I.6Перевод и языковая адаптация

Synthia-70B-v1.2 — языковая модель семейства Llama, разработанная Migtissera на основе Llama 2 70B и дообученная на синтетических наборах данных в стиле Orca. Она предназначена для следования инструкциям, генерации текста и продолжительных диалогов. Модель содержит 68,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст; максимальная длина контекста составляет 2048 токенов. В версии 1.2 использовано на 20% больше данных и вдвое больше времени обучения, чем в версии 1.1. README приводит результаты оценки на задачах ARC и HellaSwag. Модель может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или иной неподходящий контент; её автор характеризует её как неограниченную по содержанию. Лицензия — Llama 2 License.

T3qm7xNeuralsirkrishna_Experiment24Alloyingotneoy — объединённая модель генерации текста на архитектуре Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment24Alloyingotneoy-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README и метаданные не уточняют языковую специализацию или дополнительные ограничения модели.

T3qm7xNeuralsirkrishna_Multi_verse_modelYam — объединённая модель семейства Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Multi_verse_modelYam-7B. Она предназначена для генерации текста и диалоговых ответов, в том числе в сценариях, где требуется обрабатывать длинные запросы и контекст. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и принимает контекст длиной до 32 768 токенов. Данные карточки не уточняют поддерживаемые естественные языки и конкретные сильные стороны слияния. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_OgnoExperiment27 — слитая модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением automerger/T3qm7xNeuralsirkrishna-7B и automerger/OgnoExperiment27-7B. Она предназначена для генерации текста и диалогов; поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель принимает текст и выдаёт текст. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Карточка не сообщает о специализации по предметной области или отдельных языковых возможностях, поэтому модель описывается как общего назначения.

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.

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.

Это объединённая модель генерации текста на архитектуре Llama, созданная с помощью mergekit методом della_linear. В качестве базовой использована Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2; также объединены Solshine/reflection-llama-3.1-8B, три версии ArliAI/Llama-3.1-8B-ArliAI-RPMax и Skywork-o1-Open-Llama-3.1-8B. Размер модели — 7,5 млрд параметров, формат весов — safetensors. Модель предназначена для диалоговой генерации текста и ответов на инструкции. Контекстное окно составляет до 131 072 токенов; метаданные также указывают интерфейс вызова инструментов. Карточка не приводит оценки качества или результаты тестирования. Лицензия в предоставленных сведениях не указана.

Transcendental-Maidphin-7B — объединённая языковая модель на 7,1 млрд параметров, созданная nbeerbower методом SLERP с помощью mergekit из nbeerbower/Transcendental-Maid-7B и nbeerbower/bruphin-epsilon. Это плотная модель архитектуры Mistral для генерации текста и диалогов; заявленная длина контекста — до 32 768 токенов. Модель принимает текст и генерирует текст. Модель подходит для диалоговых приложений и других сценариев генерации текста, включая работу с длинными текстовыми запросами в пределах контекста. Репозиторий распространяет веса в формате safetensors, а лицензия — Apache-2.0. Карточка не описывает специальные предметные области или языковые приоритеты.

Модель codersan/validadted_FaLabse_onV8d — дообученная разработчиком codersan модель Sentence Transformer на базе sentence-transformers/LaBSE. Архитектура BERT преобразует предложения и абзацы в плотные эмбеддинги размерности 768 для сравнения текстов по косинусному сходству; используется библиотека sentence-transformers. В README указана максимальная длина последовательности 256 токенов, а в метаданных — контекст 512 токенов. Модель предназначена для поиска семантически близких текстов, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. Она обучена на 21 484 парах «запрос — релевантный текст» с MultipleNegativesRankingLoss. LaBSE рассчитана на многоязычные тексты и поддерживает 109 языков, но конкретные языки, на которых улучшилось качество после дообучения, не определены. Лицензия в предоставленных данных не указана.

Venomia-1.1-m7-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, созданная слиянием Mistral-7B-Instruct-v0.1 и Sao10K/Venomia-1.1-m7 методом SLERP. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы; поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не описывает отдельные специализированные области применения или ограничения качества.

WizardLM-2-7B-abliterated-GGUF — это квантизированная версия языковой модели WizardLM-2-7B-abliterated, опубликованная и подготовленная bartowski на основе оригинальной модели fearlessdots. Модель предназначена для генерации текста и запуска локально через llama.cpp; в README указан формат запросов с системным сообщением, ролями USER и ASSISTANT. Модель содержит 7 млрд параметров и представлена в формате GGUF с вариантами квантизации от Q8_0 до IQ1_S. Доступны сборки размером примерно от 1,61 до 7,69 ГБ. Квантизация выполнена с использованием llama.cpp и метода imatrix. В README не указаны поддерживаемые языки, размер контекстного окна, архитектура исходной модели или мультимодальные возможности, поэтому модель следует рассматривать как текстовую. Сильная сторона семейства — широкий выбор вариантов квантизации, позволяющий подобрать баланс между качеством, размером файла и требованиями к памяти; для высокого качества рекомендуются Q6_K, Q5_K_M, Q5_K_S и некоторые варианты Q4. Более агрессивная квантизация экономит память, но снижает качество, особенно у вариантов IQ1. Модель распространяется по лицензии Apache-2.0.

YamshadowInex12_Experiment28Strangemerges_32 — слитая модель семейства Mistral, созданная на основе automerger/YamshadowInex12-7B и automerger/Experiment28Strangemerges_32-7B. Она предназначена для генерации текста и диалоговых сценариев на базе языковой модели. Модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors; лицензия — Apache-2.0. Карточка не описывает специализацию, языки или результаты оценки качества, поэтому модель следует рассматривать как текстовую модель общего назначения. Качество и поведение конкретного слияния могут зависеть от запроса и требуют оценки для целевого применения.

Это исследовательский резервный чекпойнт причинной языковой модели семейства Qwen2, опубликованный пользователем yuq-zhou в стандартном формате Hugging Face. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; метаданные также отмечают поддержку чата и интерфейса вызова инструментов. Максимальная длина контекста составляет 16 384 токена. Модель подходит для генерации текста и диалогов, а также для экспериментов с интерфейсом вызова инструментов. В README она обозначена как резервная копия исследовательского артефакта; назначение суффиксов в имени чекпойнта не поясняется. Доступны веса в формате safetensors, лицензия в предоставленных данных не указана.

BeagleB-7B — объединённая модель для генерации текста, созданная с помощью LazyMergekit на основе OmniBeagle-7B, BeagleX-7B и FoxBeagle-7B. В конфигурации указана Mistral-7B-v0.1 как базовая модель и метод слияния dare_ties. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель ruanchaves/bert-base-portuguese-cased-assin2-similarity — дообученная версия BERTimbau base, разработанная на основе neuralmind/bert-base-portuguese-cased. Она предназначена для оценки семантического сходства двух текстов на португальском языке с помощью классификационной головы BertForSequenceClassification и обучалась на наборе ASSIN 2. Модель содержит 136,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт результат классификации. Её можно применять для сравнения перефразировок, поиска похожих предложений и оценки сходства текстовых пар на португальском языке. Репозиторий содержит веса PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

SANIAAFTAR/bge-base-en-v1.5-finetuned_ragds_v1 — модель Sentence Transformers, дообученная на базе sentence-transformers/paraphrase-multilingual-mpnet-base-v2. Она преобразует предложения и абзацы в плотные векторы размерности 768 для сравнения семантической близости, семантического поиска, поиска перефразировок, кластеризации и классификации текста. Архитектура состоит из XLM-RoBERTa и mean pooling; для оценки сходства в README указана косинусная мера. Метаданные указывают контекст до 514 токенов, тогда как README сообщает ограничение длины последовательности 128 токенов. Модель подходит для построения эмбеддингов и поиска по смыслу в многоязычных текстовых коллекциях, в том числе в системах поиска для RAG. В карточке приведены пары anchor-positive и обучение с MultipleNegativesRankingLoss. Весовая лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

CALE-XLM-R — модель Sentence-Transformers на базе FacebookAI/xlm-roberta-large, дообученная для преобразования текста в плотные векторы размерности 1024. Она предназначена для поиска семантически близких текстов, кластеризации и вычисления сходства предложений. Модель принимает текст и формирует эмбеддинги; мультиязычная базовая XLM-RoBERTa поддерживает 100 языков. Контекст модели составляет 514 токенов. Репозиторий распространяется по лицензии Apache-2.0.

Это Sentence Transformer на базе sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2, дообученный для сопоставления предложений и абзацев. Модель разработана автором репозитория easonanalytica и преобразует текст в плотные векторы размерности 384; сходство можно оценивать косинусной мерой. Архитектура включает BertModel и усреднение токеновых представлений. README указывает максимальную длину последовательности 128 токенов, а метаданные — контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения текстов, поиска перефразирований, кластеризации и классификации текста. Она дообучена с ContrastiveLoss на 55 205 парных примерах. Поддерживает многоязычное представление текста благодаря базовой модели. Репозиторий содержит веса в формате safetensors и использует библиотеку Sentence Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

CrystalMistralv.03-fixed — объединённая автором модель Crystalcareai на архитектуре Mistral с 7,1 млрд параметров. Она создана с помощью LazyMergekit методом SLERP из Crystalcareai/CrystalMistral_7b_v.02 и Crystalcareai/CrystalMistralv.01-fixed; веса сохранены в формате safetensors с точностью bfloat16. Модель предназначена для генерации текста и принимает контекст длиной до 32 768 токенов. Карточка не уточняет специализацию, языки обучения или целевые сценарии, поэтому модель можно описать как генератор общего назначения. Лицензия в предоставленных сведениях не указана.

DeepSeek-MoE-16B-Chat — разговорная языковая модель DeepSeek на архитектуре DeepSeek для генерации текста в формате диалога. Она предназначена для ответов на сообщения пользователя и других сценариев чат-взаимодействия. В метаданных указаны 2,6 млрд параметров, контекст до 4096 токенов и формат весов safetensors. Модель принимает текст и генерирует текст. Карточка не приводит сведений о поддерживаемых языках или специализированных областях применения. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

Deita-20b — языковая модель для генерации текста на базе архитектуры Llama с 19,3 млрд параметров. Карточка показывает пример диалога с системным и пользовательским сообщениями, поэтому модель подходит для выполнения инструкций и ответов на запросы в формате ассистента. Заявленная длина контекста — 32 768 токенов. Модель использует формат Safetensors и обучалась на наборе KnutJaegersberg/Deita-6k. В карточке приведены результаты оценок на нескольких тестах рассуждения и понимания текста. Код распространяется по Apache-2.0; для весов заявлены академическое и бесплатное коммерческое использование, однако для коммерческой лицензии предлагается подать отдельную заявку.

ECE_Poirot — языковая модель, созданная студентами инженерной школы ECE Youri LALAIN и Lilian RAGE при участии лаборатории ECE iLab и под руководством специалистов ECE и Exaion. Модель получена слиянием bond005/meno-tiny-0.1 и Qwen/Qwen2.5-1.5B-Instruct методом SLERP с настройкой весов для слоёв self-attention и MLP. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и формирует текстовые ответы; метаданные также отмечают интерфейс для вызова инструментов. Контекстное окно — 32 768 токенов. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0.

Experiment26Yamshadow_Experiment26Experiment24 — объединённая языковая модель, созданная на основе automerger/Experiment26Yamshadow-7B и automerger/Experiment26Experiment24-7B. Модель построена на архитектуре Mistral с плотной сетью и содержит 7,1 млрд параметров. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов, что позволяет работать с длинными входными текстами. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

Experiment26Yamshadow_Experiment29Experiment24 — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста по текстовым запросам и может использоваться в сценариях, где требуется продолжать или создавать текст. Модель объединяет automerger/Experiment26Yamshadow-7B и automerger/Experiment29Experiment24-7B и поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0.

FastContext-4B-SFT_base-SFT-Fable5 — плотная языковая модель для генерации текста, созданная дообучением Microsoft FastContext-1.0-4B-SFT на наборе инструкций Fable-5-Complete-2M-Clean. В основе архитектура Qwen3ForCausalLM; в метаданных указано 3,7 млрд параметров, а в README — 4,0 млрд. Контекст составляет до 262 144 токенов. LoRA-адаптеры объединены с базовыми весами, поэтому результат представляет собой цельную модель.

Это модель SentenceTransformer, дообученная автором srikarvar на базе intfloat/multilingual-e5-small для сравнения и поиска текстов по смыслу. Архитектура основана на BERT: модель преобразует предложения и абзацы в плотные векторы размерности 384, применяя усреднение токенов и нормализацию; близость оценивается косинусным сходством. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текста на основе эмбеддингов. В карточке приведены результаты бинарной классификации сходства на парах предложений, однако они не гарантируют аналогичное качество на других данных. Модель поддерживает многоязычные эмбеддинги благодаря базовой multilingual-e5-small; конкретный набор языков отдельно не перечислен. Для запуска предназначена библиотека Sentence Transformers. Лицензия в предоставленных сведениях не указана.

Flan-Alpaca-Base — модель семейства T5, разработанная Declare Lab путём дообучения Flan-T5 на инструкциях Flan и Alpaca. Она предназначена для выполнения текстовых инструкций и генерации ответов, например для написания текстов и решения разнообразных задач по запросу. Модель доступна в форматах PyTorch и Safetensors; метаданные указывают 123,8 млн параметров и контекст до 512 токенов. Модель принимает текст и генерирует текст. Карточка описывает подход к обучению на наборах инструкций, но не приводит оценок качества именно этой версии. Лицензия — Apache-2.0.

OsaurusAI/gemma-4-E4B-it-qat-JANG_4M — это мультимодальная модель семейства Gemma 4 в формате MLX, подготовленная OsaurusAI на основе google/gemma-4-E4B-it-qat-q4_0-unquantized. В ней 42 текстовых слоя; эмбеддинги, нормализации и компоненты обработки медиа сохранены в fp16, проекции внимания и маршрутизатор MoE представлены в 8-битном аффинном формате, а основная часть декодера и экспертов — в 4-битном. Модель принимает текст и поддерживает обработку изображений; в исходной конфигурации также сохранены настройки аудио и видео. Модель предназначена для диалога и мультимодальных сценариев, включая вопросы по изображениям. Для запуска требуется совместимый с Gemma 4 загрузчик MLX/vMLX, поддерживающий конфигурацию квантования JANG и файлы процессора и шаблона чата Gemma 4. Репозиторий не содержит весов MTP для спекулятивного декодирования. Лицензия — Gemma; применимость аудио- и видеовхода зависит от поддержки конкретного загрузчика.

giladgd публикует GGUF-версии модели gpt-oss-120b от OpenAI для запуска через node-llama-cpp и llama.cpp. В репозитории доступны файлы MXFP4 и F16 размером около 63,4 и 65,4 ГБ соответственно; метаданные указывают формат GGUF и задачу генерации текста. Модель поддерживает диалоговый режим и настраиваемый уровень рассуждений, а исходная карточка описывает возможности вызова функций, структурированного вывода и агентных сценариев. Модель подходит для локальных диалоговых приложений, генерации текста и систем, использующих вызов инструментов. Для работы нужны значительные вычислительные ресурсы и совместимое ПО. Репозиторий распространяется по лицензии Apache 2.0; он содержит конвертированные GGUF-файлы базовой модели, а не отдельное дообучение.

Pantheon-Reasoning-26B-A4B-1.1-GGUF — это квантизированная версия текстовой генеративной модели Pantheon-Reasoning-26B-A4B-1.1, разработанной Gryphe и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для диалогов, работы в режиме instruction-following, рассуждений, творческого письма и ролевых сценариев. Указан английский язык и текстовая модальность. Модель содержит 26B параметров и использует конфигурацию A4B; дополнительные сведения об архитектуре, размере контекста и точном значении этой конфигурации в README не приведены. Квантизация выполнена с использованием llama.cpp и метода imatrix, доступны варианты от BF16 до различных уровней Q3–Q8 и IQ. Старшие варианты обеспечивают более высокое качество, а младшие требуют меньше оперативной памяти, но могут сильнее терять в качестве. Для работы необходимы совместимые инструменты, включая llama.cpp, LM Studio, KoboldCpp и другие приложения, поддерживающие GGUF; для недавно поддержанных архитектур может потребоваться обновление ПО. Модель распространяется по лицензии Apache-2.0.