I.6Перевод и языковая адаптация

Модель yaneivan/dolphin-2.9.4-llama3.1-8b-Q4_K_M-GGUF представляет собой конвертированную в формат GGUF версию cognitivecomputations/dolphin-2.9.4-llama3.1-8b. Конвертацию выполнили с помощью llama.cpp через сервис GGUF-my-repo; исходная модель основана на Llama 3.1 с размером 8 миллиардов параметров. Модель предназначена для локального запуска и использования через llama.cpp, включая работу в командной строке и развёртывание сервера для генерации текста. В README не указаны поддерживаемые языки, модальности, архитектурные особенности исходной модели, назначение обучения, максимальный контекст или результаты оценки. Для примеров запуска используется контекст длиной 2048 токенов, однако это не подтверждает максимальное значение контекстного окна. Ключевое свойство данной версии — квантизация Q4_K_M, снижающая требования к памяти и вычислительным ресурсам по сравнению с полноразмерными вариантами, но потенциально ухудшающая точность генерации. Модель совместима с llama.cpp и рассчитана на локальное выполнение; конкретные показатели качества и аппаратные требования в карточке не приведены. Указана лицензия llama3.1.

en_PP-OCRv5_mobile_rec — мобильная модель распознавания строк текста из изображений из семейства PP-OCRv5_rec, разработанная командой PaddleOCR. Она распознаёт английский текст и возвращает его в виде строки; модель можно использовать как модуль распознавания в конвейере OCR, вместе с обнаружением текста и дополнительными модулями ориентации и выравнивания изображения. Для модели указана точность 85,3% по метрике, при которой строка считается ошибочной, если в ней неверен хотя бы один символ или знак препинания. Мобильный вариант предназначен для эффективного распознавания, однако характеристики скорости и размер модели в карточке не приведены. Репозиторий распространяется по лицензии Apache-2.0.

Eurus-2-7B-PRIME-GGUF — набор квантованных версий языковой модели Eurus-2-7B-PRIME, разработанной PRIME-RL и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio. README не содержит подробностей о специализации модели, архитектуре исходной модели, поддерживаемых языках и длине контекста. Доступны варианты от полноразмерных F16 и Q8_0 до низкобитных IQ2 и Q2. Размер файлов составляет примерно от 2,78 до 15,24 ГБ. Квантование выполнено с использованием imatrix и llama.cpp b4404. Варианты Q6 и Q5 позиционируются как обеспечивающие очень высокое или высокое качество, а Q4_K_M — как компромиссный вариант для большинства сценариев; низкобитные версии требуют меньше оперативной памяти, но заметно уступают по качеству. Для работы рекомендуется использовать указанный в README формат prompt с ролями system, user и assistant. Модель распространяется по лицензии Apache-2.0.

EVA-Tissint-v1.2-14B — объединение предварительно обученных языковых моделей, созданное автором репозитория с помощью mergekit. В основе объединения лежит EVA-UNIT-01/EVA-Qwen2.5-14B-v0.2; также включена Ttimofeyka/Tissint-14B-v1.2-128k-RP. Использован метод della_linear, итоговая архитектура — плотная Qwen2, размер — 14 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста составляет 131 072 токена; для семплирования автор рекомендует настройки из карточки Tissint. В репозитории опубликованы веса в формате safetensors. Модель объединяет два исходных чекпойнта, однако README не приводит сравнительных оценок качества или подробностей о поведении слияния, поэтому пригодность для конкретных сценариев следует оценивать отдельно. Лицензия в предоставленных данных не указана.

Experiment26Neuralsirkrishna_Strangemerges_32Ogno — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment26Neuralsirkrishna-7B и automerger/Strangemerges_32Ogno-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогов с контекстом до 32 768 токенов. Модель принимает текст и выдаёт текст. Веса опубликованы в формате Safetensors; лицензия — Apache-2.0. Карточка не сообщает о специальных предметных областях или языковой специализации, поэтому её можно описать как модель общего назначения.

MaziyarPanahi/Experiment28M7_Experiment28Neuralsirkrishna — объединённая модель на архитектуре Mistral, созданная из automerger/Experiment28M7-7B и automerger/Experiment28Neuralsirkrishna-7B. Она предназначена для генерации текста и может использоваться в сценариях, где требуется языковая модель с контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors. Модель принимает текст и выдаёт текст. Карточка не описывает специализацию, поддерживаемые языки или отдельные возможности, поэтому её следует рассматривать как модель общего назначения для генерации текста. Лицензия — Apache-2.0.

Experiment28T3q_Experiment29Multi_verse_model — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с плотной архитектурой и 7,1 млрд параметров. Она создана слиянием automerger/Experiment28T3q-7B и automerger/Experiment29Multi_verse_model-7B. Модель предназначена для генерации текста и рассчитана на контекст до 32 768 токенов. В карточке указана лицензия Apache-2.0. Сведения о специализированных сценариях, обучающих данных и языках модели не приводятся.

ssmits выпустил Falcon2-5.5B-multilingual — обрезанную версия предобученной языковой модели Falcon-11B от TII, созданную методом passthrough merge с помощью mergekit. В конфигурации сохранены слои 0–23 и 55–58 исходной модели; модель содержит 7,8 млрд параметров, использует архитектуру FalconForCausalLM, формат safetensors и библиотеку Transformers. Контекст составляет 8192 токена. Модель предназначена для генерации текста и диалогов, а также как основа для дальнейшей специализации и дообучения, например для суммаризации и чат-ботов. Она лучше ориентирована на английский и поддерживает немецкий, испанский, французский, итальянский, португальский, польский, нидерландский, румынский, чешский, шведский, норвежский и датский языки. Лицензия — Apache-2.0. Карточка рекомендует оценивать риски и использовать защитные меры перед применением в производстве.

Plasmoxy/flan-t5-small-gigatrue — дообученная версия google/flan-t5-small на неуказанном наборе данных. Это компактная модель семейства T5 с архитектурой encoder-decoder и 45,8 млн параметров, предназначенная для генерации текста по текстовому запросу и выполнения задач NLP в формате text-to-text. Длина контекста составляет 512 токенов; модель использует библиотеку Transformers и формат весов safetensors. Карточка сообщает значение loss 2,1229 на оценочном наборе, но не описывает сам набор, задачу оценки или предполагаемые сценарии применения. Базовая FLAN-T5-small — многоязычная модель, дообученная следованию инструкциям; конкретные языковые возможности этой версии отдельно не подтверждены. Модель распространяется по лицензии Apache-2.0.

QuantFactory/gemma-2-9b-it-SimPO-rudpo-GGUF — квантизированная версия модели gemma-2-9b-it-SimPO-rudpo, созданная QuantFactory с использованием llama.cpp. Исходная модель разработана на базе princeton-nlp/gemma-2-9b-it-SimPO и предназначена для генерации текста и диалоговых сценариев. Модель имеет размер 9 миллиардов параметров и ориентирована прежде всего на повышение качества ответов на русском языке по сравнению с базовой моделью. Модель подходит для русскоязычных чат-ботов, ассистентов и других задач текстовой генерации. В тестировании на наборе arena-hard questions на русском языке она получила оценку 91,9 против 90,9 у gemma-2-9b-it-SimPO и 67,0 у gemma-2-9b-it. Однако эти результаты относятся к конкретному тесту и не гарантируют аналогичного качества в других задачах. В README не указаны точный формат квантизации, поддерживаемые языки помимо русского, размер контекста, модальности и требования к аппаратному обеспечению. Лицензия модели — gemma.

Модель ehristoforu/Gemma2-9b-it-train6-plus_layer-1 — текстовая генеративная модель, созданная из ehristoforu/Gemma2-9b-it-train6 с помощью mergekit. В README указан метод passthrough: модель собрана из диапазонов слоёв исходного чекпойнта; метаданные классифицируют её как дообученную производную Gemma 2 и отмечают поддержку диалогового режима. Модель предназначена для генерации текста и ведения диалога. Она построена на плотной архитектуре Gemma2ForCausalLM, содержит 7,1 млрд параметров и рассчитана на контекст до 8192 токенов. Репозиторий использует формат safetensors, а при создании указан тип данных bfloat16. README не описывает отдельные специализации, языки или гарантии качества, поэтому модель следует рассматривать как универсальную текстовую модель. Лицензия в предоставленных сведениях не указана.

Aldaris/gemma-3-4b-it-Q4_K_M-GGUF — это GGUF-конверсия модели google/gemma-3-4b-it, разработанной Google. Модель предназначена для запуска и инференса через llama.cpp, в том числе в режиме командной строки или локального сервера. Метаданные классифицируют её как модель image-text-to-text, однако подробные сведения о поддерживаемых языках и работе с изображениями в README не приведены. Модель основана на Gemma 3 с размером около 4 миллиардов параметров и ориентирована на instruction-tuned сценарии: генерацию ответов по инструкциям и работу в прикладных диалоговых задачах. Формат Q4_K_M — 4-битная квантизация GGUF, которая обычно снижает требования к памяти и делает модель удобнее для локального запуска, но может уступать исходной версии по точности. В качестве примера использования указан контекст длиной 2048 токенов; другие характеристики контекстного окна не уточняются. Конверсию в GGUF выполнили с помощью llama.cpp через пространство GGUF-my-repo. Для доступа к модели требуется принять лицензию Google Gemma на Hugging Face; конкретные условия лицензии необходимо проверять в оригинальной карточке модели. README не содержит результатов тестирования, подробного описания архитектуры, перечня языков, требований к оборудованию или известных ограничений качества.

Это GGUF-квантизация модели llmfan46/gemma-4-26B-A4B-it-ultra-uncensored-heretic, созданной независимым автором llmfan46 на основе google/gemma-4-26B-A4B-it. Модель преобразована методом Heretic 1.2.0 с использованием Arbitrary-Rank Ablation (ARA), чтобы существенно уменьшить количество отказов и ограничений при сохранении близкого к исходной модели поведения. Указана лицензия Apache-2.0 с отдельной ссылкой на лицензию Gemma 4. Модель предназначена для генерации и понимания текста, а согласно метаданным pipeline_tag также поддерживает сценарии image-text-to-text. В названии и описании заявлен размер 26B с обозначением A4B, однако подробные сведения об архитектуре, контекстном окне и поддерживаемых языках в README не приведены. Доступны варианты GGUF в форматах BF16, Q8_0, Q6_K и Q5_K_M, а также другие квантизации, рассчитанные на запуск с различными требованиями к памяти и качеству. Главное преимущество — значительно меньшее число отказов: в приведённом тесте 3 из 100 против 100 из 100 у оригинальной модели. При этом автор сообщает о небольшом изменении поведения по KL divergence 0,1237. На PIQA модель получила точность 91,29% против 92,06% у оригинала, а на MMLU — 79,99% против 82,48%; это указывает на некоторое снижение качества в задачах общего рассуждения и понимания. Уровень безопасности и ограничения после декорсензуры могут отличаться от исходной Gemma, поэтому модель требует осторожного применения в чувствительных сценариях.

facebook/hubert-xlarge-ls960-ft — модель распознавания речи от Facebook на базе архитектуры HuBERT. Это версия HuBERT Extra-Large, дообученная на 960 часах LibriSpeech; базовая модель — facebook/hubert-xlarge-ll60k. Архитектура использует самонаблюдаемое обучение речевых представлений с маскированным предсказанием и офлайн-кластеризацией, а для распознавания применяет CTC. Модель преобразует аудиозаписи английской речи в текст и предназначена для задач автоматического распознавания речи. Для входа требуется аудио с частотой дискретизации 16 кГц. В карточке упоминаются LibriSpeech и Libri-Light, но дообучение этой версии проводилось на LibriSpeech. Модель выпущена по лицензии Apache-2.0.

Ice0.52.1-16.01-RP — диалоговая языковая модель на архитектуре Mistral, созданная автором репозитория слиянием предварительно обученных моделей методом SLERP с помощью mergekit. В слияние вошли Ice0.40-20.11-RP и IceDrunkenCherryRP-7b-orpo-merged3; веса сохранены в формате safetensors. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. Лицензия в предоставленных сведениях не указана, поэтому условия использования следует проверить на странице репозитория Hugging Face. Карточка не приводит оценок качества или подробных ограничений на сценарии применения.

informatiker-Qwen2-7B-Instruct-abliterated-GGUF — это набор GGUF-квантизаций модели informatiker/Qwen2-7B-Instruct-abliterated. В README указано, что квантизации подготовлены командой featherless-ai-quants; исходная модель основана на Qwen2-7B-Instruct. Модель предназначена для генерации текста и использования в сценариях, поддерживающих формат GGUF. Доступны варианты IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0. Размер файлов составляет примерно от 2,9 до 7,7 ГБ, что позволяет выбирать компромисс между требованиями к памяти и сохранением качества. Архитектура, точный размер контекста, поддерживаемые языки и модальности в README не указаны; по назначению это текстовая, а не мультимодальная модель. Основное преимущество набора — возможность локального или совместимого с GGUF запуска с выбором степени квантизации. Более компактные варианты требуют меньше памяти, но потенциально сильнее уступают исходной модели по качеству; README не содержит результатов бенчмарков или подробностей о характеристиках abliteration. Лицензия модели и условия использования в предоставленных данных не указаны.

ClaudioItaly/Intelligence-7Ties — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом TIES. В качестве основы использована happzy2633/qwen2.5-7b-ins-v3, также в объединение включена AIDC-AI/Marco-o1. Модель имеет плотную архитектуру Qwen2 и около 7,1 млрд параметров; веса опубликованы в формате safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, составления текстов и других задач, решаемых генеративной языковой моделью. Заявленная длина контекста — 32 768 токенов. Данных о специальных языковых или предметных специализациях в карточке нет. Лицензия в предоставленных данных не указана. Качество и ограничения объединённой модели отдельно не описаны; поведение может отличаться от исходных моделей.

Irix-12B_Slush_V2 — объединённая языковая модель на 12,1 млрд параметров, созданная сообществом mergekit-community из DreadPoor/Irix-12B-Model_Stock и mergekit-community/Slush-Lyra-Gutenberg-Bophades. Слияние выполнено методом SLERP; архитектура — плотная MistralForCausalLM, веса опубликованы в формате Safetensors и предназначены для работы через Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и продолжения текста; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — до 1 024 000 токенов. Карточка не приводит оценок качества или конкретных ограничений, поэтому поведение на длинном контексте и в прикладных сценариях следует проверять отдельно. Сведения о лицензии в доступных данных отсутствуют.

wnma3mz/Janus-Pro-7B-LM — производная от deepseek-ai/Janus-Pro-7B модель, в которой обновлены файлы весов в формате safetensors и добавлен шаблон чата. Обозначение LM указывает, что репозиторий содержит только языковую модель; README также поясняет, что пометка 4bit означает квантизацию языковой части до 4 бит, однако метаданные указывают формат safetensors и не подтверждают наличие квантизированных весов в этой версии. Модель предназначена для диалоговой генерации текста и запуска через Transformers; в README также приведён пример использования MLX на Apple Silicon. По метаданным, это плотная архитектура Llama с 6,5 млрд параметров и контекстом до 16 384 токенов. Базовая Janus-Pro-7B поддерживает понимание изображений и генерацию изображений по тексту, но данная LM-версия содержит только языковую часть. Репозиторий опубликован под лицензией MIT. README не приводит результатов оценки качества или конкретных ограничений применения; возможности, зависящие от визуальной части базовой модели, по описанию этой версии недоступны.

KAT-Dev-72B-Exp-GGUF — это квантизированная версия языковой модели KAT-Dev-72B-Exp, разработанной Kwaipilot. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска в локальных средах, совместимых с форматом GGUF, включая LM Studio и llama.cpp. Модель имеет размер 72B параметров и поддерживает множество вариантов квантизации — от Q8_0 до низкоразрядных Q2 и IQ-квантов. Доступны файлы размером примерно от 29,81 до 77,26 ГБ; варианты Q5 и Q6 рекомендованы как обеспечивающие высокое качество, а Q4 — как компромисс между качеством и требованиями к памяти. Для работы следует использовать указанный формат чата с маркерами system, user и assistant. Сильной стороной модели является возможность локального запуска и выбора квантизации под доступный объём памяти, однако даже наиболее компактные варианты требуют значительных аппаратных ресурсов, а снижение разрядности приводит к ухудшению качества. В README не указаны поддерживаемые языки, длина контекста, дополнительные модальности и лицензия исходной модели или квантизированных файлов.

MOTH — чат-модель общего назначения от sequelbox, дообученная на синтетических данных высокого качества с использованием формата инструкций Llama 3.1 Instruct. Она предназначена для диалогов и выполнения разнообразных инструкций и задач; доступна версия с 7,5 млрд параметров на архитектуре Llama, принимающая текст и генерирующая текст. Заявленная длина контекста — 131 072 токена, основной язык карточки — английский. Модель построена на базе meta-llama/Meta-Llama-3.1-8B-Instruct и распространяется в формате safetensors. Карточка указывает лицензию llama3.1. Качество не проверялось вручную, а обучение опиралось на автоматически созданные наборы данных, поэтому ответы могут быть ненадёжными.

MaziyarPanahi/M7Yamshadowexperiment28_YamT3qm7x — объединённая модель на 7,1 млрд параметров, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/YamT3qm7x-7B. Она использует плотную архитектуру MistralForCausalLM и предназначена для генерации текста; максимальная длина контекста составляет 32 768 токенов. Модель принимает текст и генерирует текст, поэтому подходит для диалоговых систем, черновиков и продолжения текста, а также ответов на запросы. Репозиторий содержит веса в формате safetensors. Модель опубликована под лицензией Apache 2.0. Карточка не приводит сведений о специализации, поддерживаемых языках или оценках качества.

MaxMini-Instruct-248M — модель семейства T5, разработанная автором репозитория suriya7 и дообученная для выполнения инструкций. Она преобразует текстовый ввод в текстовый ответ и рассчитана на широкий круг задач, формулируемых в виде инструкций. Модель имеет плотную архитектуру T5ForConditionalGeneration и содержит 123,8 млн параметров по метаданным каталога; в README указан размер 248 млн параметров. Длина контекста составляет 512 токенов. В карточке указаны датасеты databricks/databricks-dolly-15k и VMware/open-instruct, формат весов — safetensors. Лицензия — MIT.

MiniMax-M2.1-REAP-40-i1-GGUF — это GGUF-квантизированная версия модели 0xSero/MiniMax-M2.1-139B, подготовленная и опубликованная mradermacher. Модель относится к семейству MiniMax, использует архитектуру Mixture of Experts (MoE) и является pruned-вариантом REAP. Формат предназначен для запуска и дальнейшего использования в совместимых локальных инструментах для генерации текста. Основной заявленный язык — английский. Модель ориентирована на текстовые сценарии, включая генерацию и обработку текста, однако README не содержит подробностей о специализированных задачах, точном числе активных и общих параметров, длине контекста или дополнительных модальностях. Доступно множество вариантов квантизации с размером примерно от 28,6 до 114,4 ГБ. Более компактные варианты требуют меньше ресурсов, но могут заметно уступать по качеству; среди рекомендованных указаны i1-Q4_K_M как быстрый вариант и i1-Q4_K_S как компромисс между размером, скоростью и качеством. Преимуществами являются широкий выбор уровней квантизации и возможность адаптировать требования к памяти под конкретное оборудование. Ограничения связаны с потерями качества у низкобитных вариантов и высокими требованиями к ресурсам у более точных версий; конкретные показатели производительности и качества в README не приведены. Модель распространяется по лицензии Apache-2.0.

MiniMax-M2.7-UD-Q4_K_XL-layers — пакет GGUF с весами модели MiniMax-M2.7, подготовленный Mesh LLM для распределённого инференса. Пакет получен из unsloth/MiniMax-M2.7-GGUF и разбит на артефакты по слоям для запуска на кластере Mesh LLM. Модель предназначена для локального приватного чат-инференса, распределённой работы на нескольких машинах, если полный GGUF не помещается на одном узле, и обслуживания запросов через совместимый с OpenAI API. В метаданных указаны задача генерации текста, библиотека mesh-llm и возможность чата; формат весов — GGUF, вариант квантования — UD-Q4_K_XL. README отсылает к исходной карточке за подробностями архитектуры, контекстного окна, языков, рекомендаций по генерации и лицензии, поэтому эти характеристики здесь не уточняются. Условия использования определяются лицензией исходной модели.

Это набор GGUF-квантизаций модели gemma-3-12b-it-abliterated, разработанной mlabonne и подготовленной в форматах для llama.cpp пользователем bartowski. Модель основана на Gemma 3 с 12 миллиардами параметров и предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель поддерживает сценарии генерации текста и работы с изображениями; для визуального ввода требуется отдельный файл mmproj в формате F16 или F32. Доступны полноразмерные веса BF16 и варианты квантизации от Q8_0 до Q3 и IQ4, что позволяет выбирать между качеством, размером файла и требованиями к оперативной памяти. Рекомендуемыми указаны варианты Q4_K_M, Q5, Q6 и некоторые другие, а для ограниченного объёма памяти предусмотрены версии меньшего размера. В README не указаны поддерживаемые языки, размер контекстного окна, результаты оценивания и конкретные ограничения поведения модели. Квантизация снижает требования к ресурсам, но может уменьшать качество по сравнению с исходными весами, особенно у более компактных вариантов. Модель распространяется под лицензией Gemma.

m_OCR — мультиязычная модель распознавания текста на изображениях документов, разработанная Priyank M. Она использует архитектуру VisionEncoderDecoder по мотивам TrOCR: визуальный энкодер ViT-MAE Large обрабатывает изображение, а декодер XLM-RoBERTa Base формирует распознанный текст. Модель предназначена прежде всего для OCR на английском и китайском языках; в карточке также указано мультиязычное назначение. Автор сообщает, что модель обучалась на наборе примерно из 1,4 млн примеров и что обучение на меньшем наборе из 200 тыс. примеров давало слабые результаты. Это описание не содержит количественных оценок качества или данных о длине контекста. Репозиторий использует формат PyTorch и библиотеку Transformers. Лицензия в предоставленных данных не указана.

Это пакет Mesh LLM с квантованной моделью Nemotron-3-Nano-30B-A3B в формате GGUF Q4_K_S, разделённой на артефакты по слоям. Его подготовила команда Mesh LLM на основе unsloth/Nemotron-3-Nano-30B-A3B-GGUF для распределённого инференса на локальном кластере: части модели можно разместить на нескольких машинах, если она не помещается на одном узле. Модель предназначена для генерации текста и диалогов через Mesh LLM, в том числе для локального приватного запуска и работы через совместимый с OpenAI API интерфейс чата. Пакет сохраняет исходное разделение GGUF и облегчает распределение вычислений между узлами. Подробности об архитектуре, размере, языках и лицензии следует сверять с карточкой исходной модели; в предоставленных данных этих характеристик нет.

NeuralsirkrishnaShadow_Experiment28Inex12 — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment28Inex12-7B. Она предназначена для генерации текста и может использоваться в диалоговых и текстовых приложениях. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не описывает специальные предметные области или подтверждённые ограничения качества, поэтому её возможности следует оценивать на целевых задачах.

NeuralTrix-7B-dpo — языковая модель на 7,1 млрд параметров, опубликованная CultriX. Это плотная авторегрессионная модель семейства Mistral с контекстом до 32 768 токенов. Она создана слиянием моделей OmniBeagle-7B, MBX-7B-v3 и AiMaven-Prometheus методом DARE-TIES; в карточке также указано обучение DPO, но базовая модель для этого этапа не названа. Модель предназначена для генерации текста и диалоговых сценариев на основе текстовых запросов. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. README называет результат NeuralTrix-7B-v1, тогда как идентификатор репозитория — NeuralTrix-7B-dpo.