I.5Создание и редактирование текста

sfm_filtered_midtrain_alignment-7k_8k_9k_weightedavg_merge — объединённая языковая модель, созданная с помощью mergekit. В качестве базовой использована версия чекпойнта global_step9000; в слияние также вошли global_step8000 и global_step7000. Применён линейный метод слияния. Модель основана на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и использует формат safetensors. Она предназначена для генерации текста и диалогового взаимодействия, поддерживает контекст длиной до 16 384 токенов. Условия лицензии и сведения о конкретных поддерживаемых естественных языках в предоставленных данных отсутствуют.

Shadowm7expMeliodaspercival_01_experiment26t3q-7B — автоматически объединённая текстовая модель на архитектуре Mistral, созданная Maxime Labonne. Она предназначена для генерации текста и диалогов, включая сценарии с длинным контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и объединяет ShadowM7EXP-7B и MeliodasPercival_01_Experiment26T3q с базовой моделью Mistral-7B-v0.1 методом model_stock; веса представлены в формате safetensors и типе bfloat16. Репозиторий распространяется по лицензии Apache-2.0.

Ksgk-fy/ShadowStrangemerges_32-7B — языковая модель для генерации текста, созданная слиянием моделей на базе Mistral. Конфигурация README указывает на merge методом dare_ties моделей CorticalStack/shadow-clown-7B-slerp и Gille/StrangeMerges_32-7B-slerp; метаданные связывают репозиторий с Gille/StrangeMerges_32-7B-slerp. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Её можно применять для диалогов, черновиков, продолжения текста и ответов на вопросы; карточка не описывает специализированные области или языки. В репозитории указаны веса safetensors и лицензия Apache-2.0.

ShadowYamshadow_Experiment27Inex12 — объединённая модель генерации текста, созданная на основе automerger/ShadowYamshadow-7B и automerger/Experiment27Inex12-7B. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. В доступных материалах не описаны специальные предметные области или дополнительные возможности помимо генерации текста.

ShadowYamshadow_Inex12Strangemerges_30 — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и может использоваться в сценариях, где нужны ответы или продолжение текста на основе запроса. Модель объединяет automerger/ShadowYamshadow-7B и automerger/Inex12Strangemerges_30-7B. Контекст — до 32 768 токенов. Метаданные указывают задачу text-generation; сведения о специализации на конкретных языках или областях не приведены. Лицензия — Apache-2.0.

SlimOpenOrca-Mistral-7B — языковая модель семейства Mistral, созданная Weyaxi слиянием TIES моделей Open-Orca/Mistral-7B-SlimOrca и Open-Orca/Mistral-7B-OpenOrca. Это плотная авторегрессионная модель на 7,1 млрд параметров, распространяемая в формате safetensors; нативный контекст составляет 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы и следование инструкциям. В README указаны веса слияния 0,5 для SlimOrca и 0,3 для OpenOrca, а также плотность 0,5 для каждой исходной модели. Лицензия — Apache-2.0. Карточка также сообщает о вариантах GPTQ, GGUF и AWQ, опубликованных TheBloke; это отдельные квантованные версии.

SlimOpenOrca-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 от Mistral AI и SlimOpenOrca-Mistral-7B от Weyaxi методом slerp. Она предназначена для генерации текста и ответов на инструкции в формате диалога. Модель построена на архитектуре Mistral с 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса представлены в формате Safetensors; лицензия — Apache 2.0. В карточке не приведены сведения о целевых языках и специализированных предметных областях.

Smaug-Llama-3-70B-Instruct-32K — большая языковая модель Abacus.AI для диалогов и генерации текста, основанная на Meta Llama 3 70B Instruct. Это плотная авторегрессионная архитектура Llama с 69,5 млрд параметров и контекстом до 32 768 токенов. Версия 32K использует PoSE и перенос LoRA-адаптера; формат репозитория — safetensors, модель предназначена для работы с Transformers и сохраняет формат промптов Llama 3 70B Instruct. Модель подходит для диалоговых ассистентов, ответов на вопросы, решения математических задач и помощи с кодом. В README приведены результаты отдельных тестов, однако авторы отмечают, что на оценку Arena-Hard влияет многословность ответов; часть результатов бенчмарков отсутствует или помечена как предварительная. Модель распространяется по лицензии Llama 3 (llama3), условия которой следует учитывать при использовании и распространении.

jaspionjader/sof-10 — это объединённая авторегрессионная языковая модель семейства Llama, созданная с помощью mergekit методом Model Stock. В качестве базовой модели использована jaspionjader/sof-6; в объединение также вошли jaspionjader/sof-3, jaspionjader/sof-5 и jaspionjader/sof-9. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый режим и имеет контекстное окно до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Файлы опубликованы в формате safetensors, библиотека для работы — Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках, поэтому нельзя определить основной язык модели. Лицензия в доступных данных не указана.

jaspionjader/sof-12 — объединённая языковая модель, созданная разработчиком jaspionjader из sof-10, sof-11 и sof-6 с помощью mergekit и метода Model Stock. Модель построена на архитектуре Llama с плотной структурой и содержит 7,5 млрд параметров; она предназначена для генерации текста и диалогов, поддерживает контекст до 131 072 токенов и работает через библиотеку Transformers. Модель принимает текст и выдаёт текст. Карточка не уточняет специализацию по языкам или предметным областям, поэтому её можно рассматривать для общих диалоговых сценариев и генерации текста. Веса опубликованы в формате Safetensors. Лицензия в предоставленных данных не указана.

pinkyponky выпустил SOLAR-10.7B-dpo-instruct-tuned-v0.1 — текстовую генеративную модель для ответов на инструкции и диалоговых запросов. В метаданных указаны архитектура Llama, 10,6 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель предназначена для загрузки через Transformers. Название и карточка указывают на DPO- и instruct-настройку модели, однако README сообщает, что сведения об обучении и данных будут добавлены позже. В примере загрузки указана базовая модель Upstage/SOLAR-10.7B-v1.0. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Spark-X2.5-1.7B-Base — компактная универсальная языковая модель на 1,7 млрд параметров, разработанная командой Spark-X2.5. Это предварительно обученная плотная autoregressive-модель для Transformers с гибридной архитектурой внимания: один слой полного внимания сочетается с тремя слоями скользящего окна. Модель поддерживает контекст до 1 048 576 токенов и предназначена для диалога, письма, перевода, рассуждений, программирования и работы с инструментами и агентными системами. В README заявлена поддержка более 200 языков и эффективность на длинных контекстах за счёт уменьшения вычислительных затрат и размера KV-кэша. Метаданные карточки отдельно отмечают английский и китайский языки, а также интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors; указана совместимость с Transformers и рядом средств инференса и развертывания. Модель выпущена под лицензией Apache-2.0. README приводит сравнительные заявления о производительности, но не предоставляет подробностей бенчмарков. В описании карточки нет отдельных сведений о конкретных ограничениях качества.

Spark-X2.5-4B-FP8 — компактная универсальная языковая модель, разработанная командой SparkLLM; базовая модель указана как XHToken/Spark-X2.5-4B-Base. Версия FP8 предназначена для генерации текста и может применяться в диалогах, написании и редактировании текстов, переводе, рассуждениях, программировании, использовании инструментов и агентских сценариях. Модель содержит около 4 млрд параметров и использует гибридную архитектуру внимания: один слой полного внимания на три слоя sliding-window attention. Она поддерживает контекст до 1 млн токенов и более 200 языков. Модель обучалась на примерно 20 трлн токенов из веб-страниц, книг, научных публикаций, кода и энциклопедических материалов; дополнительное обучение включало supervised fine-tuning, масштабное reinforcement learning и метод MOPD. Заявлена совместимость с Transformers, vLLM, SGLang, llama.cpp, MLX, Ollama и LM Studio, а также с различными аппаратными платформами. Сильными сторонами являются сочетание длинного контекста, эффективности инференса, уменьшенного использования KV-cache, возможностей программирования и агентской работы. Ограничения конкретной версии FP8, включая возможные потери точности квантования и фактическое качество на отдельных языках и задачах, в README не уточняются. Модель распространяется по лицензии Apache-2.0.

Spark-X2.5-4B-INT8 — компактная универсальная языковая модель, разработанная командой XHToken. Это постобученная INT8-версия базовой модели XHToken/Spark-X2.5-4B-Base, распространяемая в формате Hugging Face Transformers. Модель предназначена для диалогов, написания и перевода текстов, рассуждений, программирования, работы с инструментами, следования инструкциям и агентских сценариев. Модель содержит около 4 млрд параметров и использует гибридную архитектуру внимания: один слой полного внимания и три слоя sliding-window attention. Она поддерживает контекст до 1 млн токенов и более 200 языков. Обучение проводилось примерно на 20 трлн токенов из веб-страниц, книг, академических публикаций, кода и энциклопедических материалов; дополнительные этапы включали supervised fine-tuning, reinforcement learning и MOPD. Заявлена совместимость с vLLM, SGLang, llama.cpp, MLX, Ollama, LM Studio и LLaMA-Factory, а также с широким спектром аппаратных платформ. К сильным сторонам относятся эффективность работы с длинным контекстом, уменьшенные вычислительные затраты и объём KV-кэша, а также возможности в программировании, рассуждениях и агентских задачах среди моделей сопоставимого размера. README не содержит подробных результатов бенчмарков, точных сведений о токенизаторе и ограничениях INT8-квантизации, поэтому эти характеристики нельзя оценить дополнительно. Модель распространяется по лицензии Apache-2.0.

Spell-Corrector-RU-4B — русскоязычная модель для исправления орфографии, пунктуации и регистра текста, разработанная melsmm. Это дообученная с помощью LoRA модель RefalMachine/RuadaptQwen3-4B-Instruct на архитектуре Qwen3; адаптер объединён с базовой моделью. Модель содержит 3,7 млрд параметров, принимает текст и выдаёт его исправленную версию. Для работы используется библиотека Transformers; заявленная длина контекста — 262144 токена. Модель предназначена для корректуры русскоязычных текстов в пользовательских приложениях и производственных системах. Она обучалась на синтетических и реальных парах ошибок и исправлений; автор рекомендует vLLM для развёртывания через OpenAI-совместимый API. На приведённых бенчмарках качество различается по доменам: модель уступает SAGE по орфографии в нескольких наборах, а на технических и специализированных текстах точность может снижаться. Лицензия — Apache-2.0.

chain03/SRole_3181 — объединённая модель для генерации текста и диалогового общения. Она создана методом линейного слияния mergekit из двух предварительно обученных языковых моделей: /root/top1 и /root/top2. Модель использует плотную архитектуру семейства Llama с классом LlamaForCausalLM и содержит 7,5 млрд параметров. Модель рассчитана на генерацию текста и ответы в формате чата. Заявленная длина контекста — 131 072 токена. Веса доступны в формате safetensors; в конфигурации слияния указан тип данных bfloat16. Лицензия в предоставленных сведениях не указана.

StrangeMerges_2-7B-slerp — объединённая модель для генерации текста, созданная Gille методом SLERP с помощью LazyMergekit на основе Gille/StrangeMerges_1-7B-slerp и Keynote-Technology/KAI-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и общих языковых задач; в README приведены результаты оценки на задачах рассуждения и понимания текста. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

StrangeMerges_43-7B-dare_ties — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная Gille объединением моделей с помощью LazyMergekit. В состав объединения входят Gille/StrangeMerges_21-7B-slerp, liminerity/M7-7b и Gille/StrangeMerges_42-7B-dare_ties; в конфигурации указаны метод dare_ties и точность bfloat16. Модель предназначена для генерации текста и диалоговых сценариев, а контекст составляет до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает отдельные специализации или языки модели.

SuperMente-7B-v3 — объединённая модель семейства Mistral на 7,1 млрд параметров, созданная Kukedlc с помощью LazyMergekit. В конфигурации использован метод слияния slerp для Kukedlc/SuperMente-7B-v2 и Kukedlc/SuperMente-7B; веса представлены в формате safetensors. Модель предназначена для генерации текста. Она принимает текстовые запросы и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. В README не описаны специальные области применения или поддерживаемые естественные языки, поэтому модель можно рассматривать как модель общего назначения. README и метаданные не содержат сведений о лицензии или конкретных ограничениях качества и безопасного использования.

SepKeyPro/SuperQwen2-7B-Chat — объединённая разговорная языковая модель на базе семейства Qwen2, созданная с помощью Mergekit. В состав слияния вошли Qwen/Qwen2-7B-Instruct, natong19/Qwen2-7B-Instruct-abliterated и cognitivecomputations/dolphin-2.9.2-qwen2-7b; метод слияния — model_stock, формат весов — bfloat16 в safetensors. Модель содержит 7,1 млрд параметров, имеет плотную архитектуру Qwen2ForCausalLM и контекст до 32 768 токенов. Она предназначена для диалогов и генерации текста. В карточке не описаны поддерживаемые языки и специальные предметные области. Условия лицензии в предоставленных данных не приведены.

Supertron-2.1-8B-A1B — языковая модель-ассистент, разработанная Surpem и дообученная на LiquidAI/LFM2.5-8B-A1B. Это причинная модель с архитектурой LiquidAI LFM2.5 MoE; в репозитории указаны класс 8B и поведение с примерно 1B активных параметров, а в метаданных — 1,6 млрд параметров. Контекст составляет до 128 000 токенов. Модель предназначена для диалога и следования инструкциям, ответов на общие вопросы, рассуждений, математики, программирования, письма, суммаризации и объяснения технических и научных тем. Принимает текст и генерирует текст; в карточке заявлена поддержка английского языка. Она совместима с Transformers и распространяется по лицензии Apache 2.0. Модель может ошибаться в фактах, математике и коде, а сложные рассуждения требуют проверки. Качество ответов зависит от настроек генерации; модель не предназначена для принятия критически важных решений в праве, медицине, финансах, безопасности и вопросах идентификации без независимой экспертной проверки.

SynthIA-7B-v1.3-dare-0.85-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.1 и uukuguy/SynthIA-7B-v1.3-dare-0.85 методом SLERP. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors; базовая модель предназначена для генерации ответов на инструкции и диалоговые запросы. Модель подходит для диалогового взаимодействия и генерации текста по инструкциям с контекстом до 32 768 токенов. Используйте её для создания чат-ботов, черновиков и ответов на текстовые запросы. В README указана конфигурация слияния и точность bfloat16. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_CalmeInex12 — объединённая модель на архитектуре Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/CalmeInex12-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, принимает контекст длиной до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache-2.0. README и метаданные не сообщают о специализации по языкам или предметным областям.

T3qm7xNeuralsirkrishna_Experiment26Yamshadow — объединённая языковая модель семейства Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment26Yamshadow-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов; поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. Данные карточки не описывают специализацию по языкам или предметным областям, поэтому её следует рассматривать как модель общего назначения.

T3qm7xNeuralsirkrishna_Experiment28Experiment26 — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment28Experiment26-7B. Она предназначена для генерации текста и диалогов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_Experiment28Inex12 — объединённая языковая модель семейства Mistral, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment28Inex12-7B. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов по текстовым запросам. Контекстное окно составляет до 32 768 токенов, что позволяет учитывать длинные входные тексты в пределах этого лимита. В метаданных указана лицензия Apache-2.0.

T3qm7xNeuralsirkrishna_Experiment28Yam — объединённая языковая модель семейства Mistral, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment28Yam-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и хранится в формате safetensors. Возможные сценарии применения — генерация продолжений и ответов на текстовые запросы. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_NeuralExperiment26 — объединённая языковая модель семейства Mistral, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/NeuralExperiment26-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов; контекстное окно составляет до 32 768 токенов. Карточка не уточняет специализацию по языкам или предметным областям. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_Ognoexperiment27M7 — объединённая текстовая модель на архитектуре Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Ognoexperiment27M7-7B. Репозиторий подготовлен пользователем MaziyarPanahi. Модель предназначена для генерации текста и диалогов; она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Карточка не описывает отдельные языковые или специализированные прикладные сценарии, поэтому модель можно рассматривать как средство общего назначения для генерации текста.

T3qm7xNeuralsirkrishna_PasticheInex12 — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов, а контекстное окно составляет до 32 768 токенов. Модель создана объединением automerger/T3qm7xNeuralsirkrishna-7B и automerger/PasticheInex12-7B. Доступна в формате Safetensors и распространяется по лицензии Apache-2.0. В README и метаданных не описаны специальные предметные области или языки, на которые она рассчитана.