I.5Создание и редактирование текста

T3qm7xNeuralsirkrishna_ShadowYamshadow — объединённая модель семейства Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/ShadowYamshadow-7B. Она предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Веса опубликованы в формате Safetensors по лицензии Apache 2.0. README не уточняет специализацию слияния или отдельные языки, поэтому модель можно описать как универсальную текстовую генеративную модель; её фактические качества зависят от задач и данных, использованных для создания исходных моделей.

T3qm7xNeuralsirkrishna_Strangemerges_32Experiment28 — объединённая модель для генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она создана путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/Strangemerges_32Experiment28-7B. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и поддерживает контекст до 32 768 токенов; веса опубликованы в формате Safetensors. Лицензия — Apache 2.0.

T3qm7xNeuralsirkrishna_T3qM7 — объединённая модель семейства Mistral, опубликованная MaziyarPanahi. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/T3qM7-7B и предназначена для генерации текста и диалогов. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит веса в формате safetensors. Доступна по лицензии Apache-2.0. Сведения о специализации по языкам и прикладным областям в карточке не приведены.

T3qm7xNeuralsirkrishna_YamOgno — объединённая языковая модель на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamOgno-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, использует формат Safetensors и поддерживает контекст до 32 768 токенов. Карточка не описывает отдельную специализацию или языки, поэтому модель можно охарактеризовать только как текстовую модель общего назначения. Репозиторий распространяется по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_YamshadowExperiment28 — слитая разработчиком MaziyarPanahi модель для генерации текста и диалогов. Она объединяет automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamshadowExperiment28-7B. Модель использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Контекстное окно составляет 32 768 токенов; модель работает с текстом и распространяется в формате safetensors. Модель подходит для генерации продолжений текста и ведения диалогов. Репозиторий лицензирован по Apache-2.0.

MaziyarPanahi/T3qm7xNeuralsirkrishna_YamYam — объединённая текстовая модель, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamYam-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель подходит для создания диалоговых приложений, генерации и продолжения текста. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Sajid030/t5-base-grammar-synthesis — модель семейства T5, дообученная автором на базе предварительно обученной Flan-T5-base с использованием набора JFLEG и библиотеки Happy Transformer. Она исправляет грамматические ошибки в предложениях на английском языке, включая ошибки пунктуации, опечатки и неверное употребление предлогов. Модель принимает текст с префиксом «grammar:» и генерирует исправленный вариант. Архитектура — T5ForConditionalGeneration, размер — 123,7 млн параметров, длина контекста — 512 токенов. Репозиторий содержит веса в форматах PyTorch и safetensors; лицензия — Apache-2.0.

T5Gemma — семейство компактных текстовых моделей Google с архитектурой encoder-decoder. Этот вариант — предварительно обученная модель с энкодером на 2 млрд и декодером на 2 млрд параметров, адаптированная с помощью PrefixLM; веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель принимает текст и генерирует текст на английском языке. Модель предназначена для генерации и преобразования текста, в частности для ответов на вопросы, суммаризации и рассуждений. Её можно использовать для подготовки черновиков, создания текстов и экспериментов в NLP; энкодер также пригоден для задач классификации и понимания текста. Компактный размер облегчает запуск на персональных компьютерах и собственной облачной инфраструктуре. К ограничениям относятся возможные ошибки в фактах, предвзятость обучающих данных и трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Модель лицензирована по условиям Gemma License; перед применением следует учитывать ограничения Gemma Prohibited Use Policy.

T5Gemma-9B-2B-UL2-IT — разработанная Google инструктивно дообученная текстовая модель семейства T5Gemma. Это encoder-decoder архитектура: энкодер на 9 млрд параметров и декодер на 2 млрд; модель адаптирована с использованием UL2 и предназначена для преобразования текста в текст. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Модель подходит для генерации текста по инструкциям, ответов на вопросы, суммаризации и рассуждений, а также для черновиков писем и другого контента. Карточка указывает поддержку английского языка и возможность применения в чат-сценариях. По сравнению с моделями, где энкодер и декодер одинакового размера, сочетание 9B/2B рассчитано на компромисс между качеством и эффективностью. Модель может ошибаться в фактах, отражать смещения обучающих данных и хуже справляться с неоднозначными формулировками, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия Gemma; при использовании следует учитывать правила допустимого применения Gemma и предусмотреть проверку генерируемого содержимого.

T5Gemma — семейство текстовых моделей кодировщик–декодер, разработанное Google; этот вариант настроен для следования инструкциям и использует PrefixLM. Модель основана на T5Gemma с 9 млрд параметров в кодировщике и 9 млрд в декодере, адаптированной из авторегрессионной Gemma в архитектуру кодировщик–декодер. Модель принимает и генерирует текст на английском языке. Она предназначена для генерации текста по инструкциям, ответов на вопросы, суммаризации и рассуждений; карточка также описывает применение семейства для творческого письма, черновиков писем и задач NLP. Весовые файлы опубликованы в формате safetensors. Как и другие генеративные модели, она может выдавать фактические ошибки, отражать смещения обучающих данных и испытывать трудности с неоднозначностью, тонкими языковыми нюансами и сложными открытыми задачами. Лицензия — Gemma; при использовании следует учитывать правила допустимого применения моделей Gemma.

google/t5gemma-l-l-prefixlm — предварительно обученная текстовая модель Google из семейства T5Gemma с энкодером и декодером размера L, адаптированная с помощью PrefixLM. Архитектура encoder-decoder преобразует текст в текст; модель относится к варианту T5Gemma, созданному на основе подхода Gemma, и предназначена для генерации текста по входному запросу. Модель можно применять для ответов на вопросы, суммаризации, рассуждений и других задач генерации, а энкодер — для классификации и понимания текста. В карточке указана поддержка английского языка. Весы опубликованы в формате safetensors; лицензия — Gemma. К сильным сторонам относятся универсальность текстовых задач и возможность использовать модель в средах с ограниченными ресурсами. Возможны ошибки в фактах и рассуждениях, трудности с неоднозначными формулировками и нюансами языка, а результаты зависят от данных обучения и контекста запроса.

google/t5gemma-ml-ml-ul2-it — инструкция-дообученная текстовая модель семейства T5Gemma от Google, построенная как encoder-decoder с энкодером и декодером размера ML и адаптацией UL2. Семейство T5Gemma преобразует предварительно обученные decoder-only модели в encoder-decoder архитектуру; эта версия предназначена для диалоговой генерации текста по инструкциям. Модель работает с текстом на английском языке и использует библиотеку Transformers; репозиторий содержит веса в формате Safetensors. Модель подходит для ответов на вопросы, суммаризации, рассуждений и создания текстов, включая черновики писем, маркетинговые материалы и творческие форматы. Компактный размер семейства позволяет рассматривать запуск на локальных компьютерах или в облаке, хотя для этой конкретной версии в предоставленных данных нет точного числа параметров. Качество зависит от обучающих данных и формулировки запроса; модель может упускать языковые нюансы, ошибаться в фактах и воспроизводить смещения. Лицензия — Gemma; применяются ограничения политики допустимого использования Gemma.

google/t5gemma-s-s-ul2-it — англоязычная instruction-tuned encoder-decoder-модель Google из семейства T5Gemma. Она получена дообучением базовой google/t5gemma-s-s-ul2, адаптированной из decoder-only-модели по схеме UL2; веса опубликованы в формате safetensors. Архитектура использует энкодер и декодер размера S. Модель предназначена для генерации текста по инструкциям, в том числе для ответов на вопросы, суммаризации, рассуждений и создания черновиков текстов. Текстовый формат входа и выхода позволяет применять её в сценариях text-to-text и диалоговых приложениях. Карточка не приводит число параметров и длину контекста этой версии. К ограничениям относятся возможные фактические ошибки, смещения в ответах и трудности с нюансами языка или сложными открытыми задачами; качество зависит от обучающих данных и формулировки запроса. Лицензия — Gemma; применяются условия и ограничения использования Gemma.

google/t5gemma-xl-xl-ul2 — предварительно обученная текстовая модель семейства T5Gemma от Google с энкодером XL и декодером XL, адаптированная с использованием UL2. Архитектура типа encoder-decoder преобразует текст в текст; веса сохранены в формате safetensors и предназначены для работы через Transformers. Модель рассчитана на английский язык. Модель подходит для генерации текста, суммаризации, ответов на вопросы и рассуждений; энкодер также можно применять в задачах классификации и понимания текста. Возможные сценарии — подготовка черновиков и кратких изложений, ответы по предоставленному тексту и NLP-исследования. В карточке не указаны размер в параметрах и длина контекста. К ограничениям относятся возможные фактические ошибки, влияние пробелов и смещений обучающих данных, трудности с неоднозначностью и сложными открытыми задачами. Лицензия — Gemma; для применения необходимо учитывать условия Gemma и политику допустимого использования.

Táltos-27B — плотная мультимодальная модель на 27,8 млрд параметров, разработанная венгерской командой на основе Qwen/Qwen3.8-27B и дообученная для естественной речи и рассуждений на венгерском языке. Она поддерживает диалог, анализ изображений и видео, а также контекст до 262 144 токенов; архитектура сочетает Gated DeltaNet и Gated Attention. Модель предназначена для составления и редактирования венгерских текстов, резюмирования, пошаговых рассуждений и ответов на вопросы по изображениям. По описанию, дообучение улучшило венгерскую грамматику и формулировки, сохранив знания и мультимодальные возможности базовой модели. Для представленной версии указаны Transformers и формат safetensors; README также описывает отдельные варианты FP8 и GGUF. Лицензия Apache 2.0 разрешает использование, модификацию и коммерческое применение. Модель не имеет доступа к интернету, поэтому не знает о свежих событиях; факты, числа, даты и редкие имена могут требовать проверки. Математические, программные и общие знания унаследованы от базовой модели, а медицинские, юридические и финансовые решения не следует основывать только на её ответах.

Tess-10.7B-v1.5b — универсальная языковая модель из серии Tess, разработанной migtissera. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 10,6 млрд параметров, обученная на базе SOLAR-10.7B. Она предназначена для генерации текста и диалогов; в карточке приведён формат с ролями SYSTEM, USER и ASSISTANT. Модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка не приводит сведений о специализированной области применения или языках обучения, поэтому её следует рассматривать как модель общего назначения без заявленного основного языка.

Tess-2.0-Llama-3-8B — универсальная языковая модель с диалоговой настройкой, разработанная в серии Tess; вычислительные ресурсы для обучения предоставила KindoAI. Модель дообучена на базе meta-llama/Meta-Llama-3-8B и содержит около 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM, формат весов safetensors и шаблон диалога Llama 3 с контекстом до 8192 токенов. Модель предназначена для общения с пользователем, выполнения инструкций, генерации текста и помощи с задачами по программированию и общего назначения. Для настройки использовали около 100 тысяч примеров кода и общих задач из набора Tess-2.0; обучение длилось одну эпоху с низкой скоростью обучения, чтобы сохранить разнообразие ответов. Модель описана как малоограниченная и часто следующая инструкциям. Лицензия — Llama 3. Модель может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или другой неподходящий контент; важные сведения следует проверять.

Tess-34B-v1.5b — универсальная большая языковая модель серии Tess, разработанной migtissera. Модель дообучена на базе Yi-34B-200K и предназначена для генерации текста и диалогов в формате с ролями SYSTEM, USER и ASSISTANT. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 33,9 млрд параметров. Заявленная длина контекста — 200 000 токенов. В метаданных указан формат PyTorch и лицензия other; конкретные условия лицензии следует проверять в репозитории модели. README не сообщает об отдельных ограничениях или специализированных областях применения.

Tess-7B-v1.4 — языковая модель общего назначения из серии Tess, разработанной для генерации текста. Карточка серии сообщает, что Tess-XS-v1.4 обучена на базе Mistral-7B; метаданные этой модели указывают архитектуру MistralForCausalLM и размер 7,1 млрд параметров. Для диалога в README приведён формат с ролями SYSTEM, USER и ASSISTANT. Метаданные указывают контекст до 32 768 токенов и формат весов safetensors. Модель подходит для диалоговых сценариев и других задач генерации текста. В README не описаны специальные навыки, поддерживаемые языки или результаты оценки качества, поэтому их нельзя надёжно уточнить. Лицензия — Apache-2.0.

Tess-M-v1.3 — языковая модель общего назначения из серии Tess, разработанной migtissera. Модель построена на архитектуре Llama и дообучена на базе Yi-34B-200K; размер составляет 33,9 млрд параметров. Она принимает текст и генерирует текст, используя формат диалога с ролями SYSTEM, USER и ASSISTANT. Модель предназначена для диалогов и генерации ответов, в том числе при работе с длинным контекстом до 200 000 токенов. В README указано, что версия 1.3 — стабильный выпуск, а при тестировании на длинных контекстах наблюдались редкие незначительные повторы. Лицензия обозначена в метаданных как other; конкретные условия следует проверять на странице модели.

Tess-v2.5 (Qwen2-72B) — разговорная языковая модель, созданная Migel Tissera и дообученная на базе Qwen2-72B. Она предназначена для диалога и генерации текста, включая рассуждения, программирование, математику и ответы на вопросы по широкому кругу тем. Архитектура — плотная Qwen2ForCausalLM, размер — 71,5 млрд параметров, контекст — до 131 072 токенов. Модель принимает текст и использует формат запросов ChatML. Для дообучения применён датасет Tess-v2.5 из 300 тысяч синтетических примеров по бизнесу, истории, социальным наукам, искусству, STEM и программированию; модель обучалась с Axolotl. Автор сообщает о сильных результатах на MMLU и AGIEval, однако эти заявления основаны на оценках автора. Модель не проходила RLHF или DPO и может выдавать неточные, вводящие в заблуждение, предвзятые или оскорбительные ответы. Лицензия указана как other, поэтому условия использования следует проверить в репозитории модели.

Tess-XS-v1-3-yarn-128K — версия общего языкового семейства Tess, разработанная Migtissera на базе Nous Research Mistral-7B-yarn-128K. Это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров для генерации текста. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Модель предназначена для генерации текста общего назначения в формате диалога с ролями SYSTEM, USER и ASSISTANT. В карточке указана длина контекста 32 768 токенов; автор сообщает о тестировании до 16 тысяч токенов и отмечает небольшие повторы около этой длины, поэтому для конкретных сценариев рекомендуется проверять качество и ограничивать контекст. Поддерживаемый язык в карточке не обозначен.

SyedAbdul/test-7B-slerp — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. По README, автор объединил OpenPipe/mistral-ft-optimized-1218 и cognitivecomputations/dolphin-2.6-mistral-7b-dpo методом SLERP с помощью mergekit; в конфигурации указана базовая модель OpenPipe/mistral-ft-optimized-1218. Модель предназначена для генерации текста. Метаданные указывают контекстное окно до 32 768 токенов и формат весов safetensors. Лицензия — Apache-2.0. Данные не уточняют языковой охват модели и её ограничения, поэтому их нельзя конкретизировать.

ThetaMaven10 — текстовая генеративная модель, созданная jefferylovely с помощью слияния моделей LazyMergekit. В слиянии участвуют jefferylovely/ThetaMaven9 и flemmingmiguel/MBX-7B-v3; применён метод slerp с настройками для слоёв self-attention и MLP. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Она предназначена для генерации текста; карточка не уточняет специализацию по языкам или прикладным областям. Репозиторий содержит веса в формате Safetensors. Лицензия CC BY-NC-ND 4.0 требует указания авторства и запрещает коммерческое использование и распространение производных материалов.

TheTop-7B-DPO-S2-v0.2 — объединённая Maziyar Panahi языковая модель на 7,1 млрд параметров, созданная методом SLERP из нескольких моделей класса 7B. Она использует архитектуру MistralForCausalLM и предназначена для генерации текста по текстовому запросу; заявленный контекст составляет 32 768 токенов. Модель подходит для диалогов, ответов на вопросы и других сценариев генерации текста. Веса опубликованы в формате Safetensors для Transformers. Лицензия — Apache 2.0.

T-lite-it-2.1 — русскоязычная диалоговая модель компании T-Tech, дообученная на архитектуре Qwen3. Это плотная языковая модель на 7,6 млрд параметров для генерации текста и общения; она принимает текст и выдаёт текст. Метаданные указывают контекст до 40 960 токенов, тогда как README заявляет нативную длину 32 768 токенов. Модель предназначена для следования инструкциям, обычных диалоговых задач и многошаговых сценариев с вызовом инструментов. Обучение включало instruction midtraining, supervised fine-tuning и online RL; итоговая модель объединяет специализированных экспертов методом SLERP. По заявлению разработчика, она улучшает следование инструкциям и вызов инструментов относительно Qwen3-8B и работает в русском текстовом режиме с повышенной пропускной способностью благодаря оптимизированному токенизатору. Поддерживается только режим без thinking. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README рекомендует внимательно проверять ответы и обеспечивать необходимый контроль при внедрении, особенно в промышленных и коммерческих системах.

TriMistral-7B-SLERP — объединённая языковая модель на базе архитектуры Mistral, опубликованная Muhammad2003. Она создана с помощью mergekit и метода SLERP из HuggingFaceH4/zephyr-7b-beta, NousResearch/Hermes-2-Pro-Mistral-7B и instructlab/merlinite-7b-lab. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста, включая диалоговые сценарии; нативный контекст — до 32 768 токенов. Модель подходит для диалоговых ответов, инструкций, рассуждений и генерации текста общего назначения. В README приведены результаты оценки на Open LLM Leaderboard, включая ARC и HellaSwag. Репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0. Карточка не сообщает о целевой языковой специализации или специализированной предметной области. Как и другие языковые модели, она может выдавать неверные или непроверенные ответы; качество зависит от запроса и сценария применения.

SzilviaB/Triple_Solar_2x10.7b-truthy-DPO — разговорная языковая модель для генерации текста. По карточке, это слияние моделей методом TIES с помощью mergekit; в конфигурации одна и та же модель macadeliccc/SOLAR-2x10.7b-truthy-dpo указана несколько раз. Каталог классифицирует архитектуру как MixtralForCausalLM с MoE и указывает 10,6 млрд параметров. Модель предназначена для диалога, генерации ответов и продолжения текста. Она принимает текст и выдаёт текст, поддерживает контекст до 4096 токенов. В метаданных указана библиотека Transformers и формат safetensors. Лицензия и ограничения на использование в предоставленных сведениях отсутствуют.

Tuldur-8B — объединённая языковая модель, созданная jeiku с помощью mergekit и метода SLERP из allenai/Llama-3.1-Tulu-3-8B и Delta-Vector/Baldur-8B. Модель построена на архитектуре Llama с плотной причинной языковой моделью и содержит около 7,5 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы, следования инструкциям и других текстовых задач, поддерживаемых объединёнными моделями. Заявленная длина контекста — 131 072 токена. Веса опубликованы в формате safetensors; для работы указана библиотека Transformers. Лицензия в предоставленных данных не указана.

bunnycore/Tulu-3.1-8B-SuperNova-Smart — объединённая языковая модель, созданная разработчиком bunnycore с помощью mergekit. В слиянии методом passthrough использованы bunnycore/Tulu-3.1-8B-SuperNova и bunnycore/Llama-3.1-8b-smart-lora; модель основана на архитектуре Llama и содержит 7,5 млрд параметров. Модель предназначена для генерации текста и диалогов. Её можно применять для ответов на вопросы, следования инструкциям и интерфейсов с вызовом инструментов. Указанная длина контекста — 131 072 токена. Данные не описывают поддерживаемые естественные языки и условия лицензии, поэтому их нельзя надёжно указать.