I.5Создание и редактирование текста

Moxin-7B-LLM — базовая языковая модель примерно с 8 млрд параметров, разработанная командой Moxin. Она предназначена для генерации текста и решения общих языковых задач. В карточке описана оценка на тестах ARC, HellaSwag, MMLU, Winogrande и PIQA; авторы также сообщают, что на основе базовой модели обучили отдельную чат-версию на данных Tulu v2. Модель использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Для запуска доступны веса в форматах PyTorch и safetensors, а также GGUF. README не указывает поддерживаемые естественные языки и не сообщает о мультимодальных возможностях; заявленная задача — генерация текста. Модель распространяется по лицензии Apache-2.0. Оценки в README приведены на стандартных наборах тестов, но сами по себе не гарантируют качество в конкретном приложении; специализированные возможности и ограничения применения в карточке не описаны.

MRAI_synatra_7B_v1-Mistral-7B-Instruct-v0.1 — чат-модель для генерации текста, созданная слиянием Mistral-7B-Instruct-v0.1 и MRAIRR/MRAI_synatra_7B_v1 методом SLERP. Она предназначена для ответов на инструкции и диалоговые запросы. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. В карточке указаны формат safetensors и лицензия Apache-2.0. README описывает диапазоны слоёв и параметры слияния, но не приводит сведения о языковой специализации и конкретных областях применения.

zelk12/MT1-Gen3-MM-gemma-2-MTg2S2-9B — объединённая методом SLERP языковая модель на архитектуре Gemma 2. В слиянии использованы allknowingroger/Gemmaslerp2-9B и zelk12/MT-Gen2-gemma-2-9B; конфигурация указывает bfloat16 и коэффициент смешивания 0,25. Каталог отмечает модель как предназначенную для чата и генерации текста. Модель содержит 9 млрд параметров и поддерживает контекст до 8192 токенов. Она подходит для диалогового взаимодействия и генерации текста. В README описан процесс слияния, но нет сведений о целевых языках, обучающих данных или результатах оценки качества. Репозиторий использует лицензию, заданную базовыми моделями; её условия в предоставленных данных не приведены.

zelk12/MT1-MU-gemma-2-RGDv0.1GD-9B — объединённая диалоговая языковая модель на архитектуре Gemma 2 с 9 млрд параметров, созданная разработчиком zelk12 методом SLERP с помощью mergekit. В состав объединения вошли nbeerbower/Gemma2-Gutenberg-Doppel-9B и zelk12/recoilme-gemma-2-Gutenberg-Doppel-9B-v0.1. Модель предназначена для генерации текста и диалоговых ответов, а также для продолжения текста. Она принимает текст и выдаёт текст, поддерживает контекст до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Базовые модели связаны с обучением на текстах Project Gutenberg. В карточке указана лицензия Gemma, условия которой следует учитывать при использовании модели. README не сообщает результаты оценки качества или специальные ограничения применения.

zelk12 опубликовал объединённую методом SLERP языковую модель MT2-Gen4-BMM-gemma-2-9B на архитектуре Gemma 2. Модель размером 9 млрд параметров создана с помощью mergekit из zelk12/MT2-Gen4-BB-gemma-2-MTMMT3g2-9B и zelk12/MT2-Gen4-MM-gemma-2-Rv0.4MTM-9B; базовой в конфигурации указана первая из них. Модель предназначена для генерации текста и диалоговых ответов, работает через Transformers и использует контекст до 8192 токенов. Веса опубликованы в формате safetensors. В карточке и метаданных лицензия не указана, поэтому условия использования определить нельзя.

Это разговорная языковая модель семейства Gemma 2 на 9 млрд параметров, созданная разработчиком zelk12 путём слияния двух предварительно обученных моделей с помощью метода SLERP и инструмента mergekit. Модель предназначена для генерации текста и диалогового взаимодействия; доступна в формате safetensors и использует архитектуру Gemma2ForCausalLM с плотной структурой. Контекст составляет 8192 токена. Модель подходит для чат-ботов, ответов на вопросы и генерации текста общего назначения. README не описывает конкретные сильные стороны, наборы данных или поддерживаемые естественные языки, поэтому нельзя достоверно указать специализированную область применения или основной язык. Условия лицензии в предоставленных данных не приведены.

zelk12 создал объединённую методом SLERP языковую модель на основе Gemma 2. В слияние вошли zelk12/MT2-MMMA-gemma-2-9B и zelk12/MT2-GMU-gemma-2-9B; модель содержит 9 млрд параметров и предназначена для генерации текста и диалогов. Она использует архитектуру Gemma2ForCausalLM, работает с текстом и имеет контекст длиной до 8192 токенов. Модель подходит для диалоговых интерфейсов и генерации ответов, а также для других сценариев продолжения текста. Репозиторий содержит веса в формате safetensors; метаданные указывают библиотеку Transformers. Языки, на которых модель обучалась или для которых она специально оптимизирована, в предоставленных данных не определены. Условия лицензии в предоставленных данных не указаны. Качество и ограничения модели отдельно не описаны; практическое применение требует оценки на целевых задачах.

zelk12 создал эту модель как объединение двух предварительно обученных языковых моделей семейства Gemma 2 с помощью SLERP и mergekit. Это плотная авторегрессионная модель на 9 млрд параметров для генерации текста и диалогового взаимодействия; она доступна в формате safetensors и рассчитана на контекст до 8192 токенов. Модель подходит для генерации ответов и ведения текстового диалога. Карточка описывает способ объединения и исходные модели, но не приводит отдельные результаты оценки качества или специализированные сценарии применения. Лицензия в предоставленных данных не указана.

zelk12/MT3-Gen5-IF-gemma-2-Av4dMT2-9B_v1 — слитая модель для генерации диалогового текста на основе Gemma 2. Она создана с помощью mergekit методом SLERP из lemon07r/Gemma-2-Ataraxy-v4d-9B и zelk12/MT2-gemma-2-9B. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и принимает текстовый контекст длиной до 8192 токенов. Подходит для продолжения текста и диалоговой генерации; карточка не уточняет языки, специальные сценарии применения или результаты оценки качества. Файлы представлены в формате safetensors, библиотека для работы — Transformers. Условия лицензии в предоставленных данных не указаны.

mT5-m2m-CrossSum-enhanced — модель семейства mT5, разработанная авторами репозитория csebuetnlp и дообученная на всех межъязыковых парах набора CrossSum. Она предназначена для создания краткого пересказа текста на выбранном целевом языке, в том числе когда язык исходного текста отличается от языка пересказа. Модель содержит 291,2 млн параметров и использует архитектуру MT5ForConditionalGeneration. В карточке перечислены языки от амхарского и арабского до английского, русского, китайского, японского и других; README также указывает названия целевых языков для генерации. Это текстовая модель суммаризации, опубликованная в формате PyTorch. Подходит для многоязычного суммирования статей и подготовки кратких пересказов для читателей, говорящих на другом языке. Карточка не сообщает конкретные показатели качества или ограничения по длине входа. Лицензия в предоставленных данных не указана.

Nehc/mT5_ru_XLSum — модификация mT5 для суммаризации, ориентированная на русский и английский языки. Автор указывает, что токенизатор сокращён до 32 тысяч токенов с ручной работой David’s Dale. Модель построена на архитектуре T5 и содержит 124,3 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для создания краткого пересказа текста. Карточка не описывает дополнительные сценарии или результаты оценки качества. Данных о базовой модели, лицензии и ограничениях применения в предоставленных источниках нет.

Двуязычная модель суммаризации Deutsche Telekom AG из команды One Conversation, дообученная на базе google/mt5-small. Это encoder-decoder модель семейства mT5 с 157,4 млн параметров; она принимает текст на английском или немецком и генерирует краткое изложение. Обучение проводилось на наборах CNN/Daily Mail, XSum, WikiLingua, MLSUM и Swiss Text 2019. Для исходного текста при обучении использовалась максимальная длина 800 токенов, для целевого резюме — 96 токенов. Модель предназначена для создания кратких пересказов новостных статей и других текстов на немецком и английском языках. В карточке приведены оценки ROUGE на немецком MLSUM и английских CNN/Daily Mail и XSum; авторы отмечают, что часть результатов на тестовых наборах выглядит необычно высокой и могла быть связана с попаданием тестовых данных в обучение. Репозиторий содержит веса PyTorch и safetensors. Лицензия — CC BY-NC-SA 4.0; данные некоторых обучающих наборов имеют неясные условия использования, поэтому коммерческое применение обучающих данных может быть ограничено.

zelk12 объединил методом SLERP две предварительно обученные языковые модели Gemma 2 9B: MT-Gen4-MAMU-gemma-2-9B и MT-Gen4-GIBMM-gemma-2-9B. Это плотная авторегрессионная модель с архитектурой Gemma2ForCausalLM, рассчитанная на генерацию текста и диалоговое использование. Объём модели — 9 млрд параметров, контекст — до 8192 токенов; веса доступны в формате safetensors. Модель подходит для диалоговых ответов, продолжения текста и следования инструкциям. README приводит результаты Open LLM Leaderboard, включая 78,83 на IFEval и 43,96 на BBH; этих оценок недостаточно, чтобы судить о качестве во всех сценариях. В метаданных указан тег лицензии Gemma. Языки и специальные предметные области в предоставленных данных не определены.

zelk12/MT-Merge4-MM-gemma-2-MT5g4MT3g4-9B — объединённая модель для генерации текста и диалогов, созданная с помощью mergekit методом SLERP из zelk12/MT5-Gen4-gemma-2-9B и zelk12/MT3-Gen4-gemma-2-9B. Модель построена на архитектуре Gemma 2 с плотной причинной языковой моделью Gemma2ForCausalLM и содержит 9 млрд параметров; она рассчитана на контекст до 8192 токенов. Модель предназначена для чат-общения и генерации текста. Веса представлены в формате safetensors и используются с библиотекой Transformers. README не описывает специализированные области или дополнительные возможности. Лицензия в доступных данных не указана.

zelk12 выпустил MT-Merge5-GMA-gemma-2-9B — разговорную языковую модель на архитектуре Gemma 2, созданную слиянием двух моделей с помощью SLERP и mergekit. Модель содержит 9 млрд параметров и рассчитана на генерацию текста в диалоговом формате; она принимает текстовые запросы и выдаёт текстовые ответы. Модель подходит для чат-ботов и других сценариев генерации ответов. Контекстное окно составляет 8192 токена. В карточке указаны форматы safetensors и библиотека Transformers; сведения о лицензии и языках в предоставленных источниках отсутствуют.

zelk12/MT-Merge5-GP-gemma-2-MTg5MT4g5-9B — объединённая модель для генерации текста и диалогового общения, созданная с помощью mergekit. Она объединяет две предварительно обученные модели Gemma 2: zelk12/MT-Gen5-gemma-2-9B и zelk12/MT4-Gen5-gemma-2-9B методом SLERP. Модель имеет плотную архитектуру Gemma 2 с 9 млрд параметров и контекст длиной до 8192 токенов; для работы с ней указана библиотека Transformers, веса представлены в формате safetensors. Модель предназначена для генерации ответов и ведения диалогов на основе текстовых запросов. README не приводит результатов оценки качества, конкретных языков или специализированных областей применения, поэтому такие свойства нельзя подтвердить по имеющимся данным. Условия лицензирования в предоставленных источниках не описаны.

zelk12/MTM-Merge-IF-gemma-2-MTMMTM1-9B — объединённая с помощью mergekit методом SLERP языковая модель на архитектуре Gemma 2 с 9 млрд параметров. В слиянии использованы zelk12/MT-Merge-gemma-2-9B и zelk12/MT-Merge1-gemma-2-9B; README указывает базовую модель zelk12/MT-Merge-gemma-2-9B и тип данных bfloat16. Модель предназначена для генерации текста и диалоговых ответов. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Репозиторий содержит веса в формате safetensors и рассчитан на работу с библиотекой Transformers. Данные о специальных областях применения и поддерживаемых естественных языках не приводятся. Лицензия в предоставленных данных не указана, поэтому условия использования следует проверить в карточке модели и у базовых моделей. Качество, поведение и ограничения после слияния отдельно не описаны.

zelk12/MT-MM-gemma-2-AAIF-9B — объединённая языковая модель на архитектуре Gemma 2, созданная методом SLERP с помощью mergekit из ifable/gemma-2-Ifable-9B и lemon07r/Gemma-2-Ataraxy-Advanced-9B. Модель содержит 9 млрд параметров и рассчитана на генерацию текста в диалоговом режиме; она подходит для ведения беседы и творческого письма. Работает с библиотекой Transformers, веса представлены в формате safetensors, контекстное окно составляет 8192 токена. Модель принимает текст и генерирует текст. README не сообщает результаты сравнительных оценок или специализированные возможности. Лицензия в предоставленных данных не указана.

dazednaut/muadbot — текстовая генеративная модель, дообученная разработчиком dazednaut на базе unsloth/gemma-2-27b-it-bnb-4bit. Она предназначена для диалогового взаимодействия и генерации текста. Модель использует архитектуру Gemma 2 с 27,6 млрд параметров и контекстом до 8192 токенов; карточка указывает обучение с Unsloth и библиотекой TRL. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

Multilingual Grammar Corrector using mT5-small — дообученная модель на архитектуре mT5-small для исправления грамматических ошибок в коротких предложениях. Разработчик обучал её на синтетических и отобранных вручную данных; заявлены английский, испанский, французский и русский языки. Размер модели — 157,4 млн параметров; веса опубликованы в формате safetensors. Модель принимает текст и генерирует исправленный вариант, поэтому подходит для корректуры коротких фраз на четырёх заявленных языках. В README приведены ориентировочные показатели: 99% для английского, 75% для испанского, 70% для французского и 80% для русского, однако методика оценки не описана. Лицензия — MIT.

ibivibiv/multimaster-7b-v5 — языковая модель для генерации текста, опубликованная на Hugging Face. По метаданным, она построена на архитектуре Mixtral с механизмом Mixture of Experts и содержит 7,1 млрд параметров. Модель рассчитана на контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Модель подходит для генерации продолжений текста и других сценариев, основанных на text-generation. В карточке приведены результаты Open LLM Leaderboard: средний балл 75,01, ARC — 72,18, HellaSwag — 88,42; подробности остальных результатов не представлены. README не сообщает разработчика, данные обучения, специализацию и конкретные ограничения модели. Лицензия — Apache-2.0. Английский указан среди языковых тегов.

Multi Master 7Bx5 v6 — языковая модель, обученная ibivibiv для экспериментов с настройкой маршрутизации экспертов в моделях семейства Mixtral и решения задач из разных областей. Это версия с 7,1 млрд параметров на архитектуре MoE Mixtral, реализованная как MixtralForCausalLM и распространяемая в формате safetensors. Модель создана на основе openchat/openchat-3.5-0106: к ней применили LoRA дообучение, а затем объединили адаптер с основной моделью. Модель предназначена для генерации текста по инструкциям в шаблоне Alpaca и для многоцелевого использования на английском языке. В карточке приведены результаты бенчмарков, включая средний балл 75,66, ARC 72,78 и HellaSwag 88,77; полные результаты остальных тестов в доступном тексте не раскрыты. Контекстное окно составляет 32 768 токенов. Модель использует библиотеку Transformers и распространяется по лицензии Apache-2.0.

Muse-Glimmer-30B-CoreAI — это квантованный текстовый декодер модели Meta Muse-Glimmer-30B, подготовленный для запуска в Apple Core AI, преемнике Core ML. Модель предназначена для локальной генерации текста на устройствах Apple с macOS 27 и соответствующей поддержкой Core AI; заявлены сценарии диалога, работы с кодом, пошаговых рассуждений и вызова инструментов. Перцептивный энкодер исходной агентной VLM в комплект не входит, поэтому данная версия работает только с текстом. Модель имеет около 30 млрд параметров; используется формат Core AI .aimodel и 4-битная квантизация int4hu. Размер артефакта составляет 16,35 ГБ. В описании упоминается окно контекста до 2048 токенов и запуск на GPU или Neural Engine через Apple Core AI. На Mac Studio с M4 Max заявлена скорость декодирования около 26,69 токена в секунду без спекулятивного декодирования, а для отдельных задач с n-gram drafting — до 53,71 токена в секунду. Спекулятивное декодирование не требует дополнительных весов и, по приведённым тестам, сохраняет побайтно идентичный результат. Сильными сторонами являются локальный запуск, сравнительно небольшой для 30B-модели размер, поддержка Apple Silicon и высокая скорость генерации; результаты зависят от сценария, длины генерации, охлаждения устройства и параметров спекулятивного декодирования. Ограничения включают отсутствие визуального энкодера, ограниченное контекстное окно, зависимость производительности от оборудования и отсутствие универсальности приведённых бенчмарков. Модель распространяется по лицензии Apache-2.0.

Muse-Glimmer-30B-M — это средняя по степени сжатия 4-битная квантованная версия языковой модели Muse-Glimmer-30B, подготовленная Mirai Labs для эффективного локального запуска на компьютерах Apple с Apple silicon. Модель предназначена для генерации текста и локальных сценариев использования LLM, включая агентские задачи, диалоги, обучение с учителем и работу с длинным контекстом. Подробные сведения об исходной архитектуре, размере контекстного окна и поддерживаемых языках в данной карточке не указаны. Квантование выполнено методом асимметричного целочисленного представления с 4-битными zero points, масштабами bfloat16 и размером группы 64. Для уменьшения выбросов активаций и весов применяются блочно-диагональные случайные преобразования Адамара; также использованы посттренировочное квантование и дистилляция с учётом квантования. По внутренним оценкам KL эта версия сопоставима с Unsloth UD-Q4_K_XL GGUF. Основные ограничения — поддержка инференса только на Apple silicon и зависимость характеристик, возможностей и ограничений от исходной модели Muse-Glimmer-30B. Лицензия — Apache-2.0.

RadixArk подготовила Muse-Glimmer-q4k-dynamic-MLX — текстовую версию Muse Glimmer для компьютеров Apple Silicon, упакованную в формат MLX. Это плотная модель семейства Muse Glimmer с 28 млрд параметров, 52 слоями и контекстом до 131 072 токенов. Репозиторий содержит веса в safetensors, разбитые на пять файлов; библиотека запуска — MLX, для сервинга автор рекомендует SGLang с MLX-бэкендом. Модель предназначена для генерации текста в диалогах и поддерживает интерфейс вызова инструментов. Квантование использует смешанную схему 4/5/6 бит с размером группы 32; веса сохраняют коды исходного динамического GGUF-квантования, а преобразование в MLX выполнено без повторного квантования. По приведённым автором тестам на одной системе результаты близки к запуску исходного GGUF через llama.cpp, однако эти оценки относятся к конкретным тестам и конфигурации. Для запуска автор указывает Mac с унифицированной памятью от 48 ГБ. Модель работает только с текстом: у MLX-бэкенда нет пути обработки изображений. Сведения о лицензии в предоставленной карточке отсутствуют.

MyAlee-Qwen-Instruct-v2-16k-v1 — дообученная Arcee AI модель Qwen2-7B для генерации текста в диалоговом формате. Она содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и распространяется в формате Safetensors. Метаданные указывают контекст до 131 072 токенов; название модели также содержит «16k», поэтому фактическую длину контекста стоит сверять с конфигурацией конкретного запуска. Модель подходит для генерации ответов и ведения текстового диалога. README сообщает о дообучении на датасете, обозначенном как None, и не приводит сведения о назначении, данных оценки или специальных областях применения. Лицензия — Apache 2.0.

Decodesrahul/my-custom-smart-ai — дообученная Decodesrahul разговорная языковая модель на архитектуре Llama. Она предназначена для генерации текста в формате чата и основана на unsloth/llama-3-8b-instruct-bnb-4bit; для обучения использовались Unsloth и библиотека TRL. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель подходит для диалоговых сценариев и генерации ответов на английском языке. В карточке не описаны специализированные области применения и конкретные наборы данных, поэтому её следует считать моделью общего назначения. Лицензия — Apache 2.0.

MyriadStrangemerges_32-7B — автоматически созданное слияние моделей Muhammad2003 и Gille, опубликованное Maxime Labonne. Модель основана на архитектуре Mistral и содержит 7,1 млрд параметров; веса сохранены в формате safetensors, а контекст составляет до 32 768 токенов. Модель предназначена для генерации текста. Она создана методом SLERP с настройками, которые по-разному смешивают слои self-attention и MLP двух исходных моделей. Для модели указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование.

OsaurusAI подготовила для Apple Silicon сборку JANG_6M модели Nanbeige4.2-3B — диалоговой языковой модели с архитектурой Looped Transformer. В README указаны 22 слоя, выполняемые дважды с общими весами, что даёт эффективную глубину 44 слоя; размер весов — 4,17 млрд параметров. Контекст составляет 256K токенов. Модель дообучена на базе Nanbeige/Nanbeige4.2-3B и представлена в формате MLX safetensors с 6-битными аффинными весами и 8-битным attention; метаданные указывают библиотеку MLX и лицензию Apache-2.0. Модель предназначена для диалогов, генерации текста, рассуждений и агентных сценариев с вызовом инструментов на английском и китайском языках. README приводит результаты проверки близости к исходной версии bf16 и скорости генерации на M5 Max, но они относятся к описанной аппаратной конфигурации и тестам автора. Для корректной работы требуется загрузчик, поддерживающий архитектуру Nanbeige с циклическим выполнением слоёв и 44 слотами KV-кэша; общий загрузчик или один только mlx_lm.generate без соответствующего класса модели может выдавать неверные ответы. Сборка предназначена для Apple Silicon и распространяется по лицензии Apache-2.0.

Nandine-7b — объединённая модель семейства Mistral, опубликованная sethuiyer. Она создана методом DARE-TIES из senseable/Westlake-7B, Guilherme34/Samantha-v2 и uukuguy/speechless-mistral-six-in-one-7b; в конфигурации указан базовый Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, а её контекст составляет до 32 768 токенов. Модель предназначена для диалогового общения, творческого письма, обсуждения сложных тем и общей помощи. Карточка отмечает сильные стороны в повествовании, эмпатичных ответах, ясной подаче и анализе; приведённые оценки получены на синтетических запросах и стандартных бенчмарках. Основной язык карточки — английский. Среди ограничений указаны недостаточная естественность перевода, ошибки в некоторых математических и логических задачах, а также неполная глубина отдельных ответов и исторических объяснений. Модель распространяется по лицензии Apache-2.0.