I.5Создание и редактирование текста

Это текстовая генеративная модель Mistral с 7,1 млрд параметров, дообученная ShenaoZ на основе HuggingFaceH4/mistral-7b-sft-beta на наборах данных updated и original. Модель предназначена для диалогового общения и генерации ответов на текстовые запросы; каталог отмечает поддержку чата. Максимальная длина контекста — 32 768 токенов. Модель распространяется в формате Safetensors по лицензии MIT. README не содержит сведений о специализированных областях применения или результатах оценки, поэтому качество и ограничения в конкретных сценариях по доступным данным определить нельзя.

Это диалоговая модель Mistral с 7,1 млрд параметров, дообученная автором репозитория на базовой модели ShenaoZ/0.0001_sft_nodpo_5iters_bs256_555lr_iter_3 с использованием наборов данных updated и original. Она предназначена для генерации текста в чате и использует архитектуру MistralForCausalLM с контекстом до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии MIT. README не приводит сведений о специализации обучения или результатах оценки.

Модель ShenaoZ/0.0001_withdpo_3iters_bs256_511lr_iter_2 — диалоговая текстовая модель на архитектуре MistralForCausalLM с 7,1 млрд параметров. Это дообученная версия ShenaoZ/0.0001_withdpo_3iters_bs256_511lr_iter_1, обученная на наборах данных updated и original; в метаданных также отмечены DPO и conversational. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст, поддерживает контекст длиной до 32 768 токенов и распространяется под лицензией MIT. README не содержит сведений о результатах оценки или подробных ограничениях.

Это диалоговая модель генерации текста, созданная ShenaoZ путём дообучения Mistral-7B-Instruct-v0.2 на наборе HuggingFaceH4/ultrafeedback_binarized с использованием DPO. Модель содержит 7,1 млрд параметров, построена на архитектуре MistralForCausalLM и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалога и выполнения инструкций: она принимает текстовые запросы и генерирует текстовые ответы. Репозиторий распространяет веса в формате safetensors по лицензии Apache-2.0. README не содержит подробностей об оценке качества и ограничениях модели.

ShenaoZ/0.0005_mistral_withdpo_4iters_bs256_5551lr_iter_2 — диалоговая текстовая модель семейства Mistral, дообученная методом Direct Preference Optimization (DPO) на обновлённом и исходном наборах данных. Она предназначена для генерации текста в чат-сценариях. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. README не описывает специализированные сценарии, оценку качества или ограничения модели. Репозиторий распространяется по лицензии Apache-2.0; веса представлены в формате safetensors.

Это чат-модель Mistral с 7,1 млрд параметров, дообученная разработчиком на предыдущей версии ShenaoZ/0.0005_withdpo_4iters_bs256_555lr_iter_2. Согласно карточке, для дообучения использовались обновлённый и исходный наборы данных; теги указывают на применение DPO. Модель предназначена для генерации текста в диалоговом формате и принимает текстовые запросы, выдавая текстовые ответы. Максимальная длина контекста составляет 32 768 токенов. Модель опубликована в формате safetensors под лицензией MIT. README не содержит описания целевых сценариев, результатов оценки или конкретных ограничений, поэтому качество на отдельных задачах по доступным сведениям оценить нельзя.

ShenaoZhang/0.001_4iters_bs256_nodpo_only4w_iter_4 — языковая модель на архитектуре Mistral с 7,1 млрд параметров, дообученная на основе ShenaoZhang/0.001_4iters_bs256_nodpo_only4w_iter_3 на обновлённом и исходном наборах данных. Модель предназначена для генерации текста и диалогового взаимодействия. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель выпущена под лицензией MIT. Карточка не содержит сведений о конкретных сценариях применения, оценке качества или ограничениях, поэтому практические возможности сверх генерации текста и чата не уточняются.

Это плотная авторегрессионная языковая модель семейства Mistral, дообученная ShenaoZhang на базе HuggingFaceH4/mistral-7b-sft-beta с использованием обновлённого и исходного наборов данных. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для генерации текста в диалоговом формате. Модель подходит для общения и создания текстовых ответов на запросы. Карточка не приводит подробностей о составе обучающих данных и результатах оценки, поэтому качество на конкретных задачах и языках по этим данным определить нельзя. Распространяется по лицензии MIT.

Модель ShenaoZ/0.001_ablation_4iters_bs256_declr_iter_1 — дообученная версия Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана на базе HuggingFaceH4/mistral-7b-sft-beta с использованием датасета HuggingFaceH4/ultrafeedback_binarized и предназначена для генерации текста и диалогового общения. Модель поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors по лицензии MIT. Её можно использовать для создания ответов на вопросы и ведения текстовых диалогов. Подробные сведения об обучении и оценке, а также конкретные ограничения этой версии в README не описаны.

Модель ShenaoZ/0.001_ablation_4iters_bs256_nodpo_useresponse_iter_2 — дообученная авторами ShenaoZ языковая модель на архитектуре Mistral для генерации текста и диалогового общения. Она обучена на обновлённом и исходном наборах данных и является следующим этапом дообучения модели ShenaoZ/0.001_ablation_4iters_bs256_nodpo_useresponse_iter_1. Модель содержит 7,1 млрд параметров, принимает текстовый контекст длиной до 32 768 токенов и распространяется в формате safetensors. Модель можно использовать для генерации текста и ответов в диалоге. README не описывает специализированные сценарии, качество, языки, методику оценки или дополнительные ограничения. Лицензия — MIT.

Это дообученная модель Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана на основе HuggingFaceH4/mistral-7b-sft-beta с использованием датасета HuggingFaceH4/ultrafeedback_binarized; метаданные также указывают на обучение методом DPO и поддержку диалогового взаимодействия. Модель предназначена для генерации текста и общения в формате чата. Она принимает текст и выдаёт текст; заявленная длина контекста составляет 32 768 токенов. Базовая модель описана как ориентированная на англоязычные синтетические диалоги, поэтому основным языком следует считать английский. Модель распространяется по лицензии MIT. README не содержит сведений о результатах оценки или конкретных ограничениях качества.

Диалоговая языковая модель Mistral с плотной архитектурой и 7,1 млрд параметров, дообученная автором на обновлённом и исходном наборах данных. Она предназначена для генерации текста в диалоге, ответов на вопросы и других текстовых сценариев. Модель поддерживает контекст до 32 768 токенов и представлена в формате safetensors. Модель основана на ShenaoZ/0.001_withdpo_4iters_bs256_5551lr_iter_1; в метаданных базовая модель описана как дообученная методом DPO для диалогов и ответов на вопросы. Лицензия модели — MIT. README не содержит сведений об оценке качества или конкретных ограничениях, поэтому качество ответов следует проверять на целевых задачах.

Модель ShenaoZ/0.001_withdpo_4iters_bs256_555lr_iter_3 — дообученная авторами ShenaoZ версия ShenaoZ/0.001_withdpo_4iters_bs256_555lr_iter_2. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Указанное нативное окно контекста — 32 768 токенов. Модель распространяется в формате Safetensors по лицензии MIT. README не содержит сведений о конкретных сценариях применения, языковой специализации или результатах оценки; наборы данных обозначены только как updated и original.

0.01_ablation_4iters_bs256_nodpo_iter_1 — дообученная ShenaoZ модель Mistral с 7,1 млрд параметров, созданная на основе HuggingFaceH4/mistral-7b-sft-beta. Для обучения использовались версии наборов данных updated и original; модель предназначена для генерации текста и общения в формате чата. Модель имеет плотную архитектуру MistralForCausalLM, принимает текст и генерирует текст. Размер её контекста — до 32 768 токенов. В метаданных указана лицензия MIT. README не приводит результатов оценки или более подробного описания обучения.

Это дообученная модель генерации текста на базе ShenaoZ/0.01_ablation_4iters_bs256_nodpo_iter_1. Она построена на архитектуре Mistral с плотной причинно-следственной языковой моделью, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и общения в чате. Дообучение выполнено на исходном и обновлённом датасетах. Карточка не раскрывает состав данных, результаты оценки или конкретные сценарии, поэтому качество для отдельных задач установить нельзя. Модель распространяется по лицензии MIT.

Это чат-модель на архитектуре Mistral с 7,1 млрд параметров, дообученная ShenaoZ на HuggingFaceH4/mistral-7b-sft-beta с использованием датасета HuggingFaceH4/ultrafeedback_binarized. Она предназначена для генерации ответов и общения в текстовом формате; поддерживает контекст до 32 768 токенов. В метаданных указаны библиотека Transformers и формат весов safetensors. Модель подходит для диалоговых сценариев и ответов на вопросы. Карточка не содержит сведений о результатах оценки и конкретных ограничениях качества. Лицензия — MIT.

ShenaoZ/0.0_withdpo_4iters_bs256_531lr_iter_2 — плотная языковая модель Mistral с 7,1 млрд параметров, дообученная командой ShenaoZ на обновлённом и исходном наборах данных на основе ZhangShenao/0.0_ablation_sample1_4iters_bs256_iter_1. Модель предназначена для генерации текста в диалоговом режиме; максимальная длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии MIT. Сведения о конкретных сценариях применения, поддерживаемых языках и результатах оценки в карточке отсутствуют, поэтому их нельзя уточнить.

PS4Research/0VOz3fgU0qp4lVar — дообученная модель генерации текста на архитектуре Olmo 3, созданная PS4Research на основе allenai/Olmo-3.1-32B-Think. В карточке указано, что для обучения использовались Unsloth и библиотека TRL от Hugging Face; модель содержит 31,7 млрд параметров и поддерживает контекст до 65 536 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; интерфейс поддерживает вызов инструментов. Базовая модель ориентирована на английский язык и задачи рассуждений, в том числе математику и программирование. Сведений о специальных улучшениях, полученных при дообучении, в карточке нет. Лицензия — Apache-2.0.

0x01-8x7B-hf — слитая языковая модель семейства Mixtral, опубликованная rAIfle. Автор описывает её как многоэтапное слияние нескольких моделей с разными весами и методами; модель предназначена для генерации текста. В метаданных указаны архитектура MixtralForCausalLM с механизмом Mixture of Experts, 7,1 млрд параметров и контекст до 32 768 токенов. Автор сообщает, что модель показала приемлемые результаты при использовании рекомендованных настроек, однако конкретные сценарии и языки не описаны. Репозиторий содержит веса в формате safetensors; также перечислены отдельные квантованные версии GGUF и exl2. Лицензия в предоставленных данных не указана.

1.5-Pints-16K-v0.1 — языковая модель команды Pints AI для диалогов и генерации текста. Она основана на авторегрессионной архитектуре Llama 2, содержит около 1,57 млрд параметров и использует токенизатор Mistral. Модель обучалась на 57 млрд токенов отобранных данных, затем была дообучена на инструкциях и оптимизирована по предпочтениям; в карточке указано окно контекста 16 384 токена и формат весов safetensors. Модель предназначена для создания компактного помощника, ответов на запросы и рассуждений, а также для запуска нескольких экземпляров в агентных сценариях. Авторы рекомендуют использовать поиск с генерацией (RAG) для ответов, требующих точных фактических знаний, и дообучать модель для специализированных областей. В сравнении, приведённом в карточке, результат MTBench для версии 16K — 3,40; это ограничивает ожидания от её качества по сравнению с более крупными моделями. Указана лицензия MIT.

Это исследовательская резервная копия чекпойнта в стандартном формате Hugging Face, разработанная yuq-zhou. Модель построена на архитектуре Qwen3 и содержит 1,7 млрд параметров; она предназначена для генерации текста в диалоговом режиме. Метаданные также указывают интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов и опубликована в формате safetensors для библиотеки Transformers. Чекпойнт обозначен как исследовательский артефакт; его README не описывает специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

Это контрольная точка модели в стандартном формате Hugging Face, предназначенная для загрузки через AutoModelForCausalLM. По метаданным это плотная авторегрессионная языковая модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 16 384 токенов. Указаны возможности генерации текста, чата и интерфейс вызова инструментов. Карточка называет репозиторий резервной копией исследовательского артефакта, но не описывает обучающие данные, конкретные сценарии, качество или специализацию модели. Репозиторий разработан пользователем yuq-zhou; лицензия в предоставленных данных не указана.

yuq-zhou/2026-05-o-b0p3-a1p0-gc0p5-exp-td4p0-tw10p0-r1-7-last — контрольная точка языковой модели в стандартном формате Hugging Face для загрузки через Transformers. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов. Метаданные указывают на поддержку чата и интерфейса вызова инструментов; основная задача модели — генерация текста. Модель может использоваться для диалоговых ответов и генерации текста с длинным контекстом. Карточка называет её резервной копией исследовательского артефакта, но не описывает конкретные данные обучения, специализацию или проверенные показатели качества. Лицензия в предоставленных данных не указана.

Это GGUF-квантизированная версия текстовой генеративной модели 70B-L3.3-Cirrus-x1, разработанной Sao10K и подготовленной пользователем bartowski. Квантизация выполнена с помощью llama.cpp и метода imatrix; доступны варианты от Q8_0 до IQ2_XXS с разным соотношением качества, размера файла и требований к памяти. Модель предназначена для генерации текста и может запускаться локально через llama.cpp или LM Studio. В README приведён специальный формат промпта на основе шаблона Llama 3.3 с ролями system, user и assistant. Версия содержит около 70 миллиардов параметров, однако сведения об архитектуре, поддерживаемых языках, модальностях и максимальной длине контекста не указаны. Сильной стороной являются многочисленные варианты квантизации: Q6_K и Q5_K обозначены как высококачественные, Q4_K_M — как стандартный вариант для большинства сценариев, а более компактные Q3 и Q2 позволяют снизить требования к оперативной памяти ценой заметного ухудшения качества. Файлы могут занимать примерно от 19 до 75 ГБ, поэтому для запуска требуется мощное локальное оборудование; точные требования к аппаратному обеспечению и производительности не приведены. Модель распространяется по лицензии llama3.3.

ABEJA-Qwen2.5-32b-Japanese-v0.1 — 32-миллиардная плотная языковая модель на архитектуре Qwen2, разработанная командой ABEJA на базе Qwen/Qwen2.5-32B-Instruct. Модель прошла продолженное предварительное обучение с упором на японский язык; для усиления следования инструкциям применён ChatVector — разностный вектор между Qwen2.5-32B-Instruct и Qwen2.5-32B. Дополнительное постобучение не проводилось. Модель предназначена для генерации текста и диалогов на японском языке. Она принимает текст и выдаёт текст, работает через Transformers, поддерживает контекст до 32 768 токенов и имеет интерфейс для вызова инструментов. Поставляется в формате safetensors. Лицензия — Apache-2.0. Карточка не содержит конкретных результатов оценки качества; модель не проходила этап постобучения, поэтому качество следования инструкциям может отличаться от полноценно постобученных чат-моделей.

ABEJA-Qwen2.5-32b-Japanese-v1.0 — японская языковая модель, разработанная командой ABEJA. Она создана на основе японской версии ABEJA-Qwen2.5-32b-Japanese-v0.1, которая прошла непрерывное предварительное обучение на базе Qwen/Qwen2.5-32B-Instruct; затем модель дообучили методами SFT и DPO. В метаданных указаны плотная архитектура Qwen2, 32 млрд параметров, библиотека Transformers и контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия на японском языке. Её можно применять для ответов на вопросы, подготовки и редактирования японских текстов, а также для диалоговых приложений. Метаданные также отмечают интерфейс вызова инструментов, однако README не описывает его поведение или качество. Модель распространяется под лицензией Apache-2.0. Данных о бенчмарках и конкретных ограничениях качества в карточке нет.

ABEJA-Qwen2.5-7b-Japanese-v0.1 — японская языковая модель команды ABEJA, разработанная на основе Qwen/Qwen2.5-7B-Instruct. Модель с плотной архитектурой Qwen2 и 7,1 млрд параметров предназначена для генерации текста и диалогов; она принимает текст и выдаёт текст. Размер контекстного окна составляет 32 768 токенов. Модель обучена на японских данных методом дистилляции на основе ABEJA-Qwen2.5-32b-Japanese-v0.1, а не обычным продолжением предобучения. Дополнительное дообучение для следования инструкциям не проводилось; авторы применили ChatVector, чтобы повысить способность следовать инструкциям. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Abomination-v0.1-7b — экспериментальная текстовая генеративная модель, созданная пользователем tssst методом passthrough merge из 29 копий Meta Llama 3.2 3B; в карточке среди объединённых моделей указана unsloth/Llama-3.2-3B. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 3,2 млрд параметров. Она предназначена для генерации текста и может использоваться в сценариях продолжения текста и диалога. Метаданные указывают контекстное окно до 131 072 токенов и библиотеку Transformers; репозиторий содержит веса safetensors. Языки и специальная предметная область в карточке не обозначены. Лицензия в предоставленных данных не указана.

ishikaa/acquisition_student_RL_AS_confidence_combined_qwen14b — языковая модель на архитектуре семейства Qwen2, опубликованная пользователем ishikaa. Модель предназначена для генерации текста и диалогового взаимодействия; в метаданных также указано обучение или настройка с использованием TRL и GRPO. README содержит только автоматически созданную карточку и не предоставляет сведений о разработчиках, обучающих данных, методике дообучения или лицензии. Модель имеет около 14 миллиардов параметров и поддерживает контекст до 32 768 токенов. Она может применяться для генерации ответов, ведения диалога, создания черновиков и интеграции в текстовые приложения на базе Transformers. Мультимодальность и конкретный набор естественных языков не заявлены. Ключевые ограничения связаны с неполной документацией: отсутствуют результаты оценки, описание датасета, точные сведения о базовой модели, лицензии и рекомендуемых сценариях использования. Ответы модели могут содержать фактические ошибки, нежелательные формулировки и зависеть от качества промпта; перед применением в критически важных задачах необходима проверка человеком.

ishikaa/acquisition_student_RL_AS_confidence_omnimath_llama8b — языковая модель для генерации текста на базе архитектуры Llama, опубликованная пользователем ishikaa на Hugging Face. По метаданным, модель содержит около 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и работает через библиотеку Transformers. В тегах указаны conversational, TRL и GRPO, что указывает на возможность диалогового применения и обучение с использованием Group Relative Policy Optimization. Модель предназначена для генерации продолжений текста и диалоговых ответов, а также для встраивания в приложения, использующие совместимые с Transformers сценарии text-generation. Большое контекстное окно позволяет обрабатывать длинные запросы и документы. Сведения о разработчике, базовой модели, языках, обучающих данных, результатах оценки и лицензии в предоставленных источниках отсутствуют, поэтому применять модель в продуктивных или чувствительных сценариях следует с дополнительной проверкой качества и безопасности.