I.5Создание и редактирование текста

zelk12 создал эту модель, объединив методом SLERP две предварительно обученные языковые модели с помощью mergekit: zelk12/MT3-Gen5-GP-gemma-2-RAv0.1E-9B и zelk12/MT3-Gen5-MM-gemma-2-MT2Av4d-9B. Это плотная Gemma 2 с 9 млрд параметров для генерации текста и диалогов; модель рассчитана на текстовый ввод и текстовый вывод, а её контекст составляет 8192 токена. Модель подходит для диалоговых приложений и творческого письма. В карточке не приведены сведения о поддерживаемых естественных языках и результаты оценки качества, поэтому не следует предполагать конкретные языковые преимущества или гарантировать качество ответов. Репозиторий распространяет веса в формате Safetensors; лицензия в предоставленных данных не указана.

zelk12 создал эту диалоговую модель с помощью mergekit, объединив SLERP-методом две предварительно обученные модели Gemma 2: recoilme/recoilme-gemma-2-9B-v0.3 и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25. Модель имеет плотную архитектуру Gemma 2, содержит 9 млрд параметров и предназначена для генерации текста в диалогах и при выполнении инструкций. Модель работает с текстом, поддерживает чат и имеет контекст до 8192 токенов. Данные не подтверждают поддержку конкретных естественных языков или специализированных предметных областей. Использование зависит от лицензии базовых моделей; сведения о лицензии в предоставленной карточке отсутствуют.

zelk12/MT3-MU-gemma-2-Rv0.3AR-9B — слитая разговорная языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из lemon07r/Gemma-2-Ataraxy-Remix-9B и recoilme/recoilme-gemma-2-9B-v0.3. Модель содержит 9 млрд параметров, принимает текстовые запросы и генерирует текст; поддерживает диалоговый сценарий. Максимальная длина контекста составляет 8192 токена. Модель подходит для ведения диалога и генерации ответов на текстовые запросы. README и метаданные не описывают отдельные специализации или оценки качества. Файлы опубликованы в формате safetensors для библиотеки Transformers. Лицензия в предоставленных данных не указана.

zelk12 создал разговорную модель MT4-Gen5-BB-gemma-2-MT3g4MT3g2-9B, объединив методом SLERP предварительно обученные модели zelk12/MT3-Gen4-gemma-2-9B и zelk12/MT3-Gen2-gemma-2-9B. Это плотная авторегрессионная языковая модель семейства Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 8192 токена. Модель доступна в формате safetensors для библиотеки Transformers и помечена как разговорная. Данных о лицензии и поддерживаемых естественных языках в предоставленных сведениях нет.

zelk12/MT4-GMA-gemma-2-9B — языковая модель, созданная разработчиком zelk12 слиянием двух предварительно обученных моделей с помощью mergekit и метода SLERP. Это плотная модель Gemma 2 с 9 млрд параметров для генерации текста и диалогового использования; она принимает текст и выдаёт текст. Контекст составляет 8192 токена, модель рассчитана на работу через Transformers и распространяется в формате safetensors. Модель предназначена для генерации ответов в диалоге и других задач генерации текста. README не описывает специализированные области применения или поддерживаемые естественные языки, поэтому определить их по карточке нельзя. Модель объединяет zelk12/MT4-GP-gemma-2-RIv0.1RGDv0.1-9B и zelk12/MT4-MA-gemma-2-RPMHv0.1RGDv0.1-9B; лицензия в предоставленных данных не указана.

zelk12/MT4-MU-gemma-2-Rv0.4RGDv0.1-9B — объединённая языковая модель семейства Gemma 2, созданная с помощью mergekit методом SLERP из recoilme/recoilme-gemma-2-9B-v0.4 и zelk12/recoilme-gemma-2-Gutenberg-Doppel-9B-v0.1. Модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и предназначена для генерации текста и диалоговых ответов. Модель принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка не описывает специализированные предметные области, языки, сравнительные качества или ограничения, поэтому применимость к конкретным сценариям следует оценивать отдельно. Дата публикации на Hugging Face — 2024-10-16. Условия лицензии в предоставленных данных не приведены.

Это дообученная версия модели emilstabil/mt5-base-finetuned-test_30483_prefix_summarize на основе архитектуры mT5 с примерно 291,2 млн параметров. По названию базовой модели и оценке ROUGE на тестовом наборе модель предназначена для суммаризации текста; в README приведены значения ROUGE-1 26,765, ROUGE-2 7,4581, ROUGE-L 17,0907 и ROUGE-Lsum 24,6176. Модель принимает текст и генерирует текстовое резюме. Базовая модель связана с задачей суммаризации, однако сведения о языках, контексте, обучающих данных и предполагаемых сценариях применения не приведены. Модель распространяется по лицензии Apache-2.0.

zelk12 создал эту разговорную языковую модель как слияние двух предварительно обученных моделей Gemma 2 9B с помощью метода SLERP и инструмента mergekit. Модель предназначена для генерации текста в диалоговом формате и поддерживает контекст до 8192 токенов. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и распространяется в формате safetensors для библиотеки Transformers. В карточке не описаны специальные области применения и языковой охват. Лицензия в предоставленных данных не указана.

zelk12/MT5-Gen5-GP-gemma-2-Av4dMTg2-9B — слитая с помощью mergekit методом SLERP языковая модель на архитектуре Gemma 2 с 9 млрд параметров. В состав вошли lemon07r/Gemma-2-Ataraxy-v4d-9B и zelk12/MT-Gen2-gemma-2-9B; конфигурация указывает lemon07r/Gemma-2-Ataraxy-v4d-9B как базовую модель. Репозиторий содержит веса в формате safetensors, а библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогов, а краткое описание базовой модели указывает на творческое письмо и создание историй. Она принимает текст и генерирует текст; размер контекста — 8192 токена. В карточке и метаданных не приведены подтверждённые сведения о языках или лицензии, поэтому их нельзя уточнить.

zelk12/MT-Gen2-gemma-2-9B — объединённая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из zelk12/MT-Gen2-MUB-gemma-2-9B и zelk12/MT-Gen2-GIMMMA-gemma-2-9B. Модель разработана для генерации текста и диалогового общения; число параметров составляет 9 млрд, базовый формат весов — safetensors, контекст — до 8192 токенов. Модель подходит для генерации ответов и продолжения текста в чат-сценариях. В README приведены результаты оценивания Open LLM Leaderboard, включая IFEval и BBH, но этих результатов недостаточно, чтобы определить сильные стороны в конкретных прикладных областях. README также ссылается на статические сборки GGUF, предоставленные mradermacher. Лицензия и поддерживаемые естественные языки в предоставленных данных не указаны. Возможности и качество могут отличаться от исходных моделей после слияния; контекст ограничен 8192 токенами.

MT-Gen3-gemma-2-9B-Flip — объединённая языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из zelk12/MT-Gen3-GB-gemma-2-9B и zelk12/MT-Gen3-IMMMUMA-gemma-2-9B. Модель содержит 9 млрд параметров, доступна в формате safetensors и рассчитана на генерацию текста и диалоговое взаимодействие с контекстом до 8192 токенов. Модель можно использовать для генерации ответов в чате и других задач продолжения текста. Сведений о специализации по языкам или прикладным областям в карточке нет. Лицензия в предоставленных данных не указана.

zelk12/MT-Gen4-MA-gemma-2-S5Sv1IBT-9B — объединённая методом SLERP модель семейства Gemma 2, созданная с помощью mergekit на основе allknowingroger/GemmaSlerp5-10B и gmonsoon/SahabatAI-Lion-9B-TIES-v1. Модель содержит 9 млрд параметров, использует архитектуру Gemma2ForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев. Её можно использовать для ответов на вопросы, ведения беседы и генерации текста по инструкциям; базовая модель ориентирована на языки Юго-Восточной Азии и английский. Контекстное окно — 8192 токена. В доступных сведениях лицензия не приводится.

zelk12/MT-GP-gemma-2-RAt0.75v0.1RAv0.1-9B — слияние двух предварительно обученных языковых моделей Gemma 2, созданное с помощью mergekit методом SLERP. Модель имеет плотную архитектуру Gemma2ForCausalLM и 9 млрд параметров; веса представлены в safetensors. В метаданных указана поддержка диалогового режима, генерации текста и контекст длиной до 8192 токенов. Модель подходит для диалогов, выполнения инструкций и генерации текста. README указывает только способ слияния и исходные модели, поэтому более узкие специализации и подтверждённые преимущества не заявлены. Лицензия в предоставленных сведениях не указана.

zelk12/MT-Merge2-gemma-2-9B — языковая модель семейства Gemma 2, объединённая автором репозитория с помощью mergekit. В слияние SLERP вошли zelk12/MT-Merge2-MAMM-gemma-2-9B и zelk12/MT-Merge2-MUBIG-gemma-2-9B; размер модели — 9 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации текста и диалогового общения. Её можно применять для составления ответов, ведения беседы и генерации текстовых продолжений. Контекст составляет 8192 токена. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH; подтверждений поддержки конкретных языков или специализированных областей в доступных данных нет. Лицензия в карточке не указана.

zelk12/MT-Merge2-MAMM-gemma-2-9B — объединённая модель для генерации текста и диалогового общения, построенная на архитектуре Gemma 2. Она создана с помощью mergekit методом SLERP из двух моделей: zelk12/MT-Merge2-MM-gemma-2-MT2g2MTg2-9B и zelk12/MT-Merge2-MA-gemma-2-MT4g2MTg2-9B. Модель содержит 9 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — до 8192 токенов. В метаданных указаны поддержка чата и библиотека Transformers. README описывает объединение предварительно обученных языковых моделей, но не уточняет их специализацию или языки. Лицензия модели в предоставленных данных не указана. Карточка описывает способ создания модели, но не приводит оценок качества или подробных ограничений применения.

zelk12/MTM-Merge-MA-gemma-2-MTM4MTM5-9B — разговорная языковая модель на архитектуре Gemma 2, созданная слиянием двух предварительно обученных моделей: zelk12/MT-Merge4-gemma-2-9B и zelk12/MT-Merge5-gemma-2-9B. Для слияния применён метод SLERP с параметром t=0,25; веса представлены в формате safetensors, модель рассчитана на работу через библиотеку Transformers. Модель предназначена для генерации текста и диалоговых сценариев. Она содержит 9 млрд параметров и поддерживает контекст до 8192 токенов. Сведения о конкретных языках и специализированных предметных областях в использованных источниках отсутствуют.

Multilingual-mistral — языковая модель для генерации текста и диалогов, созданная автором gagan3012. Это модель архитектуры Mixtral с механизмом смеси экспертов (MoE), полученная объединением моделей через mergekit. В состав объединения входят OpenChat, Zefiro, Starstreak, Mistral Arabic DPO, KoMT, OpenBuddy, Open Aditi и SauerkrautLM. Модель предназначена для генерации текста и общения в многоязычных сценариях. В карточке указаны размер 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные отмечают поддержку чата. Название и набор базовых моделей указывают на мультиязычную направленность, однако конкретный перечень поддерживаемых языков не приведён.

Muse-Glimmer-30B-GGUF — квантизированная версия мультимодальной модели Muse-Glimmer-30B, разработанной meta-models и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для генерации и анализа текста, а также обработки изображений при использовании дополнительного файла mmproj, поэтому подходит для текстовых и текстово-визуальных сценариев. Поддерживается MTP, однако подробности архитектуры, языков и размера контекстного окна в карточке не указаны. Модель содержит около 30 млрд параметров и доступна в вариантах от BF16 до низкобитных квантований Q2 и IQ3. Квантизации выполнены с использованием llama.cpp и imatrix; варианты отличаются размером файла, качеством и требованиями к оперативной памяти. В качестве сбалансированного варианта рекомендуется Q4_K_M размером около 17,31 ГБ, а Q5 и Q6 позиционируются как более качественные, но более ресурсоёмкие. Низкобитные варианты позволяют работать при ограниченных ресурсах, но могут заметно терять в качестве. Для использования необходим совместимый рантайм llama.cpp или другое ПО с поддержкой GGUF; для обработки изображений требуется mmproj-файл. Модель распространяется по лицензии Apache-2.0.

Muse-Glimmer-30B-OptiQ-4bit — мультимодальная модель для работы с текстом и изображениями, разработанная сообществом mlx-community на базе meta-models/Muse-Glimmer-30B. Она предназначена для локального запуска на компьютерах Apple Silicon через MLX и подходит для анализа изображений, генерации текста, рассуждений, решения математических задач, извлечения информации из длинного контекста, следования инструкциям, вызова инструментов и генерации кода. Модель содержит около 30 млрд параметров и 52 decoder-слоя. Языковая часть использует чувствительно-ориентированное смешанное квантование 4/8-bit: 169 слоёв работают в 4-bit, 248 — в 8-bit. Vision tower сохраняется в формате bf16 в отдельном sidecar-файле. Объём на диске составляет около 18,6 ГБ для языковой части и 3,8 ГБ для визуальной. Поддерживаются текстовая и визуальная модальности; конкретный набор языков в README не указан. Архитектура использует gated attention, sliding window размером 2048 в трёх слоях и NoPE в 13 глобальных слоях. К сильным сторонам относятся локальная работа без PyTorch и облачных сервисов, сохранение визуальной части в bf16, высокая оценка OptiQ Capability Score — 87,36, а также идеальный результат на тесте извлечения из длинного контекста HashHop. Ограничения включают требовательность к объёму памяти и необходимость специального стека mlx-optiq, поскольку стандартный mlx-lm не знает архитектуру модели. Для корректного использования также требуется учитывать раздельные каналы рассуждений и финального ответа. Модель распространяется по лицензии Apache-2.0.

RadixArk/Muse-Glimmer-q4km-gs128-MLX — текстовая версия Muse Glimmer для устройств Apple Silicon, подготовленная RadixArk в формате MLX. Это перепаковка весов из GGUF-релиза Muse Glimmer 30B: коды квантования сохранены, а масштабы групп представлены в формате MLX. Модель имеет плотную архитектуру Muse Glimmer примерно на 27 млрд параметров и контекст до 131 072 токенов; карточка указывает поддержку чата и интерфейса вызова инструментов. Модель предназначена для генерации текста и диалогового использования, включая сценарии с вызовом инструментов. README рекомендует запускать её через MLX-бэкенд SGLang на Mac с Apple Silicon и не менее чем 48 ГБ объединённой памяти. В README приведены результаты GSM8K и CIMemories, полученные на одной конфигурации оборудования; для CIMemories указано, что оценка проведена в одном испытании. Модель принимает и выдаёт только текст; путь обработки изображений в MLX-бэкенде отсутствует. Это квантованная производная модель на основе meta-models/Muse-Glimmer-30B-GGUF. Сведения о лицензии в предоставленных данных отсутствуют.

MVP — модель генерации естественного языка, представленная Tianyi Tang, Junyi Li, Wayne Xin Zhao и Ji-Rong Wen в работе «MVP: Multi-task Supervised Pre-training for Natural Language Generation». Она предварительно обучена с учителем на смеси размеченных наборов данных и использует стандартную архитектуру Transformer encoder-decoder. Модель предназначена для генерации текста и может адаптироваться к суммаризации, преобразованию данных в текст, диалогу, созданию историй, ответам и генерации вопросов, а также перефразированию и упрощению текста. MVP также можно адаптировать к задачам понимания языка, включая классификацию последовательностей и извлекающий вопросно-ответный поиск. Карточка указывает поддержку английского языка и контекст до 1024 токенов. Модель доступна в формате PyTorch по лицензии Apache 2.0. Указанные сценарии описывают возможности адаптации; качество для каждой конкретной задачи зависит от используемой версии или дообучения.

MyAwesomeModel — модель семейства BERT от пользователя bench-induction-ai на Hugging Face, помеченная для извлечения признаков. Метаданные указывают архитектуру BertModel, библиотеку Transformers, формат PyTorch и лицензию MIT. Это позволяет использовать её для получения векторных представлений текста и последующих задач классификации или поиска.

MyAwesomeModel — языковая модель, опубликованная в репозитории mcptester0606/MyAwesomeModel-TestRepo. Разработчик явно не указан. Модель реализована на базе библиотеки Transformers и ориентирована на задачи рассуждения, понимания и генерации текста, включая математику, программирование, логику, ответы на вопросы, классификацию, анализ тональности, суммаризацию, перевод, диалоговую генерацию и следование инструкциям. Также заявлены поддержка function calling, системных промптов, загрузки файлов и генерации с использованием результатов веб-поиска через специальные шаблоны запросов. По данным README, обновлённая версия получила более глубокое рассуждение и улучшенные алгоритмы постобучения. На тесте AIME 2025 точность выросла с 70% до 87,5%, а средний объём рассуждений увеличился примерно с 12 до 23 тысяч токенов на задачу. В сравнительных оценках модель показывает наиболее заметные результаты в логическом рассуждении, генерации кода, понимании текста и следовании инструкциям, однако README не содержит сведений об архитектуре, количестве параметров, поддерживаемых языках и размере контекста. Увеличенная глубина рассуждений может повышать вычислительные затраты и задержку ответа; конкретные ограничения и результаты независимой оценки не указаны. Лицензия модели — MIT.

MyAwesomeModel-TestRepo — модель на базе BERT от автора qf-iquest, опубликованная на Hugging Face. Метаданные указывают задачу извлечения признаков, библиотеку Transformers и формат PyTorch; лицензия — MIT. Модель предназначена для получения признаковых представлений текста, например для последующей обработки в NLP-системах. В карточке и метаданных нет надёжных сведений о размере модели, длине контекста, языковой поддержке или конкретных сценариях применения. Название репозитория указывает на тестовый характер, а результаты поиска содержат противоречивые описания, поэтому заявления о рассуждениях, генерации текста и бенчмарках нельзя считать подтверждёнными.

Карточка модели PS4Research/MYeHpTDS1ljdIHt9 на Hugging Face совпадает с карточкой PS4Research/mbazkhYJvXJIVctL, поэтому описание составлено по ней. PS4Research/mbazkhYJvXJIVctL — дообученная плотная языковая модель семейства Seed OSS на архитектуре SeedOssForCausalLM, основанная на ByteDance-Seed/Seed-OSS-36B-Instruct. Разработчик — PS4Research; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 31,7 млрд параметров и поддерживает контекст до 524 288 токенов. Модель предназначена для диалогов, генерации текста и работы с инструментами через интерфейс вызова инструментов. Карточка не описывает специальную предметную область или отличия дообучения от базовой модели. Модель принимает и выдаёт текст, основной язык в карточке — английский. Распространяется в формате safetensors по лицензии Apache-2.0. Ограничения, связанные с качеством ответов или конкретными сценариями применения, в карточке не описаны.

sgpark2026/my-fusion-v1 — текстовая генеративная модель, опубликованная пользователем sgpark2026 на Hugging Face. В метаданных она относится к семейству Qwen2 и предназначена для работы с Transformers; также доступны обозначения форматов safetensors и GGUF. Модель ориентирована на генерацию текста и диалоговые сценарии. Её можно применять для создания ответов, продолжения текста, простых чат-ботов и интеграции в приложения, которым нужна компактная языковая модель. Объём модели составляет 494 млн параметров, а заявленная длина контекста — 32 768 токенов. README содержит автоматически созданную карточку без сведений о разработчике, языках, лицензии, обучающих данных, результатах оценки и специальных областях применения. Поэтому качество, фактические языковые возможности и пригодность для конкретных доменов следует проверять самостоятельно; модель не следует использовать без дополнительной валидации для критически важных решений.

Soulfate24/Nanbeige4.2-3B-DSpark-ASHQ1-Remix-GGUF — это объединённая и представленная в формате GGUF версия Nanbeige4.2-3B с DSpark, подготовленная в рамках набора ASHQ1-Remix. Репозиторий предназначен для генерации текста и диалогового использования; базовая модель имеет 3,2 млрд параметров и ориентирована на рассуждения, программирование и агентные задачи с вызовом инструментов. В README описана активационно-зависимая квантизация GGUF с параметрами, основанными на измеренных экспериментах, и поддержкой линии AutoRound с ограничениями насыщения. Модель поддерживает английский и китайский языки. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит отдельные сведения о длине контекста и конкретных уровнях квантования для данного файла.

NbAiLab/nb-notram-llama-3.1-8b-instruct — языковая модель Национальной библиотеки Норвегии (NB-AiLab), дообученная на базе Meta Llama 3.1 8B Instruct. Это плотная авторегрессионная модель для генерации текста с диалоговым интерфейсом и интерфейсом вызова инструментов. Размер составляет около 7,5 млрд параметров, длина контекста — 131 072 токена. Модель дообучена следовать инструкциям и вести диалог на норвежском букмоле и нюнорске, сохраняя сильные возможности английского языка. Она предназначена для ассистентов и диалоговых систем, а также для суммаризации и ответов на вопросы. Настройка включает supervised fine-tuning и небольшой этап оптимизации предпочтений; ответы обычно краткие. Обучение использовало публично доступные и синтетически созданные данные. Модель может выдавать фактические ошибки и вымышленные сведения; знания о норвежской культуре и истории могут быть неравномерными и зависеть от формулировки запроса. Данные актуальны ориентировочно до мая 2024 года, а защитное выравнивание ограничено. Для применения вне экспериментов рекомендуется оценивать модель в целевом сценарии; без дополнительных мер контроля её не следует использовать в высокорисковых медицинских, юридических или финансовых задачах. Лицензия — Llama 3.1 Community License.

NearalMistral-2x7B — чат-модель семейства Mixtral с архитектурой смеси экспертов (MoE), созданная Corianas с помощью LazyMergekit путём объединения mistralai/Mistral-7B-Instruct-v0.1 и Corianas/Neural-Mistral-7B. Она предназначена для генерации текста и ответов на диалоговые запросы. В конфигурации указаны два эксперта и случайный режим маршрутизации; метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. README не приводит результаты оценки качества, подробностей о поддерживаемых языках или специальных предметных областях.

rinna/nekomata-7b-instruction — это дообученная по инструкциям версия языковой модели rinna/nekomata-7b, разработанная rinna при участии Tianyu Zhao и Kei Sawada. Модель построена на плотном трансформере Qwen с 32 слоями и размером 11,4 млрд параметров; контекст — до 32 768 токенов. Для запросов используется формат Alpaca. Модель предназначена для генерации текста и выполнения инструкций на японском и английском языках. При дообучении использовались подмножества Databricks Dolly, японской версии Dolly, FLAN Instruction Tuning и японских наборов из корпуса Izumi lab LLM Japanese; некоторые секции оценочных корпусов были исключены для снижения риска утечки данных. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели. Карточка ссылается на страницу бенчмарков rinna, но не приводит результаты непосредственно; качество для конкретной задачи следует оценить отдельно.