I.7Речь, диалоги и встречи

Ornith-1.0-35B-uncensored-heretic-GGUF — текстовая генеративная модель в формате GGUF, опубликованная независимым разработчиком llmfan46. Это декensored-версия Ornith-1.0-35B, первоначально связанная с deepreinforce-ai, созданная с использованием Heretic 1.2.0 и варианта метода Magnitude-Preserving Orthogonal Ablation (MPOA). Модель предназначена для генерации текста и диалоговых сценариев, в которых требуется меньше отказов, чем у исходной версии. Модель имеет размер 35 млрд параметров и распространяется в виде GGUF-квантизаций. В README указаны только текстовая модальность и назначение text-generation; сведения о конкретной архитектуре, поддерживаемых языках и размере контекстного окна отсутствуют. В качестве сильной стороны заявлено снижение числа отказов с 89 до 9 из 100 при сохранении близкого поведения исходной модели: указанная KL-дивергенция составляет 0,0019. Для исходной модели также приведён результат MMLU с точностью 82,64%, однако отдельный результат именно этой версии не указан. Ограничением является отсутствие подробной информации о языках, контекстном окне, точных параметрах квантизации и самостоятельных бенчмарках изменённой версии. Изменение механизмов отказа может снизить встроенные защитные ограничения, поэтому модель требует ответственного применения и дополнительной проверки результатов. В метаданных указана лицензия MIT.

dys-asr/parakeet-tdt-0.6b-syn — модель распознавания английской речи с дизартрией и другими атипичными особенностями, созданная дообучением nvidia/parakeet-tdt-0.6b-v3. Это трансдьюсерная архитектура Token-and-Duration Transducer (TDT) с сетью предсказаний, объединяющей сетью и головой длительности; декодирование авторегрессионное. Модель принимает аудио и выдаёт английскую расшифровку. Для обучения использованы реальные записи из Speech Accessibility Project, HeyJay! и Project Relate, а также синтетическая речь, созданная CosyVoice. В карточке указаны 0,6 млрд параметров базовой модели; этот вариант использует формат safetensors. Модель предназначена для распознавания речи людей с дизартрией и иных форм атипичной речи. На тестовом подмножестве из 48 говорящих SAPC2, отсутствовавших в реальном обучающем наборе, получены WER 10,87% и CER 6,72% при жадном декодировании без языковой модели. На этом сравнении результат немного хуже чекпойнта, обученного без синтетической добавки; карточка не подтверждает, что синтетические данные улучшают качество. Вывод модели — текст в нижнем регистре, без пунктуации, числа записываются словами. Лицензия обозначена как other; исходные обучающие аудиозаписи распространяются на отдельных условиях и не входят в веса модели.

SatyamSubham/presentation-compiler-0.5b — дообученная SatyamSubham языковая модель семейства Qwen2 для генерации текста в диалоговом формате. Она основана на unsloth/qwen2.5-coder-0.5b-instruct-bnb-4bit и имеет 494 млн параметров. Модель рассчитана на контекст до 32 768 токенов; в карточке указаны английский язык и поддержка интерфейса вызова инструментов. Модель можно применять для генерации ответов и помощи в сценариях, связанных с подготовкой презентаций, однако README не описывает конкретные функции компилятора презентаций, обучающие данные или результаты оценки качества. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Карточка модели jeffmeloy/Qwen2.5-7B-nerd-uncensored-v1.4 на Hugging Face совпадает с карточкой jeffmeloy/Qwen2.5-7B-nerd-uncensored-v1.0, поэтому описание составлено по ней. Это англоязычная разговорная модель генерации текста на базе Qwen2.5-7B, созданная jeffmeloy методом композиционного объединения слоёв моделей Qwen2.5. Для каждого слоя выбирался вариант с наибольшим Normalized Effective Rank (NER), оценивающим использование размерностей весовой матрицы. В карточке указано, что модель рассчитана на uncensored-диалоги и генерацию текста; размер составляет 7,1 млрд параметров, архитектура — плотная Qwen2ForCausalLM, формат весов — safetensors, контекст — до 131072 токенов. Модель подходит для диалоговых сценариев и свободной генерации текста на английском языке. Метаданные также отмечают интерфейс вызова инструментов, однако не описывают его поведение или качество. Модель распространяется по лицензии Apache-2.0. Карточка описывает способ выбора и объединения слоёв, но не приводит сравнительных оценок качества или подробностей тестирования.

BrandonHowe/Qwen3-8b-compassion-qwen-seed1-20260930-CPT-merged-epoch-2 — самостоятельная BF16-модель на архитектуре Qwen3, дообученная на втором этапе продолженного предобучения. Она основана на Qwen/Qwen3-8B-Base и содержит 7,6 млрд параметров; веса сохранены в восьми файлах safetensors, адаптер для загрузки не требуется. Модель предназначена для генерации текста и диалоговых сценариев. Обучение проведено на наборе CompassioninMachineLearning/compassion_12185_cleaned: использовались 10 000 уникальных документов с повторными предъявлениями и 200 отдельных документов для проверки. Поддерживается контекст до 32 768 токенов. Сам факт обучения на этом наборе не доказывает повышения сострадательности ответов; это свойство следует оценивать отдельно. В предоставленных данных лицензия не указана.

Zuccx/ReufGPT-v2 — вторая версия диалоговой модели, дообученной на базе anthracite-org/magnum-v3-9b-chatml. Модель построена на архитектуре Gemma 2 с плотной causal language model и содержит 9 млрд параметров; она предназначена для генерации текста в разговорном, фамильярном стиле на французском языке. Модель принимает текстовые запросы и генерирует текст. В карточке рекомендован пресет Gemma Instruct без системного промпта; для генерации указана температура 0,8. Контекст составляет до 8192 токенов. Модель опубликована под лицензией Apache-2.0.

Lie24/Role_LLM_Cube — дообученная автором модель на архитектуре Llama 3.1 8B Instruct. В карточке указано обучение на наборе output_girl_all; размер модели составляет 7,5 млрд параметров, а контекст — до 131 072 токенов. Модель предназначена для генерации текста в диалоговом формате. README не описывает специальные сценарии применения или языковую специализацию. Модель опубликована в формате Safetensors; лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и лицензией базовой модели.

Это экспериментальная модель распознавания речи Akan, подготовленная Ghanaian Speech Lab для серии Serendepify GSL. Модель основана на Whisper Small с 153,1 млн параметров и дообучена на данных GhanaNLP; при этом энкодер Whisper был заморожен, а остальные параметры прошли полное дообучение с низкой скоростью обучения. Модель предназначена для преобразования речи на Akan в текст. В обучении использовались 10 000 строк GhanaNLP, а набор Waxal применялся только для проверки регрессии. Это реальный обучающий запуск, однако авторы считают его кандидатом на проверку: оценка на отложенной выборке и анализ типов ошибок ещё не завершены. Лицензия — CC BY-SA 4.0.

SR-CorrNet-SS — одноканальная модель разделения речи, дообученная на смеси AISHELL-1 Mix ver1 с чистыми и смешанными записями. Она принимает аудиозапись, в которой одновременно говорят от одного до пяти человек, и предназначена для выделения отдельных речевых источников. Модель основана на архитектуре SR-CorrNet-SS; исходная инициализация — вариант для английского WSJ0 с переменным числом от двух до пяти говорящих. В репозитории опубликованы веса PyTorch и конфигурация; карточка указывает библиотеку sr-corrnet и лицензию MIT. Модель подходит для разделения наложенной китайской речи в записях AISHELL-1, например для подготовки отдельных голосовых дорожек к дальнейшему анализу. Веса экспортированы из чекпойнта после второй эпохи обучения; README не приводит метрик качества. Практическая применимость к записям, существенно отличающимся от обучающих смесей AISHELL-1, не описана.

Dogge/Tia-70B-RP-fp16 — текстовая генеративная модель семейства Llama, разработанная Dogge и дообученная на основе Dogge/Tia-70B-RP-4bit. Она предназначена для диалоговой генерации текста и сценариев ролевого общения. Модель содержит 69,5 млрд параметров, использует архитектуру LlamaForCausalLM, принимает текст и генерирует текст; нативный контекст — 8192 токена. В карточке указано обучение с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0. Карточка и метаданные не описывают специальные предметные области или подробные ограничения качества; заявлен английский язык.

Tinman-Lab/Tinman-gemma4-companion-merged — объединённая мультимодальная модель диалога на базе Gemma 4 E4B Instruct, подготовленная Tinman Lab. Авторы сообщают об изменении базовой модели методом OBLITERATUS, дообучении SFT и DPO и объединении адаптеров с весами. Модель рассчитана на роль тёплого собеседника, ролевые диалоги и работу в режиме ассистента; поведение переключается системным промптом. Модель принимает текст, изображения и аудио; README указывает, что аудио- и визуальные энкодеры сохранены от базовой модели. Для запуска доступны веса safetensors в bf16, а связанные репозитории содержат варианты GGUF и адаптеры. В карточке указана лицензия Apache-2.0. Для мобильного развёртывания авторы описывают конвертацию в LiteRT-LM; для INT8 на телефоне рекомендуют не менее 12 ГБ оперативной памяти. README позиционирует модель как не имеющую контентных фильтров и поддерживающую NSFW-ролевые диалоги. Авторы также отмечают, что базовая модель иногда генерирует нечитаемый текст; по их оценке, это происходит примерно в 4% ответов, а repetition_penalty=1.1 может уменьшить проблему. Размер модели и длина контекста в предоставленных метаданных не приведены.

TinyAgent-7B — языковая модель Squeeze AI Lab при Калифорнийском университете в Беркли, предназначенная для работы в роли компактного агента с вызовом функций. Она основана на плотной архитектуре Mistral и содержит 7,1 млрд параметров; модель рассчитана на контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель обучена для сложных рассуждений и вызова инструментов на локальном устройстве. В качестве примеров применения разработчики указывают взаимодействие с приложениями macOS: составление писем, управление контактами, планирование событий календаря и организацию встреч в Zoom. Подход ToolRAG подбирает для запроса подходящие инструменты и примеры, чтобы сократить лишний контекст и снизить путаницу агента. Модель принимает текстовые запросы и генерирует текст, в том числе инструкции для вызова функций; выполнение этих функций обеспечивает окружающее приложение. Карточка указывает английский язык. Лицензия — MIT. Практическая точность вызова инструментов зависит от доступных инструментов и контекста; нерелевантные описания инструментов или примеры могут провоцировать ошибки и галлюцинации.

Viking-Magnum-v0.1-7B — диалоговая языковая модель на архитектуре Llama, разработанная mpasila и дообученная на базе LumiOpen/Viking-7B. Модель содержит 7 млрд параметров, использует формат чата ChatML и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации диалоговых ответов и ролевых сцен. Для дообучения применялись обычный LoRA с рангом 128 и alpha 128, один проход по данным, а также наборы Magnum-V2-Mix и датасеты Anthracite. Автор отмечает, что модель может нуждаться в дополнительной настройке на инструкционных данных для улучшения следования инструкциям. Лицензия — Apache-2.0.

xm_transformer_unity_hk-en — модель перевода речи в речь на основе UnitY из fairseq, разработанная Facebook. Она переводит речь на хоккиенском языке в английскую речь; декодер работает в два прохода. Для синтеза английской речи используется facebook/unit_hifigan_mhubert_vp_en_es_fr_it3_400k_layer11_km1000_lj_dur. Модель обучена на размеченных данных TED, драматических постановок и домена TAT, а также на слабой разметке из драматических постановок. Модель предназначена для речевого перевода с хоккиенского на английский. Репозиторий содержит веса PyTorch и использует библиотеку fairseq. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Карточка модели unconst/Affine-5czsc2fc98-r544-loveaffine-online-dpo-extralong-ultratemp-hirank-bigg-merged на Hugging Face совпадает с карточкой unconst/Affine-5czsc2fc98-r479-offline-dpo-hialpha-longctx-extrasteps-merged, поэтому описание составлено по ней. Affine-5czsc2fc98-r479-offline-dpo-hialpha-longctx-extrasteps-merged — слитый чекпойнт на основе kevin954/Affine-5dfqbbh8ev-sft, подготовленный разработчиком для диалоговой генерации текста. В метаданных указаны семейство Qwen 3.5 MoE, архитектурный класс Qwen3_5MoeForConditionalGeneration и формат safetensors; библиотека для работы с моделью — Transformers. Карточка называет модель промежуточным результатом salvage-сборки и сообщает, что она не предназначена для отправки до прохождения внутреннего этапа проверки. Подтверждений для заявлений о длине контекста, языках, качестве или конкретных сценариях DPO в доступных данных нет. Лицензия в предоставленных сведениях не указана.

Классификатор StanfordSCALE для выявления в репликах учителя случаев, когда учитель обращается к ученику по имени. Модель создана для проекта EduBehaviors: Assertion-based schemas for auditable dialogue coding и доступна через пакет EduBehaviors-kit. Она дообучена на базе sentence-transformers/paraphrase-mpnet-base-v2 с помощью SetFit; размер составляет 136,7 млн параметров, архитектура — MPNet, формат весов — safetensors, контекст — до 514 токенов. Модель принимает отдельную реплику без дополнительного оформления и выдаёт классификацию. Обучающие примеры взяты из подмножества реплик учителей датасета TalkMoves, размеченного LLM-аннотаторами; указанные метрики F1 положительного класса составляют 0,830 на dev и 0,889 на test. Данные карточки относятся к английскому языку и учебному диалогу. Классификатор подходит для автоматизированного кодирования диалогов в классе и аудита обращений учителя к ученикам. Разметка получена от LLM-аннотаторов, а поведение модели на речи учеников не проверялось. Лицензия в предоставленных сведениях не указана.

Belaid-31M — модель на 30,9 млн параметров, разработанная для восстановления пунктуации и регистра букв в текстах на кабильском языке (Taqbaylit) латиницей. Это дообучение agbalu/Masinissa-31M для поклассовой разметки токенов; модель принимает текст без пунктуации и заглавных букв и предсказывает знак после каждого слова и его регистр. Контекст ограничен 512 токенами. Модель предназначена прежде всего для постобработки текста распознавания речи, а также для подготовки субтитров, титров и текстовых корпусов к чтению. На тесте Common Voice указаны macro-F1 0,793 по знакам и точное совпадение всего предложения в 86,3% случаев; на отложенной прозе показатели ниже. Модель сохраняет исходное написание слов и работает только с текстом, не используя аудио. Она рассчитана на одну реплику за раз и не сегментирует абзацы на предложения. Расстановка запятых менее надёжна, а перенос на другие берберские языки не подтверждён. Для загрузки используются Transformers, PyTorch и код архитектуры из репозитория с trust_remote_code=True. Лицензия — Apache-2.0.

Circuitry_24B_V.3 — слитая модель на архитектуре Mistral, опубликованная OddTheGreat. Она предназначена для ролевых диалогов, творческого письма, ERP и работы в роли ассистента. Модель лучше предыдущей версии Circuitry справляется с диалогами, склонна отвечать длиннее и добавлять повествовательные описания; следует инструкциям и сохраняет стиль разметки Markdown. В метаданных указаны 23,4 млрд параметров и контекст до 131 072 токенов. Автор отмечает, что модель может учитывать сведения из начала контекста длиной около 12 тысяч токенов; русский язык проверялся в режиме ассистента, русский ролевой режим не тестировался. Модель сохраняет характерные клише и может заметно увеличивать длину ответов в сценах с несколькими персонажами. Условия лицензии в доступных данных не приведены.

Claire 7B 0.1 — языковая модель для генерации текста и диалоговых сценариев, разработанная OpenLLM France. Представлена в формате GGUF и квантована TheBloke; исходная модель доступна в формате PyTorch fp16. Модель ориентирована на франкоязычное общение, включая conversational-приложения, ролевые диалоги и генерацию ответов на французском языке. В README приведён шаблон запроса с обращениями к собеседникам и примеры диалогов с разными форматами обозначения участников. Модель использует архитектуру Falcon и содержит около 7 млрд параметров. Указан французский язык; сведения о других языках, модальностях и размере контекстного окна отсутствуют. Версия GGUF подходит для запуска через llama.cpp и совместимые интерфейсы и библиотеки, включая text-generation-webui, KoboldCpp, LM Studio, ctransformers и llama-cpp-python. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством генерации. К сильным сторонам относятся поддержка локального CPU+GPU-инференса, широкий выбор уровней квантования и специализация на французских диалогах. Ограничения — отсутствие подтверждённых характеристик контекстного окна, мультиязычности и мультимодальности, а также потенциальные потери качества по сравнению с исходной моделью из-за квантования. Лицензия — CC BY-NC-SA 4.0, предусматривающая указание авторства, некоммерческое использование и распространение производных материалов на тех же условиях.

QuantFactory/Daredevil-8B-abliterated-GGUF — это квантизированная версия языковой модели mlabonne/Daredevil-8B-abliterated, созданная с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая ролевые игры и другие приложения, которым не требуется выравнивание поведения. Она позиционируется как uncensored-модель, поэтому требует самостоятельной оценки рисков и организации фильтрации при использовании в прикладных системах. В основе лежит Daredevil-8B, подвергнутая abliteration — модификации, основанной на удалении направления активаций, связанного с отказами модели. В README указано, что модель относится к классу 8B, поддерживает текстовую генерацию и тестировалась в LM Studio с пресетом Llama 3. Данные о языках, размере контекста, точной архитектуре и конкретных вариантах квантизации для этой GGUF-сборки не приведены. По опубликованным оценкам, исходная Daredevil-8B-abliterated заняла второе место среди 8B-моделей в Open LLM Leaderboard по показателю MMLU на 27 мая 2024 года. В наборе оценок Nous она получила средний результат 55,06, включая 43,29 на AGIEval, 73,33 на GPT4All, 57,47 на TruthfulQA и 46,17 на Bigbench. Ограничения включают возможное снижение безопасности и отказоустойчивости из-за abliteration, а также отсутствие в README полной информации о лицензии: указано только значение license: other.

SzilviaB/DarkNeuralDaredevil-8b-abliterated — объединённая модель генерации текста, созданная с помощью mergekit методом SLERP из DavidAU/L3-Dark-Planet-8B и mlabonne/NeuralDaredevil-8B-abliterated. Модель основана на плотной архитектуре Llama и содержит 7,5 млрд параметров; для работы с контекстом заявлено до 8192 токенов. Доступны веса в формате safetensors. Модель предназначена для диалоговой генерации текста и ролевых сценариев. В описании базовых моделей указаны меньшие поведенческие ограничения; конфигурация слияния задаёт V-образное распределение влияния компонентов по слоям. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя.

DuplexJev-B-SenseVoice-Small-Qwen3-1.7B — компактная аудиотекстовая модель adventists-ai для ответов на типизированные вопросы по речи и коротких решений. Она использует замороженный аудиоэнкодер SenseVoice-Small и замороженную языковую модель Qwen3-1.7B; обучаемая часть — коннектор с проектором SwiGLU, содержащий 10,5 млн параметров. Для каждого вопроса модель оценивает варианты ответа по распределению вероятностей одного токена, поэтому может обрабатывать несколько вопросов за один проход без пошаговой генерации. Модель предназначена для коротких решений по аудиоклипам, распознавания речевых характеристик и анализа сигналов говорящего, включая вопросы о поле и эмоциях. Карточка сообщает результаты оценки на spoken QA и приводит задержки на H200 и CPU; при этом проверялись небольшие наборы данных с прочитанной или разыгранной речью, а потоковый ввод не оценивался. Для работы коннектору нужны именно указанные энкодер и LLM. Лицензия — Apache-2.0.

Michelle Li обучила эту модель для классификации эмоций в тексте. Это дообученная DistilRoBERTa-base с архитектурой RoBERTa и примерно 95,2 млн параметров; модель принимает текст и относит его к одному из семи классов: гнев, отвращение, страх, радость, нейтральность, грусть или удивление. Контекст модели — до 514 токенов. Модель предназначена прежде всего для анализа диалогов из сериалов и фильмов, а также может применяться для классификации эмоций в других текстах на английском языке. Обучение включало датасет Emotion Lines (Friends) и данные, использованные базовой Emotion English DistilRoBERTa-base. Репозиторий содержит веса PyTorch; сведения о лицензии в предоставленных данных отсутствуют.

Casual-Autopsy/Gemma-Radiation-RP-9B — разговорная языковая модель на архитектуре Gemma 2, созданная автором репозитория методом слияния нескольких предварительно обученных моделей с помощью mergekit. Она предназначена для генерации текста в диалогах и ролевых сценариях. Размер модели — 9 млрд параметров, заявленный контекст — 8192 токена; модель использует плотную архитектуру Gemma2ForCausalLM и распространяется в формате safetensors для Transformers. Автор описывает её как экспериментальное слияние моделей Gemma 2 и отмечает, что это пробная работа с методом Model Stock. В качестве базовой использована Casual-Autopsy/Gemma-Rad-RP, также объединены Casual-Autopsy/Gemma-Rad-Uncen и Casual-Autopsy/Gemma-Rad-IQ. Лицензия в предоставленных сведениях не указана.

Kitsunebi-v1-Gemma2-8k-9B — диалоговая языковая модель на базе Gemma 2 9B, созданная методом слияния SLERP в mergekit. В неё объединены HODACHI/EZO-Common-9B-gemma-2-it, дообученная для задач на японском языке, и princeton-nlp/gemma-2-9b-it-SimPO, демонстрационная модель метода Simple Preference Optimization. Разработчик описывает сильную сторону модели как связность ответов, а не их стилистическое разнообразие. Модель предназначена для генерации текста и диалогов; автор также отмечает, что её можно эффективно применять для ролевых сценариев, хотя компоненты слияния специально для ролевой игры не обучались. Архитектура — плотная Gemma2ForCausalLM с 9 млрд параметров, контекст — до 8192 токенов. Лицензия — Gemma. Модель ориентирована на японский язык через один из компонентов слияния. README не сообщает результаты оценки качества или подробные ограничения по применению, поэтому пригодность для конкретных задач следует проверять отдельно.

Kosmos-EVAA-PRP-8B — объединённая языковая модель, созданная разработчиком jaspionjader с помощью mergekit и метода SLERP. В объединение вошли Gryphe/Pantheon-RP-1.0-8b-Llama-3 и jaspionjader/Kosmos-EVAA-gamma-v18-8B; в конфигурации второй указан как базовый. Модель построена на архитектуре LlamaForCausalLM, содержит около 7,5 млрд параметров и имеет контекст 8192 токена. Модель предназначена для генерации текста. Базовая модель описана как англоязычная модель Llama 3 для ролевых диалогов, общения с персонажами и задач персонального ассистента; эти сценарии подходят и для данной объединённой модели. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Azazelle/L3-Hecate-8B-v1.1 — разговорная языковая модель на архитектуре Llama, созданная слиянием предварительно обученных моделей через mergekit с последующим ExPO. В метаданных базовая модель указана как NousResearch/Meta-Llama-3-8B-Instruct; размер модели — 7,5 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и диалогов, с акцентом на ролевые сценарии. Она использует формат safetensors и библиотеку Transformers. Указанная лицензия — llama3. Карточка рекомендует настройки семплирования, но не приводит оценок качества или подробных сведений о поддерживаемых языках.

Экспериментальная диалоговая языковая модель на архитектуре Llama, дообученная авторами проекта promotion на базе meta-llama/Llama-3.1-8B-Instruct. Модель исследует метод SurplusMaxMin для выбора весов целей в многокритериальном выравнивании. В эксперименте использованы данные SafeRLHF и две цели: полезность и безвредность; модель предназначена для генерации ответов в диалоге с учетом этих целей. В метаданных указаны 7,5 млрд параметров, контекст до 131 072 токенов, библиотека Transformers и формат Safetensors. В README описана оценка на отложенных промптах, где ответы сравнивались с общей эталонной политикой; конкретные результаты и численные показатели качества не приведены. Использование регулируется лицензией Llama 3.1.

llama-3-dragonmaid-8B-v2 — диалоговая языковая модель семейства Llama 3, разработанная nbeerbower. Это дообученная версия nbeerbower/llama-3-stinky-8B, которая, согласно карточке модели, также основана на Llama 3 8B. Модель предназначена для генерации текста и диалоговых ответов; при дообучении использован датасет flammenai/Prude-Phi3-DPO. Модель имеет плотную архитектуру LlamaForCausalLM и 7,5 млрд параметров. Она принимает текст и выдаёт текст, поддерживает диалоговый режим, работает с контекстом до 8192 токенов и представлена в формате safetensors для библиотеки Transformers. Карточка связывает её с категорией NSFW, поэтому модель может генерировать контент для взрослой аудитории. В README указана лицензия Meta Llama 3 Community License Agreement; условия лицензии следует соблюдать при использовании и распространении модели.

saishf объединил предварительно обученные языковые модели с помощью mergekit и метода Model Stock, используя saishf/Long-SOVL-Experiment-8B-L3-262K как базу. В состав объединения вошли NeuralDaredevil и несколько вариантов Llama 3, включая модели для диалогов, ролевых сценариев и форматирования ответов. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она предназначена для генерации текста и диалоговых сценариев, а заявленная длина контекста составляет 262 144 токена. Доступна в формате safetensors; для работы используется Transformers. Карточка не содержит результатов оценки качества или точного описания поведения модели. Состав merge указывает на ориентацию на ролевые диалоги и менее ограниченную генерацию, поэтому ответы могут быть непредсказуемыми или содержать нежелательный контент. Лицензия в предоставленных данных не указана.