I.5Создание и редактирование текста

p-e-w/gpt-oss-20b-heretic — текстовая разговорная модель на архитектуре GPT-OSS, созданная на основе openai/gpt-oss-20b с помощью abliteration, направленной на снижение отказов. В карточке приведено сравнение: в тесте на 100 запросах модель отказала в 58 случаях против 100 у исходной модели; KL-дивергенция составила 0,96. README также описывает базовую модель как MoE с 21 млрд параметров и 3,6 млрд активных параметров, контекстом 131 072 токена и форматом Harmony; метаданные репозитория при этом указывают 1,6 млрд параметров. Модель предназначена для диалога, генерации текста и локальных или специализированных сценариев. Базовая модель поддерживает настраиваемый уровень рассуждений, вызов функций и агентные сценарии; в этом репозитории заявлено снижение числа отказов, но приведённый тест не гарантирует поведение на других запросах. Для корректной работы следует использовать формат Harmony. Лицензия — Apache-2.0.

gradientai-Llama-3-8B-Instruct-262k-GGUF — набор квантованных файлов модели gradientai/Llama-3-8B-Instruct-262k, подготовленный организацией Featherless AI Quants. Модель относится к классу text-generation и предназначена для генерации текста и выполнения инструкций в сценариях локального или совместимого с GGUF инференса. Известно, что это 8-миллиардная instruct-модель семейства Llama 3 с заявленным контекстом до 262 тысяч токенов. README не указывает поддерживаемые языки, точную архитектуру, мультимодальные возможности, результаты оценки или специальные сценарии применения. Доступны варианты квантования Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, IQ4_XS, Q5_K_S, Q5_K_M, Q6_K и Q8_0; их размер составляет примерно от 3,0 до 8,1 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Сильными сторонами модели являются большой заявленный контекст и широкий выбор GGUF-квантований, подходящих для разных аппаратных конфигураций. Ограничения README не раскрывает: отсутствуют сведения о качестве, скорости, требованиях к оборудованию, языковом покрытии и поведении на конкретных задачах. Лицензия в предоставленных данных не указана.

Это набор GGUF-квантизированных файлов модели gradientai/Llama-3-8B-Instruct-Gradient-1048k, разработанный Gradient AI и квантизированный командой featherless-ai-quants. Модель предназначена для генерации текста и использования в сценариях, требующих работы с инструкциями, включая локальный или совместимый с GGUF инференс. README не указывает поддерживаемые языки, дополнительные модальности или конкретные прикладные сценарии. В основе лежит Llama 3 с заявленным размером 8B параметров и контекстом 1048k; архитектурные подробности в README не приведены. Доступны варианты квантизации Q2_K, Q3_K_S, Q3_K_M, Q3_K_L, Q4_K_S, Q4_K_M, IQ4_XS, Q5_K_S, Q5_K_M, Q6_K и Q8_0, размером примерно от 3,0 до 8,1 ГБ. Разные варианты позволяют выбирать компромисс между размером файла, требованиями к ресурсам и потенциальным качеством, однако результаты конкретных вариантов в README не сравниваются. К сильным сторонам относятся большой заявленный контекст и широкий выбор форматов квантизации. Ограничения — отсутствие в предоставленных данных сведений о качестве, бенчмарках, системных требованиях, поддерживаемых языках и точной архитектуре. Лицензия в README не указана, поэтому условия использования необходимо уточнять в документации базовой модели gradientai/Llama-3-8B-Instruct-Gradient-1048k и соответствующего репозитория.

Granite-3.1-1B-A400M-Base — базовая языковая модель, разработанная командой Granite компании IBM. Она построена на декодерном разреженном трансформере Mixture of Experts (MoE); число параметров по метаданным — 163,6 млн. Контекст увеличен с 4K до 128K токенов посредством поэтапного обучения с настройкой RoPE и дополнительного предобучения примерно на 500 млрд токенов для длинного контекста. Модель предназначена для генерации текста и может служить базой для специализированной настройки. Она поддерживает суммаризацию, классификацию и извлечение информации, ответы на вопросы и другие задачи «текст-текст». В карточке указаны английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Обучающие данные охватывают веб, код, академические материалы, книги и математику, а также многоязычные и синтетические длинноконтекстные данные. Модель не прошла выравнивание по безопасности, поэтому может генерировать проблематичные ответы; также возможны предвзятость, дезинформация и дословное воспроизведение обучающих данных. Распространяется по лицензии Apache 2.0.

bartowski/granite-3.1-2b-instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Granite 3.1 2B Instruct, разработанной IBM (ibm-granite) и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая запуск локально через llama.cpp и LM Studio. В README указан специальный chat template, а также приведены варианты квантизации с разным соотношением качества, размера и требований к памяти. Модель имеет около 2 миллиардов параметров, работает в текстовой модальности и распространяется в формате GGUF. Доступны версии от F16 размером 5,07 ГБ до компактных вариантов Q2 и Q3 размером примерно от 1,08 до 1,38 ГБ, а также более качественные Q4, Q5, Q6 и Q8. Наиболее рекомендуемыми названы варианты Q4_K_M, Q5_K_M, Q6_K и другие близкие к ним квантизации; малые Q2 и Q3 экономят память, но заметно уступают в качестве. Сильными сторонами являются возможность локального запуска на сравнительно доступном оборудовании, широкий выбор уровней квантизации и хорошее сохранение качества в вариантах Q5–Q8. Ограничения — компромисс между размером и качеством при низких уровнях квантизации, а также отсутствие в README сведений о поддерживаемых языках, длине контекста, точной архитектуре и результатах бенчмарков. Модель распространяется по лицензии Apache-2.0.

RedHatAI/granite-3.1-2b-instruct-quantized.w4a16 — квантизированная версия инструкционной языковой модели IBM Granite 3.1 2B Instruct, подготовленная разработчиками Neural Magic. Модель работает с текстом на входе и генерирует текст на выходе; заявленный язык — английский. Она предназначена для диалоговых сценариев, генерации и обработки текста, а также локального и серверного инференса. Модель использует архитектуру granite-3.1-2b-instruct и содержит около 2 миллиардов параметров. Веса и активации квантизированы до INT4; квантизация применяется к весам линейных операторов внутри трансформерных блоков. Это сокращает число битов на параметр с 16 до 4, а размер на диске и требования к GPU-памяти примерно на 75%. Для эффективного запуска рекомендуется vLLM версии 0.5.2 или новее; в приведённом примере используется максимальная длина контекста 4096 токенов. К сильным сторонам относятся существенно сниженные требования к памяти и удобство развертывания через vLLM с OpenAI-совместимым сервером. На OpenLLM Leaderboard V1 модель получила средний результат 61,54 против 61,98 у неквантизированной версии, что указывает на небольшую потерю качества после квантизации. Ограничения включают ориентацию на английский язык, необходимость совместимого инференсного стека и возможное снижение качества относительно исходной модели. Модель распространяется по лицензии Apache 2.0.

ibm-granite/granite-3.3-2b-instruct-GGUF — это набор конвертированных в формат GGUF версий инструкционно дообученной языковой модели IBM Granite 3.3 с базовой моделью объёмом 2 млрд параметров. Модель разработана IBM и предназначена для задач генерации текста и диалогового взаимодействия с инструкциями, включая локальный запуск средствами, поддерживающими формат GGUF. Репозиторий содержит варианты с различными уровнями квантования, однако конкретный набор квантований в карточке не указан. Модель относится к текстовым генеративным моделям; сведения о поддерживаемых языках, размере контекста, точной архитектуре, модальностях и результатах тестирования в предоставленной карточке отсутствуют. Сильными сторонами являются компактный размер базовой модели и доступность в оптимизированном формате GGUF, потенциально удобном для запуска на совместимом локальном оборудовании. Возможные ограничения, характеристики производительности и требования к ресурсам зависят от выбранного варианта квантования и не описаны. Лицензия — Apache 2.0.

Granite-4.0-H-350M-Base — компактная базовая языковая модель IBM Granite Team с архитектурой decoder-only: плотный трансформер с GQA, Mamba2, SwiGLU, RMSNorm и общими входными и выходными эмбеддингами. Модель содержит 278,4 млн параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Она обучена с нуля на смеси открытых и проприетарных данных примерно на 15 трлн токенов. Модель предназначена для генерации текста и может служить основой для суммаризации, классификации и извлечения информации, ответов на вопросы, а также автодополнения кода, включая Fill-in-the-Middle. Компактный размер рассчитан на сценарии с ограниченными ресурсами, в том числе локальное офлайн-развёртывание на мобильных устройствах и IoT-оборудовании. Поддерживаются английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. Модель не проходила safety alignment и может генерировать предвзятые, недостоверные или проблемные ответы; для небольшой модели также отмечен риск воспроизведения фрагментов обучающих данных. Лицензия Apache 2.0.

pszemraj/granite-4.0-h-7b-heretic — производная диалоговая модель на основе IBM Granite 4.0 H Tiny. В метаданных указаны архитектура GraniteMoeHybridForCausalLM (гибридная MoE), 500,2 млн параметров, контекст до 131 072 токенов и формат Safetensors; README описывает абляцию, направленную на снижение отказов отвечать. По приведённому сравнению доля отказов составляет 6 из 100 против 98 из 100 у базовой модели, а KL-дивергенция — 0,03. Модель предназначена для генерации диалоговых ответов и может использоваться для суммаризации, классификации и извлечения текста, ответов на вопросы, RAG, задач с кодом и многоязычного общения. Наследует возможности Granite по следованию инструкциям и вызову инструментов, однако результаты приведены для ограниченного набора проб и сами по себе не подтверждают качество на других задачах. В карточке указаны английский как язык модели; README базовой модели перечисляет также немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский, но не устанавливает их поддержку именно этой производной модели. Лицензия — Apache 2.0. Как и базовая модель, она может выдавать неточные, предвзятые или небезопасные ответы; снижение числа отказов требует тщательной проверки применения.

granite-4.0-h-small-MLX-8bit — 8-битная квантованная версия модели granite-4.0-h-small, разработанной командой ibm-granite. Квантование выполнено командой LM Studio с использованием mlx_lm, а сама модель оптимизирована для запуска на устройствах Apple Silicon через MLX. Модель предназначена для задач генерации и обработки текста, однако README не содержит подробностей о конкретных сценариях применения, поддерживаемых языках, размере модели, архитектуре и длине контекста. Ключевая характеристика этой версии — 8-битное представление, которое может снизить требования к памяти и ускорить локальный запуск на совместимом оборудовании, но потенциально сопровождается некоторой потерей точности по сравнению с исходной моделью. Модель распространяется по лицензии Apache-2.0. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность или пригодность для конкретных задач; результаты могут быть ошибочными, вредными или непредсказуемыми.

Granite-4.2-30B (NVFP4) — вариант модели Granite-4.2-30B, разработанный IBM и опубликованный в формате для библиотеки Transformers. Репозиторий содержит NVFP4-версию базовой модели ibm-granite/granite-4.2-30b, однако README не раскрывает её архитектуру, размер контекста, языки, модальности и конкретные сценарии применения. Модель предназначена для задач обработки естественного языка и использования в совместимых приложениях на базе Transformers. Ключевая характеристика данного варианта — представление NVFP4, которое может быть ориентировано на более эффективное хранение и выполнение модели, но README не содержит измерений производительности, требований к оборудованию или описания ограничений этого формата. Модель распространяется по лицензии Apache-2.0.

Это GGUF-квантизация модели grimjim/Llama-3-Instruct-8B-SimPO-SPPO-Iter3-merge, подготовленная featherless-ai-quants. Модель относится к семейству Llama 3 Instruct, предназначена для генерации текста и использования в диалоговых и других текстовых сценариях. Из README следует, что базовая модель имеет размер 8B параметров, однако сведения об архитектуре, языках, размере контекста и исходном разработчике не указаны. Репозиторий предоставляет несколько вариантов квантизации GGUF: от Q2_K и Q3_K до Q8_0, а также IQ4_XS. Они различаются размером файлов — примерно от 3 до 8 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Конкретные показатели производительности и качества в README не приведены, поэтому сильные стороны модели можно оценить только как практическую доступность различных уровней квантизации; возможное снижение качества при более агрессивной квантизации остается ограничением. Лицензия и условия использования в README не указаны. Сведения о поддерживаемых модальностях ограничены текстовой генерацией; данные о работе с изображениями, аудио или другими типами входов отсутствуют.

keyfan/grok-1-hf — неофициальная конверсия весов Grok-1 в формат Transformers для PyTorch. Это авторегрессионная языковая модель с архитектурой MoE и примерно 45,1 млрд параметров, предназначенная для генерации текста. Модель поддерживает контекст до 8192 токенов; README приводит результаты оценивания на MMLU и BBH, полученные при запуске в 8-битном режиме. Репозиторий содержит деквантизированные веса; для большей согласованности README рекомендует вариант fp32, где RMSNorm и router представлены в float32. Это неофициальная конверсия, а не новая обученная модель. Лицензия — Apache-2.0. Язык модели и специализированные области применения в предоставленных данных не определены.

Kaon 3 Population Final-Transition RM600 Mouse Original Reset Matched Time-Skip LR1e-4 beta0.04 — диалоговая модель генерации текста, разработанная KaonAI. Это самостоятельный BF16-чекпойнт с объединёнными полными весами на основе kaonai/kaon-c-gemma4-26b-v10.1; по карточке, веса соответствуют checkpoint-75 обучения GRPO с learning rate 1e-4 и beta 0.04. Архитектура — Gemma 4, плотная модель с классом Gemma4ForConditionalGeneration; репозиторий использует Transformers и хранит веса в safetensors. Модель предназначена для диалоговой генерации текста. В метаданных также есть тег image-text-to-text, однако доступные сведения не подтверждают, что именно этот чекпойнт рассчитан на работу с изображениями, поэтому модальность изображений не включена. Карточка не описывает целевые языки, контекстное окно или специализированную область применения. Для модели указана лицензия базового репозитория; карточка не приводит её название. В README сообщается, что контрольный набор логитов после сохранения и повторной загрузки прошёл проверку на паритет. Это подтверждает согласованность представления весов, но не является оценкой качества ответов.

nnajmi/GRPO-Model — дообученная nnajmi модель семейства Llama, разработанная nnajmi на базе nnajmi/Fine-Tuning-LLM. Это плотная причинная языковая модель с 3,2 млрд параметров для генерации текста и диалогов на английском языке. По карточке, модель обучали с использованием Unsloth и библиотеки TRL; формат весов — Safetensors, длина контекста — до 131 072 токенов. Модель подходит для генерации английских ответов и ведения диалогов. Она распространяется по лицензии Apache-2.0. Карточка не приводит подробностей о качестве, оценках или ограничениях поведения модели.

vampirehollie/GRPO_Model — дообученная разговорная языковая модель семейства Llama, разработанная vampirehollie на базе vampirehollie/Fine-Tuning-LLM. Это плотная модель с 3,2 млрд параметров для генерации текста и диалогового общения; в репозитории веса представлены в формате safetensors. По данным метаданных, модель поддерживает контекст до 131 072 токенов и ориентирована на английский язык. Модель подходит для генерации ответов в диалоге и других сценариев текстовой генерации. При обучении использовались Unsloth и библиотека TRL из Hugging Face; README не сообщает подробностей о датасетах или специализации модели. Лицензия — Apache-2.0.

Gryphe_Codex-24B-Small-3.2-GGUF — это квантизированная GGUF-версия модели Codex-24B-Small-3.2, разработанной Gryphe и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста, диалоговых сценариев и задач, где требуется instruct- или chat-модель; заявлены также сценарии roleplay и дальнейшей донастройки. Поддерживаемый язык — английский. Модель имеет размер 24 млрд параметров и поставляется в вариантах от BF16 до различных квантизаций Q8, Q6, Q5, Q4 и Q3, что позволяет выбирать между качеством, требованиями к памяти и скоростью инференса. Файлы предназначены для запуска через llama.cpp, LM Studio и другие совместимые проекты. Для общения предлагается формат ChatML, однако в README отмечено, что шаблон чата явно не задан и используемый шаблон по умолчанию может быть неточным. Сведения о контекстном окне, точной архитектуре, дополнительных модальностях и результатах бенчмарков отсутствуют. Сильной стороной модели является широкий выбор квантизаций: варианты Q6 и Q5 описаны как обеспечивающие очень высокое или высокое качество, а Q4 — как компромисс для большинства сценариев; более компактные варианты подходят системам с ограниченным объёмом оперативной памяти, но могут заметно уступать по качеству. Модель распространяется по лицензии Apache-2.0. Условия использования, связанные с исходной моделью Gryphe/Codex-24B-Small-3.2, следует дополнительно проверять в её оригинальной карточке.

Grypho-ties-7b — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью LazyMergekit. В README перечислены компоненты слияния nbeerbower/bophades-mistral-math-DPO-7B и Danielbrdz/Barcenas-Mistral-7b; конфигурация также задаёт OpenPipe/mistral-ft-optimized-1218 как базовую модель и использует метод TIES. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста; в составе слияния есть версия Mistral, дообученная для математических задач. Apache-2.0 разрешает использование на условиях этой лицензии. Карточка не уточняет языки и отдельные гарантированные сценарии применения, поэтому математические ответы следует считать возможным сценарием, а не подтверждённой оценкой качества.

h2o-danube-1.8b-sft — чат-модель H2O.ai с дообучением методом SFT, содержащая около 1,7 млрд параметров. Она основана на модифицированной архитектуре Llama 2 с причинной языковой моделью MistralForCausalLM и обучалась с помощью H2O LLM Studio. Модель предназначена для генерации текста в диалогах и ответов на запросы. Модель использует токенизатор Llama 2 с словарём из 32 000 токенов, поддерживает контекст до 16 384 токенов и скользящее оконное внимание размером 4 096. В карточке указаны английский язык и обучающие наборы OpenOrca, OpenAssistant OASST2, UltraChat 200k и MetaMathQA. Репозиторий содержит веса safetensors; лицензия — Apache-2.0. Модель может выдавать ошибочные или бессмысленные ответы и воспроизводить предвзятые либо оскорбительные высказывания из обучающих данных. Сгенерированный текст следует проверять; качество на конкретных задачах в карточке не подтверждено.

h2o-danube3-4b-chat-GGUF — набор файлов модели h2o-danube3-4b-chat в формате GGUF, разработанный H2O.ai и квантизированный с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев; в README указан английский язык. Рекомендуемый формат промпта задаёт пользовательский вопрос и ожидаемый ответ модели. Модель имеет размер 4 млрд параметров. Доступны варианты с разными методами и уровнями квантизации: от F16 размером 7,92 ГБ до Q2_K размером 1,51 ГБ. Выбор варианта позволяет находить компромисс между размером файла, скоростью генерации и качеством. В тестах на одной H100 GPU скорость составляла от 479 до 1299 токенов в секунду в зависимости от варианта; наиболее низкоразрядные версии показывали заметное снижение качества по MT-Bench и рост perplexity. Архитектура, размер контекстного окна и поддержка других модальностей в README не указаны. Модель подходит для локального запуска и приложений, которым нужна компактная чат-модель с поддержкой инференса через совместимые с GGUF инструменты. Ограничениями являются отсутствие заявленной мультиязычной и мультимодальной поддержки, а также потенциальная потеря качества при выборе агрессивной квантизации. Распространение указано по лицензии Apache-2.0.

h2oai/h2ogpt-4096-llama2-13b-chat — копия Meta Llama 2 13B Chat, опубликованная H2O.ai для использования в h2oGPT и сравнения больших языковых моделей. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, содержащая 12,9 млрд параметров и принимающая текстовый ввод. Она предназначена для генерации текста и диалога, в том числе для чата по частным документам; заявленная длина контекста составляет 4096 токенов. Модель поддерживает английский язык. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — llama2, соответствующая условиям лицензии Llama 2.

H2OAI h2ogpt-gm-oasst1-en-2048-open-llama-3b — языковая модель на архитектуре LLaMA, обученная с помощью H2O LLM Studio на базе openlm-research/open_llama_3b и персонализированной подготовке данных OpenAssistant/oasst1. Модель предназначена для генерации текста и диалоговых ответов на английском языке. Модель содержит 3,3 млрд параметров, принимает текст и генерирует текст. Её контекстное окно составляет 2048 токенов; веса доступны в формате PyTorch для библиотеки Transformers. Лицензия — Apache-2.0. Модель может выдавать ошибочные, бессмысленные или нерелевантные ответы, а данные обучения могут приводить к предвзятым или оскорбительным результатам. Ответы следует проверять.

H2O.ai h2ogpt-gm-oasst1-multilang-1024-20b — это дообученная модель генерации текста на архитектуре GPT-NeoX, созданная с помощью H2O LLM Studio на базе EleutherAI/gpt-neox-20b и датасета OpenAssistant/oasst1. Модель содержит 26,9 млрд параметров и рассчитана на продолжение текста и диалоговые ответы; для запуска используется библиотека Transformers. Карточка называет модель многоязычной, однако метаданные указывают английский язык. Контекст модели — 2048 токенов. Она подходит для генерации ответов и текста общего назначения, но может выдавать неверные, бессмысленные, нерелевантные или предвзятые результаты, включая оскорбительное содержание. Лицензия — Apache-2.0.

H2O.ai разработала h2ogpt-oig-oasst1-falcon-40b — языковую модель с архитектурой Falcon (RefinedWeb), дообученную следовать инструкциям. В README указан размер 40 млрд параметров, а в метаданных — 65 млрд; поэтому точный размер по предоставленным данным определить нельзя. Базовая модель — tiiuae/falcon-40b, для дообучения использован набор h2oai/h2ogpt-oig-oasst1-instruct-cleaned-v3. Модель предназначена для диалогового помощника и генерации ответов на инструкции и вопросы на английском языке. Она работает через библиотеку Transformers и поставляется в формате PyTorch. Лицензия Apache-2.0 допускает коммерческое использование. Модель может выдавать ошибочные, бессвязные или нерелевантные ответы, а также воспроизводить предвзятые и оскорбительные формулировки, поэтому её ответы требуют проверки. В README приведены результаты оценки на задачах ARC, но они не гарантируют качество для конкретных сценариев.

H2O.ai разработала h2oai/h2ogpt-research-oig-oasst1-512-30b — плотную авторегрессионную языковую модель семейства Llama с 32,3 млрд параметров, предназначенную для генерации текста и следования инструкциям. Модель дообучена на наборе h2oai/h2ogpt-oig-oasst1-instruct-cleaned-v2; базовая модель — decapoda-research/llama-30b-hf. Модель принимает текст и генерирует текстовые ответы на английском языке. Её можно применять для ответов на инструкции, черновиков и исследовательских экспериментов с LLM. Максимальный контекст — 2048 токенов. Карточка обозначает модель как исследовательскую, но это пригодный для применения чекпойнт, а не тестовая заглушка. Подробные результаты оценки вынесены в карточку LoRA-версии. Лицензия указана как other, поэтому условия использования следует проверить в репозитории модели и у базовой модели.

Sakalti/hamachi-1.7B — плотная авторегрессионная языковая модель семейства Llama на 1,7 млрд параметров, созданная Sakalti путём дообучения HuggingFaceTB/SmolLM2-1.7B. Модель предназначена для генерации текста; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель принимает текст и генерирует текст. Для неё заявлено контекстное окно до 131072 токенов. Карточка указывает лицензию Apache-2.0. В метаданных отмечена поддержка английского языка; более конкретные сценарии, результаты оценки качества и дополнительные ограничения в карточке не описаны.

HebGutenLaser — объединённая модель генерации текста, созданная Stark2008 с помощью LazyMergekit. Она объединяет Stark2008/GutenLaserPi и yam-peleg/Hebrew-Mistral-7B-200K методом SLERP. Модель построена на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста, прежде всего на иврите и английском, и может использоваться для продолжения текста и диалоговых сценариев. Веса опубликованы в формате Safetensors и имеют точность bfloat16. Карточка не приводит результатов оценки качества или подробностей об ограничениях. Лицензия в доступных данных не указана.

Hebrew-Mistral-7B-200K-HeQ-Chat — разговорная языковая модель семейства Mistral, разработанная itayl и дообученная на базе yam-peleg/Hebrew-Mistral-7B-200K. Модель содержит 7,2 млрд параметров, использует архитектуру MistralForCausalLM и принимает текст для генерации текста в формате диалога. Заявленная длина контекста — 262 144 токена. Модель предназначена для общения с пользователем и генерации текста, прежде всего на иврите и английском. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей обучающих данных.

HelpingAI_Dhanishtha-2.0-preview-0825-GGUF — это GGUF-квантизированная версия языковой модели Dhanishtha-2.0-preview-0825, разработанной HelpingAI. 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 на его основе. В README указан специальный chat-шаблон с ролями system, user и assistant. Доступны варианты от исходных весов BF16 размером 29,54 ГБ до различных конфигураций Q8, Q6, Q5, Q4, Q3 и IQ-квантизации размером примерно от 6,88 ГБ. Более высокие уровни квантизации обеспечивают лучшее сохранение качества, а компактные варианты подходят для систем с ограниченной оперативной памятью; для большинства сценариев автор рекомендует Q4_K_M, Q5- и Q6-варианты. Архитектура, число параметров, поддерживаемые языки, размер контекста, мультимодальность, конкретные прикладные специализации и лицензия в представленном README не указаны, поэтому эти характеристики требуют проверки в карточке исходной модели.

herbaccbaccules-3b-slerp — языковая модель, созданная Liminerity объединением моделей с помощью mergekit и метода SLERP. В README указаны исходные модели liminerity/baccbaccules-3b-slerp и indischepartij/MiniCPM-3B-Hercules-v2.0; метаданные описывают архитектуру как плотную Llama с классом LlamaForCausalLM и объёмом 2,7 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст, а её нативный контекст составляет 2048 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения или сравнительные результаты.