения; отдельные результаты оценки в карточке не представлены.

sfm_baseline_filtered-7k_8k_9k_simpleavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная с помощью mergekit методом Linear. В объединение вошли контрольные точки обучения с шагов 7000, 8000 и 9000; контрольная точка global_step9000 использована как базовая. Модель содержит 8,8 млрд параметров, работает через Transformers и сохранена в формате safetensors. Модель предназначена для генерации текста и имеет контекстное окно 16 384 токена. README и метаданные не описывают конкретные сценарии применения, языки или специализированную область, поэтому её следует рассматривать как языковую модель общего назначения. Сведения о лицензии и известных ограничениях в предоставленных данных отсутствуют.

sfm_filtered_e2e_alignment-3k_4k_5k_simpleavg_merge — объединённая языковая модель, созданная методом Linear merge с помощью mergekit из контрольных точек обучения на шагах 3000, 4000 и 5000. В README базовой указана контрольная точка global_step5000; метаданные описывают архитектуру GPT-NeoX и около 8,8 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия; заявленная длина контекста — 16 384 токена. В репозитории указаны веса в формате safetensors и библиотека Transformers. Сведения о языках, специализации и конкретных ограничениях качества в карточке не приведены. Условия лицензирования по предоставленным данным определить нельзя.

sfm_filtered_e2e_alignment-4k_5k_6k_7k_8k_weightedavg_merge — объединение языковых моделей, созданное с помощью mergekit методом Linear. В качестве базовой использована модель на шаге обучения global_step8000; в объединение также вошли чекпойнты global_step4000, global_step5000, global_step6000 и global_step7000 из серии filtered_e2e_alignment. Автор карточки — yuhengtu из ByteDance. Модель имеет плотную архитектуру GPT-NeoX с 8,8 млрд параметров, принимает текст и предназначена для генерации текста и диалогового использования. Нативная длина контекста составляет 16 384 токена. Веса доступны в формате safetensors для библиотеки Transformers. Карточка не приводит сведений о поддерживаемых естественных языках, специализированных областях, оценке качества или конкретных ограничениях поведения. Лицензия в предоставленных данных не указана.

Модель yuhengtu-bytedance/sfm_filtered_e2e_alignment-5k_6k_7k_8k_9k_simpleavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. Разработчик карточки — yuhengtu-bytedance; в слияние вошли контрольные точки обучения с шагов 5 000, 6 000, 7 000, 8 000 и 9 000, а в качестве базовой использована контрольная точка шага 9 000. Применён линейный метод слияния с усреднением. Это плотная авторегрессионная модель семейства GPT-NeoX на 8,8 млрд параметров с контекстом до 16 384 токенов. Она предназначена для генерации текста и диалогового использования; модель принимает текст и выдаёт текст. В репозитории указаны формат safetensors и библиотека Transformers. README не сообщает результаты оценки качества или конкретные предметные специализации. Условия лицензии в предоставленных материалах не приведены.

Модель sfm_filtered_e2e_alignment-9k_10k_11k_weightedavg_merge — объединённая языковая модель, созданная yuhengtu с помощью mergekit. Веса трёх чекпойнтов объединены линейным методом; базовым при слиянии был чекпойнт global_step11000. Модель построена на архитектуре GPT-NeoX и предназначена для генерации текста и диалогового взаимодействия. Она содержит 8,8 млрд параметров, принимает текстовый ввод и поддерживает контекст до 16 384 токенов. В репозитории указаны веса Safetensors и библиотека Transformers. Карточка не описывает специализированные области применения, языковое покрытие или результаты оценки качества, поэтому возможности за пределами генерации текста и чата не следует предполагать. Лицензия в предоставленных данных не указана.

Это объединённая модель для генерации текста, опубликованная пользователем yuhengtu и созданная с помощью mergekit. В карточке указано, что веса получены линейным слиянием нескольких чекпойнтов одной серии, включая версии на шагах обучения 0, 1000, 2000, 3000 и 4000; в качестве базового при слиянии использовался чекпойнт global_step4000. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 16 384 токенов. Она предназначена для генерации текста в диалоговом режиме. Карточка не описывает конкретные языки или специализированные области применения, поэтому модель следует рассматривать как универсальную языковую модель. Возможные ограничения качества, кроме общих для генеративных языковых моделей, в карточке не раскрыты. Лицензия в предоставленных данных не указана.

Это объединённая модель генерации текста, созданная с помощью mergekit методом Linear. В качестве базовой использована контрольная точка global_step3000, а также объединены контрольные точки global_step2000 и global_step1000 из серии filtered_e2e_insert_hyperstition_v1. По метаданным, модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; для работы указана библиотека Transformers и формат safetensors. Модель предназначена для генерации текста и диалогового использования. Заявленная длина контекста составляет 16 384 токена. Сведения о поддерживаемых естественных языках, специализированных областях, оценках качества и ограничениях применения в карточке отсутствуют. Лицензия не указана.

Это объединённая языковая модель, созданная yuhengtu-bytedance с помощью mergekit. В ней линейно объединены контрольные точки обучения filtered_e2e_insert_hyperstition_v1 на шагах 2000, 3000 и 4000; базой при слиянии служила контрольная точка шага 4000. Архитектура — плотная GPT-NeoX с авторегрессионной языковой головой, размер — 8,8 млрд параметров, формат весов — Safetensors, библиотека — Transformers; заявленная длина контекста — 16 384 токена. Модель предназначена для генерации текста и диалогового взаимодействия. Лицензия и сведения о целевых языках в предоставленных данных не приведены. Характеристики качества и специальные ограничения для применения не описаны.

Модель sfm_filtered_e2e_insert_hyperstition_v1-3k_4k_5k_6k_7k_simpleavg_merge — объединение языковых моделей методом Linear merge с помощью mergekit. В качестве базового чекпойнта использован global_step7000, также объединены чекпойнты global_step3000, global_step4000, global_step5000 и global_step6000 из серии filtered_e2e_insert_hyperstition_v1. Это плотная авторегрессионная модель GPT-NeoX с 8,8 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель принимает текст и генерирует текст; заявленный контекст составляет 16 384 токена. В метаданных указана библиотека Transformers, веса представлены в формате safetensors. README не уточняет языковой охват, специализированные области применения и лицензию, поэтому оценить их по доступным данным нельзя.

Это объединённая модель языковой модели, созданная с помощью mergekit методом Linear. В основу объединения вошёл чекпойнт на шаге 7000, также использованы чекпойнты на шагах 3000, 4000, 5000 и 6000 из серии filtered_e2e_insert_hyperstition_v1. Архитектура GPT-NeoX, размер — 8,8 млрд параметров; веса опубликованы в формате safetensors. Модель предназначена для генерации текста и поддерживает диалоговый сценарий. Контекст — до 16 384 токенов. Данные не описывают целевые языки и области применения, поэтому их нельзя определить точнее. Условия лицензии в доступных сведениях не приведены.

Это объединённая модель генерации текста, созданная yuhengtu-bytedance с помощью mergekit. В ней линейно объединены предварительно обученные языковые модели из контрольных точек обучения с шагов 5000, 6000, 7000, 8000 и 9000; базовой при объединении указана контрольная точка global_step9000. Архитектура — плотная GPT-NeoX с 8,8 млрд параметров, веса сохранены в safetensors, нативный контекст составляет 16 384 токена. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не описывает специализированные предметные области, языки или результаты оценки качества, поэтому её пригодность для конкретных задач следует проверять на собственных данных. Лицензия в предоставленных источниках не указана.

Это объединённая модель генерации текста, созданная с помощью mergekit методом Linear из контрольных точек предварительно обученной языковой модели. В качестве базовой использована контрольная точка global_step7000, также в слияние вошли global_step5000 и global_step6000. Архитектура — GPT-NeoX, плотная авторегрессионная модель с 8,8 млрд параметров; файлы модели представлены в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Указанная длина контекста — 16 384 токена. В README и метаданных нет сведений о поддерживаемых естественных языках, специализированных областях или измеренных ограничениях качества. Лицензия в предоставленных данных не описана.

Модель sfm_filtered_e2e_insert_hyperstition_v1-7k_8k_9k_weightedavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. При слиянии использован линейный метод: контрольная точка global_step9000 указана как базовая, а в качестве дополнительных моделей включены global_step7000 и global_step8000. Модель предназначена для генерации текста и диалогового взаимодействия. Она построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и поддерживает контекст длиной до 16 384 токенов. В репозитории указаны веса в формате safetensors и использование библиотеки Transformers. README и метаданные не сообщают о специализации по предметной области, поддерживаемых естественных языках или конкретных ограничениях качества и безопасности. Условия лицензии в предоставленных данных не указаны.

Это объединённая модель генерации текста, созданная с помощью mergekit методом Linear merge из нескольких контрольных точек предварительно обученной языковой модели. В карточке не указана организация-разработчик; размер модели — 8,8 млрд параметров. Она использует архитектуру GPT-NeoX и библиотеку Transformers, поддерживает диалоговый режим и имеет контекст длиной до 16 384 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Сведения о её языках, специализированной области применения и результатах оценки качества отсутствуют. Условия лицензирования в карточке не приведены.

Модель yuhengtu-bytedance/sfm_filtered_e2e_insert_hyperstition_v1-8k_9k_10k_11k_12k_weightedavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. В слияние линейным методом вошли контрольные точки обучения с шагами 8 000, 9 000, 10 000, 11 000 и 12 130; последняя использовалась как базовая для операции слияния. Архитектура GPT-NeoX, плотная авторегрессионная модель примерно на 8,8 млрд параметров с контекстом до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; карточка не указывает специализированную предметную область или языковую специализацию. Репозиторий содержит веса в формате Safetensors и рассчитан на работу с библиотекой Transformers. Лицензия в предоставленных данных не указана.