I.6Перевод и языковая адаптация

NVIDIA-Nemotron-Nano-9B-v2-GGUF — набор GGUF-квантизаций модели NVIDIA-Nemotron-Nano-9B-v2, подготовленный пользователем bartowski на основе оригинальной модели NVIDIA. Модель предназначена для генерации текста и локального запуска в llama.cpp, LM Studio и других совместимых проектах. В набор входят варианты от BF16 до низкоразрядных Q2–Q8 и IQ-квантизаций; размер файлов составляет примерно от 5,27 до 17,79 ГБ. Квантизация выполнена с использованием imatrix, что направлено на сохранение качества при уменьшении требований к памяти. В README не указаны архитектура исходной модели, поддерживаемые языки, длина контекста, мультимодальные возможности и точные сценарии применения. Сильной стороной набора является широкий выбор компромиссов между качеством, размером и требованиями к оборудованию: варианты Q5–Q6 и Q4_K_M обозначены как рекомендуемые, а Q3 и Q2 подходят для систем с ограниченным объёмом RAM, но обеспечивают более низкое качество. Лицензия в предоставленных данных не указана; условия использования следует уточнять на странице оригинальной модели NVIDIA-Nemotron-Nano-9B-v2.

OpenThaiGPT 1.5 72B Instruct — модель для диалогов на тайском языке, разработанная проектом OpenThaiGPT. Это плотная авторегрессионная модель семейства Qwen2, дообученная на более чем двух миллионах тайских пар инструкций; в метаданных указано 71,5 млрд параметров. Она поддерживает многоходовые диалоги, интерфейс вызова инструментов и сценарии с дополнением ответов найденными документами (RAG).

Phi-3.5-mini-instruct_Uncensored-GGUF — это квантизированная версия инструкционной текстовой языковой модели Phi-3.5-mini-instruct_Uncensored, разработанной SicariusSicariiStuff и преобразованной в формат GGUF пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев; запуск возможен через llama.cpp и совместимые приложения, включая LM Studio. В README указан специальный формат промпта с ролями system, user и assistant. Доступны варианты от исходных весов F16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3, Q2 и IQ. Размер файлов составляет примерно от 1,42 до 7,64 ГБ, что позволяет выбирать между качеством ответов и требованиями к памяти. Для квантизации использовался llama.cpp b3600 с методом imatrix. Более высокие варианты, включая Q6 и Q5, характеризуются как обеспечивающие очень высокое или высокое качество, тогда как Q2 и Q3 экономят память ценой заметного снижения качества. README не содержит сведений о точном числе параметров, архитектуре, длине контекста, поддерживаемых языках или мультимодальности. Модель распространяется по лицензии Apache-2.0.

Qwen2.5-1.5B-Instruct-8bit — конвертированная сообществом mlx-community версия Qwen2.5-1.5B-Instruct для запуска в формате MLX на устройствах Apple. Это плотная авторегрессионная языковая модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогового общения; метаданные также отмечают интерфейс вызова инструментов. Контекст модели составляет до 32 768 токенов, язык карточки — английский. Модель подходит для диалоговых помощников, генерации и продолжения текста, а также прототипирования локальных приложений на совместимом оборудовании Apple. Веса указаны в 8-битном варианте, а README сообщает о конвертации исходной Qwen/Qwen2.5-1.5B-Instruct в MLX с помощью mlx-lm 0.18.1. Лицензия — Apache-2.0.

mlx-community/Qwen3-4B-4bit — это 4-битная квантованная версия языковой модели Qwen3-4B, разработанная сообществом mlx-community и преобразованная в формат MLX из исходной модели Qwen/Qwen3-4B с использованием mlx-lm версии 0.24.0. Модель предназначена для генерации текста и запуска через библиотеку mlx-lm, в том числе для диалоговых сценариев с применением chat template. В README указано, что модель относится к категории text-generation и основана на Qwen3-4B. Известны её размер класса — 4B параметров, 4-битное представление и формат MLX. Данные о поддерживаемых языках, длине контекста, архитектурных деталях, модальностях, преимуществах и ограничениях не приведены, поэтому их нельзя достоверно оценить по имеющейся информации. Модель распространяется по лицензии Apache-2.0. Для использования требуется библиотека mlx-lm; README демонстрирует загрузку модели и генерацию ответа через MLX.

litert-community/Qwen3.5-0.8B — это квантованная версия языковой модели Qwen3.5-0.8B, разработанной Alibaba, преобразованная сообществом в формат LiteRT-LM для локального инференса на устройствах. Модель предназначена для генерации текста, диалогов и работы в сценариях on-device и edge, включая Android, iPhone и компьютеры с поддерживаемым GPU. Пакет содержит только текстовый декодер; исходная мультимодальная модель также включает зрительную часть, но в этой версии она удалена. Отдельно доступен вариант с поддержкой изображений размером 1,30 ГБ. Архитектура гибридная: 18 блоков GatedDeltaNet с линейным вниманием и 6 блоков полного внимания. Состояние линейных блоков имеет почти постоянный размер при увеличении контекста, а KV-кэш используется только в шести блоках полного внимания с бюджетом 4096 токенов. Основной файл использует динамическую int8-квантизацию линейных слоёв и embedding; его размер составляет 963 МБ. Поддерживаются текстовые входы, а вариант VL добавляет изображения. Для работы требуется LiteRT-LM версии не ниже 0.15. К сильным сторонам относятся корректность преобразования, подтверждённое соответствие исходной PyTorch-модели, работа на CPU и GPU, поддержка многоходовых диалогов и эффективное использование памяти при длинном контексте. На устройстве модель обеспечивает высокую скорость генерации, однако качество ограничено компактным размером: в тесте GSM8K результат LiteRT int8 составил 11% против 12% у эталонной версии bf16. Модель распространяется по лицензии Apache-2.0.

Qwen3.5-9B-GGUF — это набор GGUF-квантизаций базовой модели Qwen/Qwen3.5-9B, подготовленный jimbothigpen с использованием форка llama.cpp. Набор включает исходный вариант BF16 и 41 тип квантизации от IQ1_* до Q8_0, а также vision-проектор для мультимодального использования. Модель предназначена для локального запуска и сравнения качества, perplexity и производительности различных форматов квантизации в совместимых реализациях llama.cpp. Ключевая особенность набора — использование единой importance matrix, рассчитанной на полном многодоменном калибровочном корпусе calibration_datav3 и применённой к большинству вариантов. Это позволяет лучше сохранять качество при низкой разрядности. Отдельные форматы WHT3_0 и WHT4_0 используют Walsh-Hadamard-преобразование и намеренно создаются без importance matrix. Доступна мультимодальная конфигурация с vision-проектором, однако сведения о языках и размере контекста в README не указаны. Основное ограничение — совместимость зависит от формата: стандартные типы загружаются в обычном llama.cpp, семейства IQ-K, KS, KT, KL и KSS требуют сборки, совместимой с ik_llama.cpp, а WHT-форматы — форка jimbothigpen/llama.cpp или другой реализации с поддержкой WHT. Производительность, требования к памяти и качество зависят от выбранной квантизации и используемого backend. Производные веса распространяются по лицензии Apache-2.0, унаследованной от базовой модели.

Это исследовательский чекпойнт Qwen3.6-35B-A3B, подготовленный minjaechoi на основе Qwen/Qwen3.6-35B-A3B. Веса экспертов с маршрутизацией имеют среднюю точность 2,00 бита, остальные веса хранятся в BF16; тензоры весов сохранены в деквантизированном BF16. Модель предназначена для генерации текста и диалогов, а файлы в формате safetensors загружаются через Transformers и vLLM. Карточка не приводит отдельные результаты обучения или оценки качества этого чекпойнта. Лицензия следует лицензии базовой модели.

Это GGUF-сборка модели Qwen3.6-35B-A3B-Abliterated-Heretic, подготовленная mradermacher. Репозиторий содержит BF16-веса и дополнительные файлы mmproj для мультимодальной обработки; в README также перечислены квантизованные варианты, включая Q2_K. Базовая модель — Youssofal/Qwen3.6-35B-A3B-Abliterated-Heretic-BF16. Модель предназначена для диалоговой генерации текста. В метаданных отмечена возможность чата, а карточка базовой модели указывает на обработку изображений. Лицензия — Apache-2.0. Доступность mmproj сама по себе не подтверждает, что все файлы или варианты сборки поддерживают одинаковые сценарии обработки изображений.

Qwen3.6-35B-A3B-heretic-GGUF — набор квантованных моделей в формате GGUF, опубликованный Abiray на основе модели tvall43/Qwen3.6-35B-A3B-heretic. Репозиторий предназначен для запуска через llama.cpp и другие совместимые движки инференса на базе GGML. По названию модель относится к классу 35B-A3B, однако подробности архитектуры и точное соотношение параметров в README не раскрыты. В метаданных указано назначение image-text-to-text, но поддерживаемые модальности и языки отдельно не описаны. Доступны варианты Q3_K_M, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0. Q4_K_M рекомендуется как компромисс между размером, скоростью и качеством; Q3_K_M экономит больше всего места, но заметнее ухудшает качество, а Q6_K и Q8_0 ориентированы на системы с большим объёмом VRAM и обеспечивают качество, близкое к исходному. Модель можно использовать для генерации текста и других поддерживаемых задач через современные версии llama.cpp, но требования к контексту, языкам и аппаратным ресурсам, кроме общих различий между квантованиями, не указаны. Лицензия обозначена как other, без дополнительных условий в README.

Это квантованная GGUF-версия языковой модели Qwen3.8-27B, разработанной командой Qwen и подготовленной пользователем ubergarm с использованием imatrix-квантизации. Модель предназначена для генерации текста и диалоговых сценариев; запуск ориентирован на ik_llama.cpp. Указанная версия содержит MTP IQ4_KS-квантизацию размером около 15,75 ГиБ и использует 4,731 бит на вес. Для работы также предусмотрен мультимодальный проектор mmproj, однако конкретный набор поддерживаемых модальностей и языков в README не описан. Модель рассчитана на локальный инференс с экономией памяти и заявленной высокой эффективностью по показателю perplexity для своего объёма памяти. В примере запуска используется контекст до 131 072 токенов, CUDA и speculative decoding через MTP с параметром n_max=4. Для запуска требуется специальная ветка ik_llama.cpp; совместимость с основной версией llama.cpp, LM Studio и KoboldCPP зависит от конкретного варианта квантизации. README не приводит результаты прикладных тестов, перечень языков, точные архитектурные характеристики базовой модели или системные требования. Модель распространяется по лицензии Apache-2.0. Ограничения связаны с потерями точности, неизбежными при квантизации, зависимостью от специального программного обеспечения и необходимостью подбора аппаратной конфигурации для эффективной работы.

Qwerus-7B-GGUF — набор GGUF-квантизаций модели Qwerus-7B, разработанный bartowski на основе модели mlabonne/Qwerus-7B. Квантизация выполнена с использованием llama.cpp версии b4418 и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через LM Studio и совместимые инструменты llama.cpp. В набор входят варианты от исходных весов F16 размером 15,24 ГБ до компактных квантов IQ2_M размером 2,78 ГБ. Доступны форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ. Более крупные варианты обеспечивают более высокое качество, а компактные требуют меньше оперативной памяти, но сильнее теряют в качестве. Для большинства сценариев автор рекомендует Q4_K_M как сбалансированный вариант, а Q5_K и Q6_K — как более качественные. Из README не указаны архитектура исходной модели, размер контекстного окна, поддерживаемые языки и модальности. Приведён шаблон диалога с ролями system, user и assistant. Лицензия модели — MIT.

TextAttack дообучила RoBERTa-base для классификации пар предложений на датасете MRPC из набора GLUE. Модель содержит 151,8 млн параметров и принимает текстовые пары; максимальная длина контекста по метаданным — 514 токенов. При дообучении использовались 5 эпох, размер пакета 16, скорость обучения 3e-05 и максимальная длина последовательности 256 токенов. Модель предназначена для определения, выражают ли два предложения одинаковый смысл. В карточке указана точность 0,912 на оценочной выборке, достигнутая после двух эпох обучения. Доступны веса PyTorch и Flax; лицензия в предоставленных данных не указана.

RWKV7-1.5B-20260805 — базовая языковая модель RWKV-7 «Goose», выпущенная BlinkDL в формате Transformers. Это плотная рекуррентная модель для генерации текста с 1,5 млрд параметров: архитектура не использует attention, поддерживает обучение с параллелизацией и хранит состояние постоянного размера, поэтому память инференса не растёт как KV-кэш при генерации токенов. В репозитории есть токенизатор и шаблон чата для системных и многоходовых запросов, включая форматирование вызовов инструментов; шаблон задаёт интерфейс промпта и сам по себе не означает, что модель прошла выравнивание для безопасного диалога. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, чатовых и рассуждательных данных. Она предназначена для оценки, генерации текста, последующего дообучения и постобучения. В карточке заявлена поддержка английского, китайского, французского, испанского, немецкого, португальского, русского, итальянского, японского, корейского, вьетнамского и арабского языков. Распространяется в формате safetensors, лицензия Apache-2.0. Качество следования инструкциям и языковое поведение зависят от чекпойнта, промптов и постобучения; модель не заявлена как безопасный или выровненный ассистент, а оценка фактической точности, предвзятости и токсичности не приводится. Спекулятивное декодирование с откатом рекуррентного кэша требует сохранения предыдущих состояний. Производительность ускоренного исполнения зависит от GPU, типа данных и формы пакета; неподдерживаемые настройки используют PyTorch.

RWKV7-G1i-7.2B-20260805 — базовая предобученная языковая модель семейства RWKV-7, разработанная Bo Peng, Yu Zhang, Songlin Yang, Ruichong Zhang и Zhiyuan Li при поддержке RWKV Project под эгидой LF AI & Data Foundation. Это плотная авторегрессионная модель на 7,8 млрд параметров в формате safetensors; в README также указано 7,2 млрд параметров. Она использует рекуррентную архитектуру без внимания с постоянным размером состояния и постоянной вычислительной работой на генерируемый токен, а обучение допускает параллелизацию. Модель принимает текст и генерирует продолжение, поддерживает чатовый шаблон, но не заявлена как безопасный или выровненный диалоговый помощник. Метаданные указывают контекст 2048 токенов. Модель предварительно обучена на веб-текстах, коде, синтетических данных, инструкциях, диалогах и данных для рассуждений. Её назначение — оценка, последующее обучение и дообучение, а также генерация текста и эксперименты с диалоговыми сценариями. README называет языки многоязычными, а метаданные перечисляют английский, китайский, японский, корейский, французский, арабский, испанский и португальский. Для использования требуются flash-linear-attention и актуальная версия Transformers. Лицензия — Apache-2.0.

RWKV/RWKV7-G1j-7.2B-20260831 — официальная базовая языковая модель RWKV-7 «Goose», выпущенная BlinkDL в формате Transformers. Это плотная авторегрессионная модель класса Rwkv7ForCausalLM с 7,8 млрд параметров, представленная в Safetensors. Архитектура не использует attention: она поддерживает рекуррентное состояние постоянного размера, а вычислительная стоимость генерации каждого токена постоянна; обучение при этом можно распараллеливать. Модель предварительно обучена на веб-текстах, коде, синтетических, инструкционных, диалоговых и рассуждательных данных. Она предназначена для генерации продолжений текста, оценки, последующего обучения и дообучения. Шаблон диалога позволяет формировать многоходовые и thinking-промпты, но сам по себе не означает, что модель является безопасным или выровненным ассистентом. В карточке перечислены английский, китайский, французский, испанский, немецкий, португальский, русский, итальянский, японский, корейский, вьетнамский и арабский языки; размер контекста не приведён. Модель распространяется по лицензии Apache-2.0. Среди ограничений: качество следования инструкциям и языковое поведение зависят от промптинга и дополнительного обучения; откат рекуррентного кэша для speculative decoding не поддерживается без сохранения предыдущих состояний. Оптимизированный инференс зависит от GPU, типа данных и формы батча, а полное исполнение через TileLang требует отдельной проверки численного соответствия. Для модели не заявлена оценка безопасности, предвзятости, токсичности, фактической точности или пригодности для критически важных сценариев.

lxyuan разработал SpanMarker на основе bert-base-multilingual-cased, дообучив модель на наборе Babelscape/multinerd. Это модель для распознавания именованных сущностей: она выделяет в тексте упоминания людей, организаций и мест, а также другие типы сущностей из разметки MultiNERD. Модель поддерживает десять языков: немецкий, английский, испанский, французский, итальянский, нидерландский, польский, португальский, русский и китайский. В опубликованной карточке приведены результаты оценки: общий F1 — 92,61; для английского — 95,20. Модель использует регистрозависимый вариант BERT, поэтому качество может снижаться, если регистр букв в исходном тексте часто нарушен. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий указания авторства и распространения производных материалов.

NVIDIA Citrinet CTC 256 Librispeech — компактная модель распознавания английской речи, разработанная NVIDIA и распространяемая для NeMo. Это extra-small вариант архитектуры Citrinet-CTC примерно с 10 млн параметров; модель использует CTC-декодирование и обучена на 960 часах английской речи из LibriSpeech. Она принимает монофоническое аудио WAV с частотой дискретизации 16 кГц и возвращает транскрипцию в виде строки: строчными буквами английского алфавита, с пробелами и апострофами. Модель подходит для транскрибирования отдельных записей и пакетов аудиофайлов, а также как предварительно обученный чекпойнт для дальнейшего дообучения. Для развёртывания в производственных системах README указывает совместимость с NVIDIA Riva. В приведённых результатах WER составляет 3,8% на LibriSpeech test-clean и 9,8% на test-other при жадном декодировании. Качество может снижаться на технической лексике, разговорных вариантах речи и речи с акцентом, недостаточно представленных в обучающих данных. Модель выпущена под лицензией CC BY 4.0.

MaziyarPanahi/T3qm7xNeuralsirkrishna_Experiment26Experiment30 — объединённая модель Mistral с плотной архитектурой и 7,1 млрд параметров, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment26Experiment30-7B. Она предназначена для генерации текста и диалоговых сценариев; принимает текст и может обрабатывать контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

T3qm7xpNeuralsynthesis-7B — автоматически собранная Maxime Labonne языковая модель для генерации текста на основе архитектуры Mistral. В README указано слияние моделей методом dare_ties с параметрами density 0,53 и weight 0,6; метаданные каталога связывают её с Kukedlc/NeuralSynthesis-7b-v0.4-slerp. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов; файлы опубликованы в формате Safetensors. Модель предназначена для генерации текста и диалогов. В метаданных указана лицензия Apache-2.0. README также упоминает nlpguy/T3QM7XP в конфигурации слияния, поэтому состав участвовавших моделей в источниках описан неодинаково.

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.

Vicuna-13B-v1.5 — авторегрессионная языковая модель на архитектуре Transformer семейства Llama, разработанная LMSYS. Модель дообучена на базе Llama 2 на пользовательских диалогах, опубликованных на ShareGPT; содержит 12,9 млрд параметров и рассчитана на контекст до 4096 токенов. Модель предназначена для диалогового общения и экспериментов с чат-ботами и большими языковыми моделями. Она генерирует текст в ответ на текстовые запросы и может применяться исследователями и энтузиастами в задачах обработки естественного языка, машинного обучения и искусственного интеллекта. В карточке описана оценка по стандартным бенчмаркам, предпочтениям людей и подходу LLM-as-a-judge. Модель распространяется по лицензии Llama 2 Community License Agreement. Её ответы могут быть неточными или необоснованными; качество зависит от запроса и не гарантирует надёжность в критически важных сценариях.

aconeil/w2v2-lmk_updated — модель автоматического распознавания речи на архитектуре wav2vec 2.0, дообученная на базе facebook/wav2vec2-large-xlsr-53. Она предназначена для преобразования аудиозаписей речи в текст. Модель содержит 402,7 млн параметров и использует архитектуру Wav2Vec2ForCTC. В README приведены результаты на оценочном наборе: WER 0,5749 и CER 0,2049. Для обучения использован набор данных audiofolder. Модель распространяется в формате safetensors по лицензии Apache-2.0. Язык распознавания и подробные ограничения в карточке не описаны.

Wav2Vec2-Base-960h — модель распознавания речи, разработанная Facebook. Она основана на архитектуре wav2vec 2.0: модель предварительно обучена на аудио речи, а затем дообучена на 960 часах размеченных данных LibriSpeech. Веса содержат 113,3 млн параметров; доступны форматы PyTorch, safetensors и TensorFlow. Модель предназначена для преобразования английской речи в текст. На вход подаётся аудио с частотой дискретизации 16 кГц; обучение и оценка опираются на LibriSpeech. Для оптимальных результатов следует соблюдать эту частоту дискретизации. Модель распознаёт речь, но карточка не заявляет поддержку других языков или дополнительных аудиозадач. Лицензия — Apache-2.0. Указанные в карточке результаты на LibriSpeech не гарантируют такую же точность на других акцентах, условиях записи или предметных областях.

ihanif/whisper-turbo-ar-v2 — дообученная модель распознавания речи на основе openai/whisper-large-v3-turbo, созданная Hanif Rahman. Она предназначена для преобразования аудио в текст; обучение проводилось на наборе Common Voice 17.0. В карточке приведены результаты оценки: WER 39,2011 и орфографический WER 39,8068. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и распространяется в формате safetensors для Transformers. Лицензия — MIT. В карточке нет сведений о целевом языке или специальной области применения; суффикс ar в имени репозитория сам по себе этого не подтверждает.

Wiedervereinigung-7b-dpo-laser — немецкоязычная чат-модель с 7,1 млрд параметров, разработанная Mayflower GmbH. Она построена на архитектуре Mistral и объединяет четыре модели: DiscoResearch/DiscoLM_German_7b_v1, DRXD1000/Phoenix, VAGOsolutions/SauerkrautLM-7b-v1-mistral и malteos/hermeo-7b. После объединения модель дообучили методом DPO на немецком переводе набора Intel Orca DPO, затем применили обработку laserRMT на немецких данных. Модель предназначена для генерации текста и диалогов на немецком языке. Её можно применять для написания текстов, ролевых диалогов, извлечения информации и ответов на вопросы; в карточке также приведены результаты тестирования по категориям STEM и гуманитарных дисциплин. Поддерживается контекст до 32 768 токенов. По README, качество в математике, программировании и рассуждениях может быть слабее, чем в письме и гуманитарных темах. Модель распространяется под лицензией Apache-2.0.

Xwen-7B-Chat — диалоговая языковая модель команды xwen-team, дообученная на базе Qwen2.5-7B. Это плотная трансформерная модель с 7,1 млрд параметров для генерации текста и ведения диалога; она принимает текст и выдаёт текст. В метаданных указан контекст до 131 072 токенов, поддержка английского и китайского языков, интерфейс для вызова инструментов и библиотека Transformers. Модель предназначена для чат-ботов и ответов на пользовательские запросы. Авторы приводят результаты Arena-Hard-Auto, MT-Bench и AlignBench, где Xwen-7B-Chat показала результаты выше приведённых в карточке сравнений с рядом сопоставимых моделей; это результаты бенчмарков, а не гарантия качества для конкретного сценария. Авторы также предупреждают, что модель специально не обучали точно отвечать на вопросы о собственной личности и разработчиках. Веса распространяются по лицензии Apache-2.0. В README упомянуты отдельные репозитории с GGUF-квантованиями; эта карточка описывает версию в формате Safetensors.

YamshadowStrangemerges_32_Experiment28Strangemerges_32 — слитая языковая модель на архитектуре Mistral, созданная объединением automerger/YamshadowStrangemerges_32-7B и automerger/Experiment28Strangemerges_32-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров, веса представлены в формате safetensors. Репозиторий использует лицензию Apache-2.0. Карточка не описывает специальные предметные области или конкретные ограничения качества.

YamshadowStrangemerges_32_Strangemerges_32M7 — объединённая модель на архитектуре Mistral, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/Strangemerges_32M7-7B. Репозиторий указывает на слияние этих моделей; число параметров составляет 7,1 млрд, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалога. Она принимает текстовые запросы и выдаёт текст. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает специальные предметные области или дополнительные возможности модели.

chargoddard/Yi-34B-Llama — версия 01.AI Yi-34B, в которой имена тензоров приведены к формату стандартной реализации Llama. Модель представляет собой плотную авторегрессионную языковую модель на 33,9 млрд параметров с архитектурой LlamaForCausalLM и контекстом до 4096 токенов. Она предназначена для генерации текста и может загружаться через стандартный код моделирования Llama без параметра trust_remote_code. Для токенизатора требуется trust_remote_code; в ветке llama-tokenizer используется класс токенизатора Llama. Репозиторий содержит веса safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели и связанных материалах.