I.5Создание и редактирование текста

Fischerboot объединил две предварительно обученные языковые модели семейства Llama с помощью SLERP через mergekit: TheDrummer/Llama-3SOME-8B-v1 и VAGOsolutions/Llama-3-SauerkrautLM-8b-Instruct. Результат — плотная авторегрессионная модель для генерации текста и диалогового общения, доступная в формате safetensors и рассчитанная на контекст до 8192 токенов; размер составляет около 7,5 млрд параметров. Модель подходит для ведения диалогов и генерации ответов на текстовые запросы. В составе слияния есть немецко- и англоязычная чат-модель, обученная следованию инструкциям; карточка объединённой модели не уточняет языковой охват результата. Репозиторий не сообщает отдельные результаты оценки качества или подробные ограничения. Лицензия в предоставленных данных не указана.

mergekit-community/mergekit-slerp-mkzyzjw — языковая модель для генерации текста и диалогового общения. Репозиторий создан с помощью mergekit методом SLERP на основе cognitivecomputations/dolphin-2.9-llama3-8b-256k; конфигурация использует 16-битные веса. Модель построена на архитектуре Llama и содержит около 7,5 млрд параметров. Модель принимает текст и генерирует текстовые ответы в формате диалога. В метаданных указано контекстное окно до 524 288 токенов. Карточка описывает слияние слоёв одной и той же базовой модели; отдельные специализированные сценарии применения не заявлены. Лицензия в предоставленных данных не указана.

mergekit-community/mergekit-slerp-ozbsicw — языковая модель, созданная слиянием весов LargeWorldModel/LWM-Text-Chat-1M методом SLERP с помощью mergekit. Это плотная авторегрессионная архитектура LLaMA с 6,6 млрд параметров, предназначенная для генерации текста в сценариях общения и работы с длинным контекстом. Модель принимает текст и выдаёт текст; заявленная длина контекста — до 1 048 576 токенов. В README указаны bf16 и единственная исходная модель; репозиторий содержит веса safetensors и использует библиотеку Transformers. Языки, лицензия и ограничения качества в доступных данных не описаны, поэтому их нельзя уточнить.

mergekit-community/mergekit-slerp-xirdwrw — объединённая языковая модель на архитектуре Llama, созданная сообществом с помощью mergekit. В слиянии методом SLERP использованы anthracite-org/magnum-v3-34b и abacusai/Smaug-34B-v0.1; модель содержит 33,9 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. В конфигурации слияния задан профиль, который сочетает влияние моделей в разных слоях; метаданные также указывают поддержку чата. Модель доступна в формате safetensors и использует библиотеку Transformers. README и метаданные не сообщают лицензию и конкретные результаты оценки качества. Практическое качество ответов и пригодность для отдельных сценариев следует проверять на собственных задачах.

Карточка модели mergekit-community/mergekit-slerp-xlkdlta 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.

Карточка модели mergekit-community/mergekit-slerp-xyweuvi 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.

mergekit-community/mergekit-slerp-zwbqvcb — объединённая методом SLERP языковая модель на 7,1 млрд параметров, созданная сообществом с помощью mergekit из huihui-ai/Qwen2.5-7B-Instruct-abliterated-v2 и maywell/Qwen2-7B-Multilingual-RP. Модель использует архитектуру Qwen2 для генерации текста и диалогов; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Модель подходит для диалоговых ответов и свободной генерации текста, сочетая инструкционную основу Qwen2.5 с мультиязычной разговорной моделью. В метаданных также указана поддержка интерфейса вызова инструментов. Состав моделей и способ слияния подтверждены README; сведений о языках, на которых результат слияния работает наиболее качественно, карточка не даёт. Лицензия в предоставленных данных не указана.

Карточка модели mergekit-community/mergekit-ties-anlytjh на Hugging Face совпадает с карточкой mergekit-community/mergekit-ties-fnacfof, поэтому описание составлено по ней. mergekit-community/mergekit-ties-fnacfof — языковая модель на архитектуре Llama, созданная сообществом с помощью слияния TIES. В объединении использованы NousResearch/Llama-2-7b-hf в качестве базовой модели, а также microsoft/Orca-2-7b и arcee-ai/Patent-Instruct-7b. Модель содержит 6,6 млрд параметров, распространяется в формате Safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев, сочетая возможности включённых в слияние моделей. Карточка не уточняет отдельные преимущества, целевые языки или специализированные сценарии; базовая модель описана как англоязычная. Лицензия в предоставленных данных не указана.

mergekit-community/mergekit-ties-fnacfof — языковая модель на архитектуре Llama, созданная сообществом с помощью слияния TIES. В объединении использованы NousResearch/Llama-2-7b-hf в качестве базовой модели, а также microsoft/Orca-2-7b и arcee-ai/Patent-Instruct-7b. Модель содержит 6,6 млрд параметров, распространяется в формате Safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев, сочетая возможности включённых в слияние моделей. Карточка не уточняет отдельные преимущества, целевые языки или специализированные сценарии; базовая модель описана как англоязычная. Лицензия в предоставленных данных не указана.

Карточка модели mergekit-community/mergekit-ties-polycrr на Hugging Face совпадает с карточкой mergekit-community/mergekit-ties-fnacfof, поэтому описание составлено по ней. mergekit-community/mergekit-ties-fnacfof — языковая модель на архитектуре Llama, созданная сообществом с помощью слияния TIES. В объединении использованы NousResearch/Llama-2-7b-hf в качестве базовой модели, а также microsoft/Orca-2-7b и arcee-ai/Patent-Instruct-7b. Модель содержит 6,6 млрд параметров, распространяется в формате Safetensors и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев, сочетая возможности включённых в слияние моделей. Карточка не уточняет отдельные преимущества, целевые языки или специализированные сценарии; базовая модель описана как англоязычная. Лицензия в предоставленных данных не указана.

Это диалоговая языковая модель на архитектуре Llama, полученная методом TIES слиянием модели Hjgugugjhuhjggg/mergekit-ties-bkbuzsr и huihui-ai/Llama-3.2-3B-Instruct-abliterated. Она предназначена для генерации текста и ответов в чате; метаданные также отмечают интерфейс для вызова инструментов. Модель содержит 3,2 млрд параметров, принимает текст и выдаёт текст. Указанный нативный контекст составляет 131 072 токена. Модель опубликована в формате safetensors и рассчитана на использование через Transformers. Базовая модель Llama-3.2-3B-Instruct-abliterated описана в каталоге как диалоговая модель с ослабленными отказами. README указывает слияние в формате float16 с помощью mergekit и метода TIES. Лицензия в предоставленных данных не указана.

Merge-Mixtral-Prometheus-8x7B — языковая модель для генерации текста и диалогов, созданная объединением моделей prometheus-eval/prometheus-8x7b-v2.0 и mistralai/Mixtral-8x7B-Instruct-v0.1 с помощью LazyMergekit. Для слияния использован линейный метод с равными весами; архитектура Mixtral — модель типа Mixture of Experts с классом MixtralForCausalLM. Репозиторий содержит веса в формате safetensors. Модель подходит для генерации ответов на запросы и диалогового взаимодействия, а также может применяться для оценивания ответов в сценариях, связанных с Prometheus. Заявленная длина контекста составляет 32 768 токенов, размер — 7,1 млрд параметров. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH. Лицензия — Apache-2.0.

MergerixShadowm7exp-7B — созданная Maxime Labonne объединённая модель для генерации текста. Она построена слиянием SLERP двух моделей: MiniMoog/Mergerix-7b-v0.3 и mahiatlinux/ShadowM7EXP-7B; архитектура — MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель подходит для генерации продолжений и диалоговых ответов. В README приведена конфигурация слияния, но нет отдельных результатов оценки качества или рекомендаций по специализированным сценариям. Распространяется по лицензии Apache-2.0.

Merlinite-7B-Lab — диалоговая языковая модель IBM Research на архитектуре Mistral, дообученная методом LAB на синтетических данных, созданных с помощью Mixtral-8x7B-Instruct. Модель насчитывает 7,1 млрд параметров, принимает текст и генерирует текст; её контекстное окно — 32 768 токенов. Основной язык — английский. Модель предназначена для диалогов и выполнения разнообразных инструкций: ответов на вопросы, рассуждений, творческого письма и задач на знания и навыки. Метод LAB использует таксономию примеров для генерации обучающих данных и поэтапное обучение с буферами повторного воспроизведения, чтобы добавлять знания и навыки к базовой модели. Модель распространяется по лицензии Apache 2.0. В README отмечено, что модель не проходила выравнивание по человеческим предпочтениям и может выдавать проблемные или вымышленные ответы. Рекомендуется использовать системный промпт, применённый при обучении; модель не следует считать единственным источником для важных решений.

Merlinite-7B-pt — англоязычная диалоговая модель IBM Research на архитектуре Mistral, содержащая 7,1 млрд параметров и принимающая контекст длиной до 32 768 токенов. Она создана на базе mistralai/Mistral-7B-v0.1: сначала прошла дообучение на инструкциях методом SFT с использованием LAB, затем была настроена на предпочтения с помощью AI-обратной связи и итеративного отбора ответов. Для оценки предпочтений применялись DPO log-ratio оценки Mixtral-8x7B-Instruct-v0.1. Модель предназначена для диалогов, следования инструкциям, ответов на вопросы, объяснений и помощи в решении задач на английском языке. В карточке сообщается о результате 7,96 на MT-Bench; среднее значение за пять запусков — 7,85. Модель выдаёт текст, а её единственный pipeline-тег — text-generation. Модель распространяется под лицензией Apache 2.0. Настройка предпочтений не была специально направлена на обеспечение безвредности; сохраняются ограничения базовой модели, включая риск галлюцинаций и генерации вредоносного или вводящего в заблуждение текста. Не следует полагаться на её ответы при принятии важных решений без проверки.

Meta-Llama-3.1-8B-Claude-GGUF — набор GGUF-квантизаций модели Meta-Llama-3.1-8B-Claude, базовой моделью которой указана Undi95. Квантизации подготовлены bartowski с использованием llama.cpp версии b3472 и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через LM Studio; для работы используется формат промпта Llama 3 с ролями system, user и assistant. Доступны варианты от полных весов F32 размером 32,13 ГБ до низкобитных IQ2_M размером 2,95 ГБ. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и другие; более высокие уровни квантизации обеспечивают лучшее качество, а низкие требуют меньше оперативной памяти, но могут заметно снижать качество генерации. В README не указаны архитектурные детали исходной модели, поддерживаемые языки, размер контекста, модальности или лицензия, поэтому эти характеристики нельзя достоверно определить.

GPT4All-Community/Meta-Llama-3.1-8B-Instruct-128k-GGUF — это конвертированная и квантизированная GGUF-версия Meta-Llama-3.1-8B-Instruct. Модель подготовлена пользователем 3Simplex для использования в GPT4All; для работы требуется GPT4All версии 3.1.1 или новее. Базовая модель разработана Meta, однако в README не указаны дополнительные сведения о разработчике исходной модели. Модель предназначена для генерации текста и диалоговых сценариев с системными и пользовательскими сообщениями. Заявлена длина контекста до 131 072 токенов, что позволяет обрабатывать длинные документы и продолжительные диалоги. Известно, что модель содержит 8 миллиардов параметров и использует инструкционную настройку, но сведения о поддерживаемых языках и модальностях отсутствуют. К преимуществам относятся большой контекст и возможность локального использования через GPT4All. Модель не является официально курируемой и поддерживаемой Nomic: в README указано, что требуется дополнительное тестирование и обратная связь, поэтому качество и стабильность следует оценивать в конкретных задачах. Лицензия обозначена как llama3.1; перед использованием необходимо ознакомиться с её условиями.

Meta-Llama-3.1-8B-Instruct-abliterated-GGUF — набор GGUF-квантизаций инструкционной языковой модели объёмом 8 млрд параметров, основанной на mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp или LM Studio. Доступны варианты от полноточного F32 до компактных форматов Q2 и IQ3, с размерами файлов примерно от 3,66 до 32,13 ГБ. В README приведён специальный шаблон промпта Llama 3.1 с ролями system, user и assistant. Более высокие разрядности обеспечивают лучшее качество, тогда как низкоразрядные варианты снижают требования к оперативной памяти ценой качества; Q4_K_M обозначен как вариант стандартного размера, а Q5–Q6 — как рекомендуемые для высокого качества. Модель подходит для локального использования на совместимом оборудовании, однако конкретные языки, размер контекстного окна, архитектурные детали и результаты тестирования в README не указаны. Условия распространения определяются лицензией llama3.1.

Meta-Llama-3.1-8B-Instruct-GGUF — это набор квантизированных файлов модели Meta Llama 3.1 8B Instruct в формате GGUF, опубликованный пользователем pek111 на основе модели Meta. Модель предназначена для генерации текста, диалоговых и conversational-сценариев, работы через llama.cpp и совместимые графические интерфейсы и библиотеки. Она использует шаблон чата Llama 3 и поддерживает английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель имеет 8 миллиардов параметров; точная архитектура и размер контекста в README не указаны. Доступны варианты квантизации Q2_K, Q3_K, Q4_0, Q4_K, Q5_0 и Q6_K с размером файлов примерно от 2,95 до 5,21 ГБ в представленных вариантах. Квантизация позволяет запускать модель локально с меньшими требованиями к памяти, однако более компактные варианты могут заметно терять в качестве; в README рекомендован вариант Q4_K_M как баланс размера и качества. Формат GGUF поддерживает метаданные и специальные токены и совместим с llama.cpp и рядом сторонних приложений. Модель подходит для локальных чат-ботов, генерации текста и интеграции через локальные серверы и библиотеки. Ограничения включают компромисс между размером и качеством при квантизации, а также отсутствие в README подробных данных о производительности, безопасности и качестве по языкам. Указана лицензия llama3.1.

Модель nicolepcx/Meta-Llama-3.1-8B-Instruct-tiny разработана nicolepcx и представляет собой дообученную инструктивную модель семейства Llama 3.1 с плотной архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. В качестве основы указана unsloth/meta-llama-3.1-8b-instruct-bnb-4bit; для обучения использовались Unsloth и библиотека TRL. Модель предназначена для генерации текста в диалоговом формате и выполнения инструкций; интерфейс также поддерживает вызов инструментов. Метаданные указывают английский язык и контекстное окно до 131 072 токенов. Репозиторий содержит веса safetensors, а лицензия — Apache-2.0.

Это набор GGUF-квантизаций модели Meta-Llama-3-8B-Instruct-abliterated-v3, опубликованный и подготовленный к квантизации пользователем bartowski. Исходная модель разработана failspy. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через llama.cpp; в README указан специальный формат prompt на основе шаблона Meta Llama 3 с ролями system, user и assistant. Модель относится к семейству 8B и поставляется в форматах GGUF с различными вариантами квантизации: от Q8_0 до Q2_K и IQ2/IQ3/IQ4. Для квантизации использовался llama.cpp release b3024 и метод imatrix. Более крупные варианты, например Q8_0, обеспечивают максимально доступное качество, тогда как Q6_K, Q5_K_M, Q5_K_S и Q4_K_M обозначены как рекомендуемые; варианты с меньшим размером требуют меньше памяти, но заметно уступают по качеству. README не содержит сведений о поддерживаемых языках, размере контекста, точной архитектуре, результатах тестирования или мультимодальных возможностях, поэтому модель следует рассматривать как текстовую. Условия использования указаны как лицензия llama3. Конкретные требования к аппаратному обеспечению зависят от выбранного файла квантизации и его размера.

Meta-Llama-3-8B-Instruct-BPE-fix-GGUF — это GGUF-версия инструкционной языковой модели Meta-Llama-3-8B-Instruct, разработанной Meta. Модель предназначена для генерации текста и выполнения инструкций в сценариях диалоговых ассистентов, ответов на вопросы, написания и преобразования текста. В карточке указаны английский язык и задача text-generation; поддержка других языков не заявлена. Известно, что модель относится к семейству Llama 3 и содержит 8 миллиардов параметров. Формат GGUF ориентирован на локальный запуск с совместимыми инструментами инференса, а суффикс BPE-fix указывает на вариант с исправлением, связанным с токенизацией BPE, однако подробности этого исправления в README не приведены. Сведения о размере контекста, точной архитектуре, модальностях, производительности и ограничениях качества отсутствуют. Модель распространяется по лицензии Meta Llama 3 Community License. Лицензия разрешает использование, воспроизведение, распространение, создание производных работ и модификацию на установленных условиях. При распространении материалов или продуктов необходимо включать текст лицензии, указывать «Built with Meta Llama 3», сохранять требуемое уведомление об авторских правах и соблюдать Acceptable Use Policy. Для организаций и продуктов с более чем 700 миллионами ежемесячных активных пользователей предусмотрено получение отдельной лицензии Meta.

Meta-Llama-3-8B-Instruct-GGUF — языковая модель для генерации текста, созданная Meta и представленная сообществом lmstudio-community в формате GGUF. Она основана на Meta-Llama-3-8B-Instruct и предназначена для диалоговых приложений, ответов на вопросы, следования инструкциям и других задач текстовой генерации. Указан английский язык и тип применения text-generation. Модель имеет 8 миллиардов параметров и относится к семейству Llama 3. В предоставленных данных не указаны точная архитектура, размер контекстного окна, доступные варианты квантования и дополнительные модальности, поэтому эти характеристики нельзя определить надёжно. Формат GGUF ориентирован на локальный запуск совместимыми средствами, включая приложения класса LM Studio. Модель может быть полезна для локальных текстовых помощников и других сценариев, где требуется выполнение инструкций на английском языке. Ограничения включают неизвестные параметры производительности, отсутствие подтверждённых мультиязычных возможностей и потенциальные ошибки или нежелательные ответы, характерные для генеративных языковых моделей. Использование регулируется Meta Llama 3 Community License: при распространении материалов или продуктов необходимо соблюдать условия лицензии, требования к атрибуции, Acceptable Use Policy и прочие ограничения Meta.

Meta-Llama-3-8B-Instruct-GGUF-special-tokens — инструкционная языковая модель семейства Llama 3, разработанная Meta и представленная в формате GGUF пользователем bartowski. Она предназначена для генерации текста и выполнения инструкций в диалоговых и прикладных сценариях, включая ответы на вопросы, написание и преобразование текста, а также другие задачи обработки естественного языка. Суффикс special-tokens указывает на вариант с поддержкой специальных токенов, однако подробности преобразования в GGUF в README не приведены. Известно, что модель ориентирована на английский язык и относится к классу text-generation. Размер модели — 8B параметров; архитектура Llama 3, точная конфигурация контекста и сведения о модальностях в представленном README не указаны. Модель является текстовой, поэтому описание мультимодальных возможностей отсутствует. Вариант GGUF обычно предназначен для локального запуска совместимыми средствами, но конкретные требования к оборудованию и производительности не приведены. Модель может быть полезна благодаря инструкционной настройке и относительно компактному размеру по сравнению с более крупными моделями, однако качество и применимость зависят от используемой сборки и сценария. Ограничения включают отсутствие подтверждённых сведений о поддерживаемых языках помимо английского, контекстном окне, квантовании, бенчмарках и безопасностных характеристиках. Распространение и использование регулируются Meta Llama 3 Community License: необходимо соблюдать условия лицензии, Acceptable Use Policy и требования к атрибуции, включая указание «Built with Meta Llama 3» при соответствующих формах распространения.

Модель thewordsmiths/Meta-Llama-3-8B_sft_merged_100000_dpo_merged — дообученная версия Meta-Llama-3-8B от разработчика thewordsmiths. Это плотная авторегрессионная модель семейства Llama для генерации текста; в карточке указано обучение с помощью Unsloth и Hugging Face TRL. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. В метаданных указан английский язык. Модель подходит для генерации продолжений и ответов на текстовые запросы. Она распространяется под лицензией Apache-2.0. Карточка не описывает конкретные улучшения, специализированные сценарии или результаты оценки качества.

MetaMath-Tulpar-7b-v2-Slerp-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.2 и Weyaxi/MetaMath-Tulpar-7b-v2-Slerp. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и ответов на инструкции в диалоговом формате. Контекст составляет до 32 768 токенов. Модель принимает текст и выдаёт текст; метаданные указывают на диалоговые возможности. Лицензия — Apache-2.0. В карточке не приведены оценки качества или отдельные ограничения, поэтому пригодность для конкретных сценариев стоит проверять на собственных примерах.

MetaModel — разговорная языковая модель на архитектуре Llama, созданная автором репозитория gagan3012 путём слияния моделей jeonsworld/CarbonVillain-en-10.7B-v4 и kekmodel/StopCarbon-10.7B-v5 с помощью mergekit и метода SLERP. Модель содержит 10,6 млрд параметров и распространяется в формате safetensors; для генерации текста указан контекст длиной 4096 токенов. Модель предназначена для диалогов и генерации текста. В README приведены результаты оценки на Open LLM Leaderboard, включая тесты ARC и HellaSwag. Репозиторий лицензирован по Apache-2.0.

Это модель оценки читаемости текста, разработанная OpenDataLab и представленная в работе Meta-rater: A Multi-dimensional Data Selection Method for Pre-training Language Models. Она дообучена на ModernBERT-base и присваивает тексту непрерывную оценку от 0 до 5 по признакам ясности, связности, сложности словаря, структуры предложений, грамматики и пунктуации. Модель содержит 149 млн параметров, использует архитектуру ModernBERT для классификации последовательностей и принимает текст длиной до 8192 токенов согласно метаданным репозитория. Модель предназначена для проверки и отбора текстов, оценки учебных материалов, поддержки редактирования и улучшения веб-контента. В карточке указаны F1 87,47% и точность 94,13%, однако методика и набор оценки не описаны в предоставленных сведениях. Модель рассчитана прежде всего на английский язык; по карточке, она не оценивает тематику текста и его длину. Лицензия — MIT.

MFANN3b-SFT — слитая языковая модель семейства Phi, опубликованная netcat420. Она объединяет liminerity/Phigments12, netcat420/MFANN-liminerity-slerp-4a и netcat420/MFANN3b-Rebase методом TIES с помощью mergekit; базовой моделью при слиянии служила liminerity/Phigments12. Модель содержит 3,5 млрд параметров, использует плотную архитектуру PhiForCausalLM и формат safetensors с точностью float16. Модель предназначена для генерации текста. Метаданные указывают контекстное окно до 131 072 токенов; карточка не описывает конкретные сценарии применения или поддерживаемые языки. Указана библиотека Transformers. В карточке нет сведений о результатах оценки качества или известных ограничениях, поэтому пригодность для конкретных задач следует проверять отдельно. Лицензия в предоставленных данных не указана.

MFANNv0.15.10 — диалоговая языковая модель, созданная netcat420 слиянием TIES через mergekit. В основе лежит MaziyarPanahi/Llama-3-8B-Instruct-v0.4; в слияние также вошли netcat420/MFANNv0.15 и netcat420/MFANNv0.14. Модель построена на архитектуре Llama, содержит около 7,5 млрд параметров и использует формат Safetensors. Модель предназначена для генерации текста и диалоговых ответов ассистента. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет 32 768 токенов. Карточка не уточняет языковой охват или специализированные предметные области, поэтому модель следует рассматривать как общую диалоговую модель. Лицензия и конкретные ограничения применения в предоставленных данных не описаны.