I.5Создание и редактирование текста

Это набор GGUF-квантизованных файлов модели Mistral Nemo Instruct 2407, разработанной Mistral AI и квантизованной командой featherless-ai-quants. Модель предназначена для генерации текста и выполнения инструкций, поэтому может использоваться в диалоговых приложениях, локальных ассистентах и других сценариях text-generation при наличии совместимого ПО для работы с форматом GGUF. В репозитории представлены варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 4,6 до 12,4 ГБ. Квантизация позволяет выбирать компромисс между размером файла, требованиями к ресурсам и сохранением качества, однако README не содержит сведений об архитектуре, числе параметров, поддерживаемых языках, модальностях и размере контекста. Сильная сторона представленной версии — широкий выбор уровней квантизации для развёртывания на оборудовании с разными ограничениями по памяти. Ограничения качества и производительности зависят от выбранного варианта и среды запуска; конкретные результаты в README не приведены. Лицензия модели и условия её использования в предоставленных данных не указаны.

Mistral-Small-24B-Base-2501-GGUF — это квантизированная GGUF-версия базовой языковой модели Mistral-Small-24B-Base-2501, разработанной Mistral AI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для задач генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель содержит 24 миллиарда параметров и представлена в нескольких вариантах точности: от F32 до Q3 и IQ-квантизаций. Доступны версии с разным размером файла и компромиссом между качеством и требованиями к памяти; наиболее сбалансированным вариантом в README назван Q4_K_M, а Q5 и Q6 отмечены как высококачественные. Заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. Сведения об архитектуре, размере контекста, мультимодальности и формате промпта в README не указаны. Сильная сторона модели — возможность локального инференса с выбором уровня квантизации, что позволяет адаптировать потребление памяти под доступное оборудование. Ограничения зависят от выбранного варианта: более компактные квантизации снижают качество, а старшие требуют значительного объёма памяти. Модель является базовой, поэтому готовый формат инструкций не предоставлен и параметры использования следует уточнять на странице исходной модели. Лицензия — Apache-2.0.

Chat-Error/Mistral-Claude-merged — объединённая модель для генерации текста, созданная методом slerp с помощью LazyMergekit на основе fblgit/UNA-TheBeagle-7b-v1 и Chat-Error/Kimiko-Claude-FP16. В карточке README эта сборка названа NeuralPipe-7B-slerp; метаданные указывают архитектуру MistralForCausalLM, плотную архитектуру и размер 7,1 млрд параметров. Модель распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Сведения о конкретных специализациях, поддерживаемых языках, лицензии и результатах оценки качества в предоставленных материалах отсутствуют.

Mistral-Evolved-11b-v0.1-GGUF — это набор квантизированных версий языковой модели Mistral-Evolved-11b-v0.1, разработанной Replete-AI и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp, включая сценарии, где важны автономная работа и снижение требований к оперативной памяти по сравнению с полноразмерной моделью. В набор входят варианты квантования от Q2_K до Q8_0 размером примерно от 4,16 до 11,86 ГБ. Версия Q6_K обозначена как рекомендуемая и обеспечивает очень высокое качество, близкое к исходной модели; Q8_0 предлагает максимальное доступное качество, а варианты Q3 и Q2 требуют меньше памяти, но заметно уступают по качеству. README не содержит сведений об архитектуре, длине контекста, поддерживаемых языках, точном числе параметров, дополнительных модальностях или результатах оценки, поэтому модель следует рассматривать как текстовую. Преимуществами являются широкий выбор уровней квантования, совместимость с llama.cpp и возможность подобрать баланс между качеством и потреблением памяти. Ограничения связаны с потерей качества при низких уровнях квантования, а также с отсутствием подробной информации о возможностях и бенчмарках исходной модели. Репозиторий распространяется по лицензии Apache-2.0; квантование выполнено с использованием llama.cpp release b2440.

OpenPipe mistral-ft-optimized-1227 — это объединённая модель на архитектуре Mistral для генерации текста и последующего дообучения под прикладные задачи. Она создана OpenPipe методом иерархического слияния SLERP моделей teknium/OpenHermes-2.5-Mistral-7B, Intel/neural-chat-7b-v3-3, meta-math/MetaMath-Mistral-7B и openchat/openchat-3.5-1210. Веса опубликованы в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель позиционируется как сильная отправная точка для дообучения под разные задачи, а также может использоваться для генерации текста, диалогов и ответов на математические вопросы благодаря входящим в слияние моделям. Разработчик сообщает о внутренних оценках, но количественные результаты в карточке не приведены. Модель лицензирована по Apache-2.0.

Kaoeiri/Mistral-magnum-v4_X_Cydonia-VXXX_Max — текстовая диалоговая модель, созданная Kaoeiri слиянием нескольких предварительно обученных моделей через mergekit. Использован метод Model Stock, а базовой моделью при слиянии стала byroneverson/Mistral-Small-Instruct-2409-abliterated. В состав также вошли варианты Magnum, Cydonia и Waifu от Kaoeiri. Модель предназначена для генерации текста и ответов в диалоге. Она использует плотную архитектуру MistralForCausalLM, содержит 22 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса safetensors; в метаданных заявлен интерфейс для вызова инструментов. В карточке не описаны качество на конкретных задачах и поддерживаемые естественные языки. Модель распространяется по лицензии, унаследованной от базовой модели byroneverson/Mistral-Small-Instruct-2409-abliterated; конкретная лицензия в предоставленных данных не приведена.

mistral-megamerge-dare-7b — объединённая разговорная языковая модель на архитектуре Mistral, созданная martyn на основе Mistral-7B-Instruct-v0.2 и нескольких моделей Mistral 7B для кода и диалога. Слияние выполнено методом DARE с параметрами p=0.12 и lambda=2.1. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленный контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогов на английском языке. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Карточка не описывает отдельные результаты оценки качества или гарантии для конкретных задач.

TensorVizion/mistral-nemo-alpaca-finetune — дообученная TensorVizion языковая модель семейства Mistral на базе unsloth/mistral-nemo-base-2407-bnb-4bit. Это плотная авторегрессионная модель с архитектурой MistralForCausalLM и 12,1 млрд параметров. Она предназначена для генерации текста и может использоваться в сценариях диалога и создания текстовых ответов. Модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face; заявленный размер контекста — 131 072 токена. Карточка указывает английский язык и лицензию Apache-2.0. README не описывает конкретную специализацию или результаты оценки качества.

win10/Mistral-Nemo-Base-2407-20b — плотная языковая модель семейства Mistral для генерации текста. В метаданных указаны архитектура MistralForCausalLM, 23 млрд параметров, библиотека Transformers и контекст до 1 024 000 токенов. Модель создана на основе unsloth/Mistral-Nemo-Base-2407 слиянием предварительно обученных языковых моделей методом passthrough; README указывает, что в слиянии участвовала эта базовая модель. Модель предназначена для генерации текста и может служить основой для дальнейшей адаптации под прикладные задачи. В карточке не описаны конкретные сценарии, языки или результаты оценки качества. Лицензия в предоставленных сведениях не указана.

mistralai/Mistral-Nemo-Instruct-2407 дообучена автором репозитория nbeerbower на наборах jondurbin/truthy-dpo-v0.1 и kyujinpy/orca_math_dpo. Это плотная авторегрессионная модель семейства Mistral для генерации текста и диалога; метаданные указывают 12,1 млрд параметров, контекст до 1 024 000 токенов и формат Safetensors. Модель предназначена для ответов на инструкции, диалоговых сценариев и генерации текста, включая математические запросы и задачи на правдивость, представленные в данных дообучения. Базовая модель многоязычная и поддерживает вызов инструментов через соответствующий интерфейс. По README, дообучение выполнено в течение одной эпохи на A100 в Google Colab. Репозиторий приводит результаты Open LLM Leaderboard: среднее 24,72, IFEval 67,94 и BBH 29,54; эти оценки не гарантируют качество на конкретных пользовательских задачах. Лицензия — Apache-2.0.

bartowski/Mistral-Nemo-Gutenberg-Doppel-12B-GGUF — набор GGUF-квантизаций текстовой генеративной модели Mistral-Nemo-Gutenberg-Doppel-12B, разработанной nbeerbower. Квантизации подготовлены bartowski с использованием llama.cpp и imatrix. Модель обучалась с применением наборов данных jondurbin/gutenberg-dpo-v0.1 и nbeerbower/gutenberg2-dpo и предназначена для генерации текста в локальных приложениях, включая LM Studio. Указанный формат промпта: <s>[INST]{prompt}[/INST]. Модель имеет размер 12B параметров и поддерживает варианты от F16 до низкобитных Q- и IQ-квантизаций объёмом примерно от 6,08 до 24,50 ГБ. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти; некоторые варианты оптимизированы для ARM и требуют поддержки соответствующих инструкций. Данные о языках, размере контекста и мультимодальности не указаны, поэтому модель следует рассматривать как текстовую. Качество и поведение зависят от выбранной квантизации, а низкобитные варианты могут уступать полной версии. Лицензия — Apache-2.0.

Unsloth/Mistral-Nemo-Instruct-2407-GGUF — это GGUF-версия инструкционной модели Mistral Nemo, опубликованная Unsloth. Модель предназначена для запуска в совместимых средах, поддерживающих формат GGUF, а также для диалоговых сценариев, генерации текста и выполнения инструкций. В README указано, что она связана с экосистемой Transformers и поддерживает английский язык. Из доступных данных следует, что модель относится к семейству Mistral Nemo и имеет размер 12B параметров, однако сведения о точной архитектуре, максимальном контексте, модальностях и конкретных вариантах квантования отсутствуют. Формат GGUF удобен для локального инференса и последующей работы с оптимизированными представлениями модели, но характеристики скорости и потребления памяти зависят от используемого варианта файла и программного окружения. Модель может быть полезна для локальных чат-ботов, ассистентов и экспериментов с дообучением: README описывает инструменты Unsloth для более быстрого fine-tuning с меньшим потреблением памяти и экспортом в GGUF. При этом заявленные ускорение и экономия памяти относятся к процессу дообучения в Unsloth, а не обязательно к инференсу этой конкретной модели. Лицензия — Apache-2.0.

Это 8-битная квантизированная версия Mistral-Nemo-Instruct-2407, опубликованная пользователем noneUsername. Она предназначена для генерации текста и диалогового использования; метаданные указывают на плотную архитектуру MistralForCausalLM, а карточка сообщает о калибровке методом vLLM с 2048 образцами, максимальной длиной последовательности 8192 токена и smoothing_strength 0,8. В метаданных модели указаны 12,1 млрд параметров и контекст до 1 024 000 токенов. Автор приводит результаты ограниченных оценок GSM8K и HellaSwag: на GSM8K квантизированная версия показала немного более низкий результат, чем исходная модель, а на HellaSwag приведена оценка accuracy 0,58 и нормализованная accuracy 0,7533. Автор отмечает, что это первая версия квантизации и рекомендует более позднюю версию с улучшением. Модель может применяться для диалогов, генерации ответов и решения текстовых задач; предусмотрен интерфейс вызова инструментов. Лицензия в предоставленных данных не указана.

Mistral-NeMo-Minitron-8B-Base-IMat-GGUF — это набор GGUF-квантизированных вариантов базовой текстовой модели nvidia/Mistral-NeMo-Minitron-8B-Base. Квантизацию выполнил legraphista с использованием llama.cpp b3613 и метода IMatrix, предназначенного для снижения размера модели с сохранением качества при низкой разрядности. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и ряда IQ-квантизаций; размеры файлов составляют примерно от 3,33 до 16,84 ГБ. Модель предназначена для генерации текста и локального запуска через совместимые с GGUF инструменты, включая llama.cpp. Варианты с IMatrix доступны преимущественно для низкоразрядных форматов и могут быть полезны при ограниченных ресурсах памяти, однако более сильное сжатие обычно связано с большей потенциальной потерей качества. В README не указаны архитектурные детали, поддерживаемые языки, длина контекста и специализированные сценарии применения. Модель распространяется по лицензии NVIDIA Open Model License Agreement; исходная модель имеет формат BF16.

bartowski/Mistral-NeMo-Minitron-8B-Instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Mistral-NeMo-Minitron-8B-Instruct, разработанной NVIDIA и преобразованной в GGUF с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через LM Studio и другие совместимые среды локального вывода. Для взаимодействия используется специальный шаблон с ролями System, User и Assistant. Доступны варианты от полноразмерных весов F16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 4,2 до 16,8 ГБ, что позволяет выбирать между качеством, требованиями к памяти и скоростью инференса. Квантизации выполнены с использованием imatrix; версии Q6 и Q5 заявлены как близкие к исходному качеству, а Q4 — как хороший компромисс для ограниченных ресурсов. Отдельные варианты оптимизированы для ARM и требуют соответствующих аппаратных возможностей. README не указывает поддерживаемые языки, размер контекстного окна, точные архитектурные характеристики исходной модели или результаты бенчмарков. Для ARM-оптимизированных вариантов имеются ограничения совместимости: их не рекомендуется использовать на Mac и Windows. Условия лицензирования в предоставленных данных не указаны.

RedHatAI/Mistral-Small-3.2-24B-Instruct-2506-NVFP4 — квантизированная FP4-версия инструкционной текстовой модели unsloth/Mistral-Small-3.2-24B-Instruct-2506, разработанная RedHatAI. Модель принимает текст и генерирует текст, поэтому предназначена для диалоговых сценариев, выполнения инструкций и задач общего назначения, включая объяснение понятий и программирование. Указаны языки English, German, French, Italian, Portuguese, Hindi, Spanish и Thai, однако README отдельно ограничивает использование английским языком. Весовые параметры и активации линейных операторов в трансформерных блоках квантизированы в формат FP4 с группировкой 16; для квантизации использовался LLM Compressor и калибровочные данные UltraChat. По сравнению с 16-битным представлением это примерно на 75% уменьшает размер модели на диске и требования к GPU-памяти, что делает модель подходящей для более эффективного инференса. Для запуска заявлена совместимость с vLLM версии 0.9.1 и выше. Ключевое преимущество модели — снижение потребления памяти и размера при сохранении назначения базовой инструкционной модели; качество оценивалось на бенчмарках OpenLLM v1, OpenLLM v2 и HumanEval_64, но подробные результаты в представленном README не приведены. Ограничения включают возможные потери качества из-за агрессивной 4-битной квантизации, отсутствие данных о размере контекстного окна и мультимодальности, а также заявленное ограничение использования английским языком. Модель распространяется по лицензии Apache-2.0.

DavidAU разработал Mistral-Small-3.2-46B-The-Brilliant-Raconteur-II-Instruct-2506 на основе Mistral-Small-3.2-24B-Instruct-2506, расширив модель до 79 слоёв и 46 млрд параметров. Это плотная инструктивная модель семейства Mistral 3 для генерации текста и диалогов; заявлены контекст до 128 тыс. токенов и поддержка нескольких языков. В карточке также заявлены обработка изображений на уровне базовой модели и возможность генерации изображений, но Brainstorm для систем обработки изображений не применялся. Модель ориентирована прежде всего на творческое письмо: создание рассказов, продолжение сцен, разработку сюжетов и ролевые диалоги. Автор отмечает выразительную прозу, разнообразие вариантов генерации и возможность применять модель для кода и общих задач. Режим рассуждения выключен по умолчанию и включается системным промптом; результат заметно зависит от шаблона чата, температуры и других параметров генерации. Модель частично разблокирована и может выдавать сцены насилия, ужаса и грубую лексику. На низких квантизациях возможны повторяющиеся циклы, а при высокой температуре — чрезмерно свободная генерация; иногда модель отказывает и требует повторного запроса. Репозиторий содержит веса safetensors и опубликован под лицензией Apache-2.0.

aqweteddy/mistral_tv-neural-marconroni — объединённая языковая модель на базе Mistral 7B, сочетающая чат-векторные компоненты Neural-Chat и Marconroni. В README описан подход Chat Vector: он переносит чат-поведение в языковую модель с помощью слияния весов, без отдельного цикла дообучения для получения новых диалоговых возможностей. Метаданные указывают на плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалогов, включая выполнение инструкций и многоходовое общение. README приводит результаты оценки на наборах задач рассуждения и здравого смысла, но не уточняет отдельные показатели именно этой модели, кроме среднего результата и оценок по двум тестам. В карточке указан английский язык; описание подхода Chat Vector посвящено также китайскому и корейскому языкам, но поддержка этих языков данной сборкой не подтверждена. Репозиторий содержит веса Safetensors, лицензия — MIT.

abideen/Mistral-v2-orpo — языковая модель на архитектуре Mistral, дообученная автором репозитория на Mistral-7B-v0.2 с использованием набора предпочтений argilla/distilabel-capybara-dpo-7k-binarized и метода Odds Ratio Preference Optimization (ORPO). Модель содержит 7,1 млрд параметров, рассчитана на контекст до 32 768 токенов и распространяется в форматах PyTorch и safetensors через Transformers. Модель предназначена для генерации текста и диалоговых ответов; обучение на данных предпочтений ориентировано на согласование ответов с предпочтениями пользователей. В карточке заявлена поддержка английского языка. Автор сообщает об обучении в течение одной эпохи; конкретные оценки приведены как общие результаты метода ORPO, поэтому их нельзя считать отдельной оценкой этого чекпойнта. Лицензия Apache-2.0.

MixtureofMerges-MoE-4x7b-v5 — языковая модель семейства Mixtral с архитектурой смеси экспертов (MoE), созданная автором репозитория на основе четырёх моделей с помощью LazyMergekit. Модель содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Модель предназначена для генерации текста, диалогов, следования инструкциям и рассуждений. В README приведены результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag; они указывают на проверку задач рассуждения и понимания текста, но не гарантируют качество в конкретном применении. Модель распространена в формате safetensors по лицензии Apache-2.0. Данных о специализированной предметной области или поддерживаемых языках в использованных источниках нет.

Это GGUF-квантизированная версия языковой модели Qwen3-14B-abliterated, разработанной mlabonne. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может запускаться локально через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 6,66 до 29,54 ГБ; варианты с более высокой точностью обычно требуют больше памяти, но лучше сохраняют качество, тогда как компактные варианты подходят для систем с ограниченным объёмом RAM. Для общения используется шаблон prompt формата ChatML с ролями system, user и assistant. README не содержит сведений о точной архитектуре, размере контекста, поддерживаемых языках или мультимодальности, поэтому эти характеристики нельзя достоверно указать. Сильной стороной являются разнообразие форматов GGUF и возможность локального запуска; ограничениями выступают неизбежные потери качества при сильной квантизации и зависимость от совместимого программного обеспечения. Указана лицензия Apache-2.0.

Это репозиторий GGUF-файлов модели Meta-Llama-3.1-8B-bf16, опубликованный Featherless AI. Он предназначен для генерации текста с использованием семейства Llama 3.1 и совместимых сред запуска GGUF. В README перечислены варианты квантования IQ4_XS, Q2_K и Q3_K_L, а также дополнительные варианты; метаданные указывают формат GGUF BF16 и базовую модель mlx-community-Meta-Llama-3.1-8B-bf16. Модель принимает текстовые запросы и генерирует текст. README не описывает языковой охват, контекстное окно, лицензию или ограничения качества; эти характеристики здесь не заявляются. Перед использованием следует проверить лицензию базовой модели и совместимость конкретного GGUF-файла с выбранной средой запуска.

mlx-community/mlx-mistral-7B-v0.1 — конвертированная в формат MLX версия языковой модели Mistral-7B-v0.1, разработанной Mistral AI. Это плотная авторегрессионная модель с 7,1 млрд параметров для генерации текста; она принимает текстовый запрос и продолжает его. Модель рассчитана на английский язык и поддерживает контекст до 32 768 токенов. Репозиторий предназначен для запуска модели с библиотекой MLX, в том числе на устройствах Apple Silicon. Карточка отсылает к описанию исходной модели за дополнительными сведениями о её возможностях. Модель распространяется по лицензии Apache-2.0.

Undi95/MM-ReMM-L2-20B — слитая языковая модель семейства Llama, опубликованная Undi95. Она объединяет Gryphe/MythoMax-L2-13b и Undi95/ReMM-v2.1-L2-13B с использованием промежуточного варианта ReMM, смешанного с MythoMax для сохранения согласованности ответов. Модель предназначена для генерации текста и диалоговых сценариев с шаблоном Alpaca. Модель содержит 19,8 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст на вход, генерируя текст на выходе. Родной контекст — 4096 токенов; веса опубликованы в формате safetensors. В README приведены результаты оценивания на ARC и HellaSwag, однако полная таблица в доступном тексте отсутствует. Лицензия CC BY-NC 4.0 требует атрибуции и ограничивает коммерческое использование.

Fizzarolli/MN-12b-Sunrose — объединённая модель для генерации текста, созданная из предварительно обученных языковых моделей с помощью mergekit и метода passthrough. В состав слияния вошли Fizzarolli/MN-12b-Rosier-v1 и Fizzarolli/nemo-sunfall-v0.6.1-adapter-on-base. Модель построена на плотной архитектуре Mistral и содержит 12,1 млрд параметров; для работы используется библиотека Transformers, веса представлены в формате safetensors. Указанное окно контекста — 1 024 000 токенов. Модель предназначена для генерации текста. README не приводит конкретных сценариев применения, сведений о языках или результатов оценки качества. Лицензия в доступных данных не указана.

DJuna MN-Miuryra-18B — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом passthrough из MarinaraSpaghetti/NemoMix-Unleashed-12B и DavidAU/MN-GRAND-Gutenberg-Lyra4-Lyra-12B-MADNESS. Модель содержит 18,4 млрд параметров и предназначена для генерации текста, включая диалоги и написание историй. Модель принимает текст и генерирует текст. В метаданных заявлено контекстное окно до 1 024 000 токенов. Веса представлены в формате safetensors; README указывает тип данных bfloat16. Лицензия в предоставленных данных не указана.

MoMo-72B-lora-1.8.6-DPO — языковая модель компании Moreh на архитектуре Llama, обученная методом DPO на основе MoMo-72B-LoRA-V1.4. Базовая версия MoMo-72B-LoRA-V1.4 была дообучена методом SFT с LoRA на QWEN-72B; авторы сообщают, что слияние весов не применялось. Для совместимости с Llama веса были адаптированы при подготовке к отправке на лидерборд. Модель содержит около 71 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. При обучении использовались наборы SlimOrca, Truthy и Orca DPO Pairs; обучение проводилось на платформе MoAI компании Moreh с ускорителями AMD MI250. В карточке приведён результат проверки на утечку данных для TruthfulQA, но полных результатов бенчмарков нет. Указана лицензия MIT.

MoMo-72B-lora-1.8.7-DPO — языковая модель Moreh, дообученная методом Direct Preference Optimization (DPO) на основе MoMo-72B-LoRA-V1.4. Предыдущая версия MoMo-72B-LoRA-V1.4 прошла supervised fine-tuning с LoRA на базе QWEN-72B; для совместимости с Llama обученные веса были переориентированы, слияние весов не применялось. Модель представляет собой плотную авторегрессионную архитектуру LlamaForCausalLM с 71 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. При обучении использовались наборы SlimOrca, Truthy и Orca DPO Pairs; разработчики приводят результаты TruthfulQA и GSM8K, но полная таблица оценок не заполнена. Карточка содержит пример загрузки через Transformers. Поддержка английского указана в метаданных. Лицензия — MIT.

Motif 2.6B v1.1-LC — дообученная плотная языковая модель Motif-Technologies на 2,6 млрд параметров для генерации текста и диалоговых приложений. Версия v1.1-LC поддерживает контекст до 16 384 токенов; карточка приводит результаты тестов MMLU, MMLU-Pro и WinoG. Модель ориентирована на английский и корейский языки. Её можно использовать для диалога и генерации текста в приложениях на базе Transformers; для загрузки в примере README используется trust_remote_code. Модель распространяется по лицензии MIT.

Moxin-7B-Chat — диалоговая языковая модель команды Moxin-org на архитектуре Mistral с плотной авторегрессионной сетью. В README указано, что авторы получили чат-модель дообучением Moxin-7B-finetuned на Tulu v2. Модель содержит около 8 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в форматах GGUF, PyTorch и Safetensors. Модель предназначена для диалогов и генерации ответов на текстовые запросы. Авторы приводят результаты оценки на наборах ARC, HellaSwag, MMLU, Winogrande и PIQA; показатели относятся к указанным настройкам тестирования и не гарантируют качество в других сценариях. Лицензия — Apache 2.0. README и метаданные не уточняют поддерживаемые естественные языки и конкретные ограничения модели.