I.5Создание и редактирование текста

Dolphin 2.2.1 Mistral 7B — диалоговая языковая модель, созданная Eric Hartford на основе Mistral 7B; обучение спонсировал a16z. Это выпуск контрольной точки с исправлениями переобучения. Модель дообучена на наборах Dolphin, Airoboros 2.2.1 и отобранных данных WizardLM и Samantha; поддерживает формат запросов ChatML и рассчитана на генерацию текста в диалоге.

Dolphin-2.6-mistral-7b-dpo-laser-GGUF — это набор квантованных файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе модели cognitivecomputations/dolphin-2.6-mistral-7b-dpo-laser. Модель относится к семейству Mistral и предназначена для генерации текста, включая диалоговые и инструкционные сценарии. В метаданных указан размер 7B, текстовая модальность и поддержка английского языка. Обучение исходной модели связано с наборами данных Dolphin, Airoboros, Dolphin Coder, OpenHermes, Magicoder и Capybara; также указано DPO дообучение в названии модели. Главная особенность этой версии — поставка в GGUF с вариантами квантования от 2 до 8 бит, что позволяет запускать модель локально с различными компромиссами между размером файлов, требованиями к памяти и качеством генерации. Формат поддерживается llama.cpp и совместимыми приложениями и библиотеками для локального запуска. К ограничениям относятся возможная потеря качества при низкобитном квантовании, отсутствие заявленных характеристик контекстного окна и подробных результатов оценки, а также отсутствие подтверждения поддержки других языков помимо английского. Модель распространяется по лицензии Apache 2.0.

MaziyarPanahi/dolphin-2.6-mistral-7b-GGUF — это набор квантованных файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе модели cognitivecomputations/dolphin-2.6-mistral-7b, разработанной cognitivecomputations. Модель предназначена для генерации текста и может использоваться локально через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Модель относится к семейству Mistral и имеет размер 7B параметров согласно идентификатору базовой модели. Доступны варианты квантования от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством генерации. В метаданных указан английский язык; другие языки, поддерживаемые моделью, размер контекста и мультимодальные возможности не заявлены. Основные преимущества — совместимость с широким набором инструментов для локального запуска и возможность подобрать степень квантования под доступное оборудование. Ограничения связаны с потерями качества при более агрессивном квантовании, а также с отсутствием в предоставленных данных подробных оценок, описания точных сценариев применения и характеристик контекстного окна. Распространение указано по лицензии Apache-2.0.

Dolphin 2.6 Phi-2 — разговорная языковая модель, созданная Eric Hartford и Fernando Fernandes при спонсорской поддержке Convai на базе Phi-2 от Microsoft. Это плотная авторегрессионная модель семейства Phi с архитектурой PhiForCausalLM, дообученная методом qLoRA на трёх эпохах. Она принимает текст и ведёт диалог в формате ChatML; заявленное окно контекста — 2048 токенов. Модель предназначена для общения с ассистентом и генерации текста, в том числе для задач, представленных в наборах данных Dolphin, Dolphin Coder, Airoboros, OpenHermes, Magicoder и Capybara. Авторы описывают модель как «uncensored»: обучающие данные были отфильтрованы для уменьшения alignment и bias, поэтому модель может охотно отвечать на вредоносные и неэтичные запросы. Перед предоставлением доступа пользователям авторы рекомендуют добавить собственный слой выравнивания и безопасности. Для загрузки модели требуется trust_remote_code. Лицензия — MIT; качество генерации не гарантировано.

dolphin-2.8-mistral-7b-v02-GGUF — это квантизированная версия текстовой генеративной модели dolphin-2.8-mistral-7b-v02, основанной на alpindale/Mistral-7B-v0.2-hf. Исходная модель опубликована организацией cognitivecomputations, а квантизации в формате GGUF выполнены bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска совместимых LLM-приложений. Модель относится к семейству Mistral и имеет размер 7 миллиардов параметров. Доступны варианты квантизации Q8_0, Q6_K, Q5_K_M, Q5_K_S, Q5_0, Q4_K_M, Q4_K_S, IQ4_NL, IQ4_XS, Q4_0, Q3_K_L, Q3_K_M, IQ3_M, IQ3_S, Q3_K_S и Q2_K; их размер варьируется примерно от 2,71 до 7,69 ГБ, а качество снижается при более агрессивном сжатии. В README не указаны поддерживаемые языки, размер контекста, результаты тестирования или специальные модальности, поэтому модель следует рассматривать как текстовую. Сильная сторона модели — возможность подобрать баланс между качеством, потреблением памяти и скоростью локального запуска; для большинства сценариев рекомендуется вариант Q6_K, тогда как Q3 и Q2 ориентированы на системы с ограниченной оперативной памятью и заметно уступают по качеству. Ограничения включают потерю качества из-за квантизации и отсутствие данных о бенчмарках, языковой специализации и безопасностных характеристиках. Лицензия в README не указана.

Карточка модели roskosmos19/Dolphin-4B-Instruct-0409 на Hugging Face совпадает с карточкой roskosmos19/Orca-4B-Instruct, поэтому описание составлено по ней. Orca-4B-Instruct — компактная инструктивная языковая модель, опубликованная roskosmos19. По карточке она основана на архитектуре Qwen3 и предназначена для диалогов и выполнения текстовых инструкций. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает контекст до 16 384 токенов. Модель рассчитана на генерацию ответов, следование инструкциям и разговорные сценарии; в метаданных также заявлен интерфейс вызова инструментов. Карточка описывает оптимизацию для экономичного запуска: сокращённый контекст и удалённые мультимодальные специальные токены уменьшают требования к памяти, сохраняя фокус на текстовых ответах. Доступны веса в формате safetensors. Модель подходит для локальных чат-ботов, помощников и других приложений, где важны умеренный размер и стоимость инференса. Ограничение контекста до 16 384 токенов исключает обработку очень длинных запросов; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

Карточка модели roskosmos19/Dolphin-4B-Instruct-flash на Hugging Face совпадает с карточкой roskosmos19/Orca-4B-Instruct, поэтому описание составлено по ней. Orca-4B-Instruct — компактная инструктивная языковая модель, опубликованная roskosmos19. По карточке она основана на архитектуре Qwen3 и предназначена для диалогов и выполнения текстовых инструкций. Модель содержит около 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает контекст до 16 384 токенов. Модель рассчитана на генерацию ответов, следование инструкциям и разговорные сценарии; в метаданных также заявлен интерфейс вызова инструментов. Карточка описывает оптимизацию для экономичного запуска: сокращённый контекст и удалённые мультимодальные специальные токены уменьшают требования к памяти, сохраняя фокус на текстовых ответах. Доступны веса в формате safetensors. Модель подходит для локальных чат-ботов, помощников и других приложений, где важны умеренный размер и стоимость инференса. Ограничение контекста до 16 384 токенов исключает обработку очень длинных запросов; сведения о поддерживаемых естественных языках в карточке не приведены. Лицензия — Apache-2.0.

Dolphin-Mistral-24B-Venice-Edition-heretic — диалоговая модель общего назначения, созданная на основе Mistral Small 24B Instruct 2501 и дообученная в рамках проекта Dolphin совместно с Venice.ai. Она предназначена для генерации ответов и выполнения инструкций в чат-сценариях; владелец системы задаёт системный промпт и самостоятельно настраивает стиль и правила поведения модели. Модель использует плотную архитектуру Mistral3 и содержит около 24 млрд параметров; доступна в формате safetensors и рассчитана на работу через Transformers или vLLM. В README описана как uncensored-версия для экосистемы Venice; указаны измерения KL-дивергенции и частоты отказов, но они не дают полной оценки качества. Лицензия — Apache-2.0. В README нет сведений о длине контекста и поддерживаемых языках, поэтому они здесь не уточняются. Снижение отказов не означает гарантированного отсутствия отказов или безопасного поведения: модель следует настраивать системным промптом и проверять на целевых сценариях.

dots.llm1.base — базовая языковая модель семейства dots.llm1, разработанная командой dots1. Она предназначена для генерации и продолжения текста, а также служит основой для диалоговых приложений и дальнейшей настройки под инструкции. Модель построена на разреженной архитектуре Mixture of Experts (MoE): в README указаны 142 млрд параметров всего и 14 млрд активируемых при инференсе. Архитектура включает 62 слоя, multi-head attention с QK-Norm, маршрутизацию к 6 из 128 экспертов и 2 общих эксперта. Репозиторий содержит веса в формате Safetensors; контекст составляет 32 768 токенов. Поддерживаются английский и китайский языки. Разработчики сообщают о предобучении на высококачественном корпусе без синтетических данных и о производительности на уровне Qwen2.5-72B. Модель распространяется по лицензии MIT. Карточка описывает серию, включающую базовую и настроенную на инструкции версии; приведённые характеристики серии не гарантируют одинаковое качество на всех задачах.

DPOpenHermes 7B GGUF — квантизированная версия языковой модели DPOpenHermes 7B, разработанной Open Access AI Collective и подготовленной в формате GGUF компанией TheBloke. Модель основана на архитектуре Mistral, предназначена для генерации текста и диалоговых сценариев, а также может использоваться локально через llama.cpp и совместимые интерфейсы и библиотеки. Указан английский язык; поддерживается шаблон диалога ChatML с системными и пользовательскими сообщениями. Модель имеет 7 миллиардов параметров. Доступны варианты GGUFv2 с квантованием от 2 до 8 бит, включая CPU+GPU-инференс, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Формат поддерживается llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio, llama-cpp-python и другими инструментами. Контекстное окно, точные требования к ресурсам и показатели качества в README не указаны. Модель обучалась с использованием наборов teknium/openhermes, argilla/ultrafeedback-binarized-preferences и Intel/orca_dpo_pairs. Сильными сторонами являются открытый формат, возможность локального запуска и широкий выбор уровней квантования. Ограничениями выступают преимущественно англоязычная специализация, отсутствие заявленных мультимодальных возможностей и неполная информация о производительности и контекстном окне. Лицензия — Apache-2.0.

DPO-Zephyr-7B — диалоговая текстовая модель на архитектуре Mistral с 7,1 млрд параметров, созданная дообучением HuggingFaceH4/mistral-7b-sft-beta на датасете HuggingFaceH4/ultrafeedback_binarized. Модель предназначена для генерации текста и общения в формате чата. Модель принимает текст и генерирует текст. В метаданных указан контекст до 32 768 токенов и лицензия MIT. Сведений о качестве на конкретных задачах и ограничениях в карточке нет.

Droplychee Small 1B v1 — компактная языковая модель для генерации текста, разработанная droplychee-core как дообучение GnLOLot/MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking. Модель использует плотную архитектуру Llama и содержит 837,6 млн параметров; заявленная длина контекста — 131 072 токена. Модель подходит для диалогов, следования инструкциям и сценариев с вызовом инструментов. В качестве основы использована модель MiniCPM5, предназначенная для диалогов, вызова инструментов и программирования. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0; при дообучении использовались Unsloth и библиотека TRL.

Dumpling-Qwen2.5-1.5B — диалоговая языковая модель на архитектуре Qwen2 с 1,5 млрд параметров, созданная nbeerbower дообучением nbeerbower/EVA-abliterated-TIES-Qwen2.5-1.5B. Модель предназначена для генерации текста и диалоговых ответов; метаданные также указывают интерфейс вызова инструментов. Контекстное окно составляет до 131 072 токенов. Модель дообучена методом QLoRA ORPO в течение двух эпох на наборах DPO, охватывающих диалоги, рассуждения, художественные тексты и другие предпочтения ответов. Доступна в формате safetensors через Transformers. Лицензия — Apache-2.0. Карточка не сообщает результаты оценивания качества и не описывает отдельно поддерживаемые естественные языки.

ECE-1B-merge-PRYMMAL — языковая модель LilRg, полученная слиянием Qwen2.5-1.5B-Instruct и Qwen2.5-1.5B методом SLERP с помощью LazyMergekit. Это плотная причинная трансформерная модель семейства Qwen2, содержащая 1,5 млрд параметров и принимающая текст для генерации текста и диалоговых ответов. Контекстное окно составляет до 32 768 токенов; в метаданных также отмечен интерфейс вызова инструментов. Модель подходит для компактных чат-приложений, генерации и продолжения текста, а также формирования структурированных ответов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache-2.0. README не приводит результатов оценки качества или конкретных ограничений поведения модели.

AnassMzn/ECE-AFA — слитая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная с помощью mergekit методом SLERP из paulml/OmniBeagleSquaredMBX-v3-7B и paulml/NeuralOmniWestBeaglake-7B. Модель предназначена для генерации текста по запросу и поддерживает контекст до 32 768 токенов. Модель работает через библиотеку Transformers и распространяется в формате safetensors. README описывает способ слияния весов, но не приводит отдельной оценки качества, целевых сценариев или перечня поддерживаемых языков. Лицензия в предоставленных данных не указана.

Youlln/ECE.EIFFEIL.ia-0.5B-SLERP — компактная языковая модель для генерации текста и диалогов, созданная автором репозитория объединением моделей через SLERP с помощью mergekit. В объединении участвовали Youlln/ECE-Qwen0.5B-FT-V2 и Qwen/Qwen2.5-0.5B-Instruct; архитектура — плотная Qwen2, число параметров — около 494 млн. Модель рассчитана на текстовый ввод и выдачу текста, поддерживает контекст до 32 768 токенов. Её можно использовать для диалогов, выполнения инструкций и генерации текста; в метаданных также отмечен интерфейс вызова инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не содержит сведений о целевых языках или оценках качества.

Eclectic-Maid-7B-v2 — слитая автором ND911 языковая модель на архитектуре Mistral для генерации текста. В метаданных указано 7,1 млрд параметров, контекст до 32 768 токенов и формат весов safetensors; модель работает через Transformers. Модель создана методом passthrough с помощью mergekit. Автор приводит конфигурацию объединения частей Maid-Reborn-v22-10B и отмечает, что рецепт приведён приблизительно. Она предназначена для генерации текста; README не описывает конкретные сценарии применения или языковую специализацию. Лицензия и ограничения по использованию в доступных данных не приведены. Метка «not-for-all-audiences» в метаданных указывает, что модель может быть неуместна для всех аудиторий.

Edge0-35B-A3B-preview — языковая модель класса 35B со sparse Mixture-of-Experts, разработанная командой Edge0 на базе Qwen3.6-35B-A3B. Модель предназначена для генерации текста, мультиязычного диалога и задач рассуждения на устройствах с ограниченной оперативной памятью, включая edge- и on-device-сценарии, а также пакетное обслуживание на обычном компьютере. Поддерживается режим размышлений через встроенный шаблон чата. Модель содержит 40 слоёв, 256 экспертов, из которых для каждого токена активны 4, и имеет hidden size 2048. Она поставляется в 4-битной квантизации вместе с LoRA-адаптером Recover-LoRA и prerouter-адаптером. Экспертные веса подгружаются с SSD по мере необходимости через фреймворк edge0 с MLX backend, что позволяет удерживать активную память примерно на уровне 2,9 ГиБ при коротком контексте. На Mac mini M4 Pro заявлены скорость декодирования 14,9–17,7 токена в секунду и производительность заполнения контекста до 140 токенов в секунду. По заявленным тестам средний результат квантизированной версии составляет 79,2 против 83,2 у базовой модели в FP16, то есть отставание составляет 3,9 балла. Сильными сторонами являются низкое потребление активной памяти, потоковая загрузка экспертов и возможность использовать одну базовую модель с несколькими наборами адаптеров. Ограничения включают статус раннего preview-релиза, слабую оптимизацию для инструментального использования, многошагового планирования и долгосрочной автономной работы, рост KV-кэша на длинных контекстах, а также текущую ориентацию MLX backend на Apple Silicon. Модель распространяется по лицензии Apache 2.0.

Lambent/Eidolon-v3-14B-abliterated — разговорная языковая модель на архитектуре Qwen2 с 14 млрд параметров, представленная Lambent. В этой версии применено вмешательство в слой 19, направленное на подавление направления отказа; дополнительного дообучения в этой ветке не проводилось. Модель предназначена для генерации текста и диалогов, а также имеет интерфейс для вызова инструментов. Заявленная длина контекста — 131 072 токена. В README приведён результат 78,4 на EQ-Bench 2.1; автор сообщает, что выявленное тестом повреждение возможностей выглядит небольшим, но отмечает риск ухудшения способностей при дообучении. Метаданные помечают модель как не подходящую для любой аудитории. Сведения о лицензии и поддерживаемых естественных языках в доступных данных отсутствуют.

ELYZA-japanese-Llama-2-13b-fast-instruct — японская языковая модель на архитектуре Llama 2, разработанная командой ELYZA. Модель основана на Llama 2 и прошла дополнительное предварительное обучение для расширения возможностей работы с японским языком; вариант instruct предназначен для генерации ответов по инструкциям и диалоговых запросов. Модель имеет около 12,9 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, генерируя текст. Контекст составляет до 4096 токенов. В карточке также указана поддержка английского языка. Репозиторий содержит веса PyTorch и распространяется по лицензии Llama 2. README не сообщает о специальных предметных областях или ограничениях качества.

ELYZA-japanese-Llama-2-7b-instruct — языковая модель ELYZA на архитектуре Llama 2, предназначенная для генерации текста и инструкционного диалога. Модель расширяет способности Llama 2 к японскому языку дополнительным предварительным обучением; в карточке она указана как версия instruct семейства ELYZA-japanese-Llama-2-7b. Разработчики: Akira Sasaki, Masato Hirakawa, Shintaro Horie и Tomoaki Nakamura. Модель содержит около 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст, выдавая текст. Контекст составляет 4096 токенов. В метаданных указаны японский и английский языки; основное назначение — работа с японским текстом, включая ответы по инструкциям и генерацию. Модель распространяется по лицензии Llama 2. Карточка не приводит подробных оценок качества или ограничений; как и другие языковые модели, она может выдавать неточные или вымышленные сведения.

EmertonMonarch-7B — диалоговая модель генерации текста, созданная yleo путём DPO-дообучения mlabonne/Monarch-7B на наборе предпочтений yleo/emerton_dpo_pairs_judge. Набор основан на Intel/orca_dpo_pairs: ответы GPT-3.5 заменены ответами GPT-4 Turbo, после чего LLM-Blender использовался для выбора предпочтительного ответа. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и предназначена для общения и генерации ответов на текстовые запросы. Метаданные указывают контекст до 32 768 токенов; README заявляет окно контекста 8k. Совместима с шаблонами чата ChatML и Llama. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Карточка не приводит результатов оценки качества; назначение — общие диалоговые задачи.

eclfe/ensql-1-4 — текстовая генеративная модель на архитектуре Llama, обученная с помощью H2O LLM Studio на базе h2oai/h2ogpt-4096-llama2-7b. Репозиторий содержит веса PyTorch; размер модели — 6,6 млрд параметров, заявленный контекст — 4096 токенов. Модель поддерживает диалоговый режим и предназначена для генерации ответов на текстовые запросы на английском языке. Модель можно использовать для диалоговых помощников, создания черновиков текста и ответов на вопросы. Для запуска в Transformers требуется библиотека transformers; README приводит версию 4.40.2 и описывает загрузку с квантованием до 8 или 4 бит, а также распределение модели по нескольким GPU. Конкретные результаты обучения и специализированные области применения не описаны. Модель может выдавать ошибочные, бессвязные или нерелевантные ответы, а также предвзятый или оскорбительный контент. Лицензия в предоставленных данных не указана.

Enteli-49B — текстовая генеративная модель, разработанная командой EnteliMind. В карточке заявлены возможности понимания и генерации текста, рассуждений, программирования и математических задач; также описана адаптация под отраслевые сценарии. Эти заявления о качестве и сравнении с GPT-3.5 не подтверждены приведёнными данными бенчмарков. Метаданные указывают архитектуру MixtralForCausalLM семейства Mixtral с разреженной смесью экспертов (MoE), 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для диалогового использования и выдаёт текст; карточка описывает удобство интеграции через Hugging Face Transformers. README не сообщает поддерживаемые естественные языки или лицензию, поэтому их нельзя уточнить. Модель распространяется в формате safetensors. В карточке заявлены эксперименты с нормализацией EMADNorm, однако подробностей для оценки их влияния на качество не приведено.

Eris-Lelantacles-7b — языковая модель, созданная слиянием моделей Nitral-AI/Eris-Beach_Day-7b и Nitral-AI/Lelanta-lake-7b методом SLERP. Это плотная Mistral-модель с 7,1 млрд параметров для генерации текста; заявленная длина контекста — 32 768 токенов. В README приведена конфигурация mergekit с разными коэффициентами смешивания для слоёв self-attention и MLP, а итоговый тип данных — bfloat16. Модель подходит для генерации продолжений и ответов на текстовые запросы. Карточка не описывает конкретные сценарии, языковое покрытие или дополнительные возможности, поэтому их нельзя надёжно уточнить. Лицензия указана как other; конкретные условия использования следует сверить с лицензиями исходных моделей и материалами репозитория.

ErisMaidFlame-7B — объединённая языковая модель на базе Mistral, созданная автором репозитория с помощью mergekit и метода SLERP. В слиянии использованы ChaoticNeutrals/Eris_Remix_DPO_7B и nbeerbower/MaidFlameSoup-7B; итоговая модель содержит 7,1 млрд параметров и распространяется в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и может применяться в чатах и ролевых диалогах — такие сценарии указаны для её базовой модели. Она принимает текст и генерирует текст; поддерживаемый контекст составляет до 32 768 токенов. Карточка не описывает отдельные настройки диалога или оценки качества именно этого слияния. Лицензия в предоставленных данных не указана, поэтому условия использования следует сверить на странице репозитория и у базовых моделей. Язык модели в этих данных явно не задан.

Eris Prime V4.20 «Blaze it» 32k Edition — разговорная модель на базе архитектуры Mistral, созданная ChaoticNeutrals путём слияния нескольких моделей. Она предназначена для диалоговой генерации текста; в карточке также заявлена возможность обработки изображений при загрузке файла mmproj в Koboldcpp. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для работы с изображениями README рекомендует актуальную версию Koboldcpp и загрузку соответствующего mmproj из репозитория. Модель опубликована в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке или у автора.

Eris Prime V4 Vision 32k — разговорная модель семейства Mistral с 7,1 млрд параметров, созданная ChaoticNeutrals как слияние моделей. Она предназначена для генерации текста и диалогов; автор также заявляет поддержку изображений при использовании Koboldcpp и соответствующего файла mmproj из репозитория. Модель рассчитана на контекст до 32 768 токенов. Карточка описывает улучшенную связность ответов, стабильность форматирования и работу с длинным контекстом. В метаданных указана лицензия other, поэтому условия распространения следует уточнять в репозитории. README не сообщает, на каких языках модель обучена; её возможности работы с изображениями заявлены автором, но в метаданных модель классифицирована как text-generation.

ERNIE-21B-A3B-Thinking-Gemini-3-Pro-High-Reasoning-V2 — текстовая MoE-модель Baidu, дообученная DavidAU на наборе TeichAI/gemini-3-pro-preview-high-reasoning-250x с помощью Unsloth. Она предназначена для генерации текста с развёрнутыми рассуждениями, творческого письма и диалогов общего назначения; автор отмечает компактные, но подробные ответы по существу и стабильность рассуждений при изменении температуры. Архитектура указана как Ernie4_5_MoeForCausalLM с 64 экспертами; метаданные сообщают 3,3 млрд параметров, а контекст составляет до 131 072 токенов. Модель работает с текстом и в карточке заявлена как англоязычная. Доступна по лицензии Apache-2.0. Автор предупреждает, что низкобитные квантованные версии могут зацикливаться; качество также зависит от настроек сэмплирования.

ERNIE-4.5-0.3B-Paddle — плотная текстовая причинно-языковая модель семейства ERNIE 4.5, разработанная Baidu и распространяемая с весами для PaddlePaddle. Это постобученная модель примерно на 318 млн параметров, предназначенная для генерации текста и диалогового взаимодействия. Она поддерживает контекст до 131 072 токенов и рассчитана на работу с английским и китайским языками. Модель подходит для диалоговых приложений, генерации продолжений текста и ответов на запросы. Для её дообучения Baidu указывает ERNIEKit с поддержкой SFT, LoRA и DPO; для развёртывания описана интеграция с FastDeploy. Карточка не приводит сравнительных оценок качества или конкретных ограничений применимости. Лицензия — Apache-2.0.