I.7Речь, диалоги и встречи

ZEUS 8B V13 — диалоговая языковая модель, созданная T145 слиянием моделей методом DARE TIES. В качестве основы использована unsloth/Meta-Llama-3.1-8B-Instruct; в слияние также вошли arcee-ai/Llama-3.1-SuperNova-Lite, unsloth/Llama-3.1-Storm-8B и Orenguteng/Llama-3.1-8B-Lexi-Uncensored-V2. Модель построена на плотной архитектуре LlamaForCausalLM и содержит 7,5 млрд параметров. Она предназначена для генерации текста и диалогов, принимает текст и выдаёт текст; заявленная длина контекста — до 131 072 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая 78,78% на IFEval и 31,78% на BBH. Модель распространяется по лицензии Llama 3.1. Количественных гарантий качества для конкретных сценариев карточка не даёт; результаты тестов не заменяют проверку на целевых задачах.

ZEUS-8B-V14 — объединённая модель для генерации текста и диалогов на базе семейства Llama 3.1. Согласно карточке, её создали методом DARE TIES, объединив unsloth/Meta-Llama-3.1-8B-Instruct с моделями Llama-3.1-SuperNova-Lite, Llama-3.1-Storm-8B и Llama-3.1-8B-Lexi-Uncensored-V2. Модель содержит 7,5 млрд параметров, построена на архитектуре LlamaForCausalLM и работает с контекстом до 131 072 токенов. Модель предназначена для генерации текста и ведения диалогов; метаданные также указывают интерфейс вызова инструментов. В README приведены результаты оценки на IFEval и BBH, однако подробные сравнительные данные и описание целевого поведения ограничены. Модель опубликована в формате safetensors; дата публикации — 30 декабря 2024 года. Лицензия в предоставленных данных не указана.

Zurich 14B GammaCorpus v2-500k — диалоговая языковая модель, разработанная Ruben Roy и полученная дообучением Qwen/Qwen2.5-14B-Instruct на наборе структурированных и отфильтрованных многоходовых диалогов GammaCorpus v2-500k. Она предназначена для генерации текста и ответов в диалоге, включая структурированные ответы и взаимодействие через интерфейс вызова инструментов. Модель построена на архитектуре Qwen2, имеет около 14,7 млрд параметров и контекст длиной 32 768 токенов. В карточке указаны 48 слоёв и групповое внимание с 40 головами Q и 8 головами KV. Модель принимает текст и генерирует текст; в метаданных основным языком карточки указан английский.

CausalLM 14B — разработанная авторами репозитория разговорная языковая модель на архитектуре LLaMA с 13,4 млрд параметров. Авторы сообщают, что при обучении использовали веса Qwen, а LLaMA 2 — для расчёта начальных весов; модель загружается через Transformers как LLaMA-совместимый причинный языковой моделировщик. Контекст составляет 8192 токена, основной формат весов — PyTorch. Модель предназначена для генерации текста в диалогах, ответов на вопросы, рассуждений и решения задач, включая математику. Для обучения применялась выборка синтетических инструкционных данных объёмом 1,3 млрд токенов, собранных и подготовленных авторами на основе открытых наборов. В карточке приведены результаты тестов на английском, китайском и японском языках; метаданные также указывают английский и китайский. Авторы заявляют о высоких результатах в сравнительных тестах, однако модель может галлюцинировать и выдавать ненадёжные ответы. В карточке отмечено, что данные не были отфильтрованы от нежелательного содержимого, а RLHF и специальное обучение отказам не проводились; поэтому ответы требуют проверки и фильтрации. Указана лицензия WTFPL, но авторы также предупреждают, что в зависимости от применения могут действовать ограничения коммерческого использования базовых Qwen и LLaMA 2.

Карточка модели PS4Research/9DgDaWTmX85XRwSq на Hugging Face совпадает с карточкой PS4Research/IKn8jwlNamPNIS15, поэтому описание составлено по ней. Модель PS4Research/IKn8jwlNamPNIS15 — дообученная PS4Research языковая модель семейства Granite на базе ibm-granite/granite-4.2-30b. Она предназначена для генерации текста и диалогового взаимодействия; интерфейс также поддерживает вызов инструментов. Модель содержит 28,9 млрд параметров, использует плотную архитектуру GraniteForCausalLM и принимает контекст длиной до 131 072 токенов. В метаданных указан английский язык. Базовая модель IBM описана как многоязычная и предназначенная для рассуждений, диалога, программирования и вызова инструментов, однако README не уточняет, какие именно навыки были предметом дообучения этой версии. Модель распространяется в формате safetensors по лицензии Apache-2.0; для ускорения обучения использовались Unsloth и библиотека TRL.

Agnes-3.0-Flash Preview GGUF — набор квантизированных сборок базовой модели Agnes-AI/Agnes-3.0-Flash, опубликованный quimmedes. Модель предназначена для генерации текста и мультимодальных сценариев с изображениями и видео, а также для локального запуска через совместимый runtime llama.cpp. Доступны варианты квантования от Q3 до Q9 и несколько альтернативных сборок с разным распределением точности между компонентами модели. Архитектура основана на гибридной схеме с recurrent SSM- и attention-слоями: 72 слоя, включая 54 delta-rule и 18 global attention, дополнительная параллельная SwiGLU-ветвь в каждом слое, около 32,63 млрд параметров, размер скрытого состояния 5120, словарь из 248 320 токенов и один MTP-слой. Поддерживаются текст, изображения и видео; точный набор языков и максимальная длина контекста в README не указаны, хотя приведён пример запуска с контекстом 32 768 токенов. Модель использует тот же токенизатор и шаблон чата, что и Qwen3.8-27B, но имеет дополнительные слои и переобученные проекционные матрицы. Ключевое преимущество сборок — сочетание гибридного внимания, поддержки длинного контекста, мультимодальности и выбора размера файла: от 12,12 до 32,28 GiB для основной линейки. Для работы требуется патченная версия cafe-llama.cpp; стандартная llama.cpp не поддерживает необходимые тензоры и может завершиться ошибкой или некорректно загрузить модель. Указанные требования к видеопамяти и параметры запуска ориентированы на карту 24 ГБ, однако фактические возможности зависят от выбранного квантования и длины контекста. Модель и сборки распространяются по лицензии Apache-2.0.

GigaChat3-10B-A1.8B-GGUF — это квантизированная версия языковой модели GigaChat3-10B-A1.8B, разработанной ai-sage. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая работу на русском и английском языках. Модель распространяется в формате GGUF и совместима с llama.cpp, LM Studio и другими проектами на его основе. В метаданных она обозначена как MoE-модель; в названии указаны параметры 10B и 1.8B, однако точные сведения об архитектуре, размере контекста и доступных вариантах квантизации в README не приведены. Модель работает в текстовой модальности. К сильным сторонам относятся поддержка русского языка, возможность локального запуска и оптимизация квантизации с помощью imatrix, потенциально улучшающая сохранение качества по сравнению с базовыми методами квантизации. Ограничениями являются снижение точности по сравнению с исходной моделью и зависимость производительности от выбранного варианта квантизации и оборудования. Лицензия — MIT.

Amadeus-Verbo-FI-Qwen2.5-72B-PT-BR-Instruct — языковая модель на основе Qwen2.5-72B-Instruct, разработанная Amadeus AI и дообученная на 600 тысячах инструкций за две эпохи для бразильского португальского языка. Она предназначена для диалогов и генерации текстов на португальском языке Бразилии; метаданные также указывают поддержку интерфейса вызова инструментов. Модель использует архитектуру Qwen2 с причинным языковым моделированием и содержит 71,5 млрд параметров по метаданным. В карточке описаны Transformer, RoPE, SwiGLU, RMSNorm и grouped-query attention. Метаданные указывают контекст 32 768 токенов; в README заявлена длина 133 072 токена. Модель работает через Transformers и распространяется под лицензией Apache-2.0.

Sakalti/Anemoi-3B — плотная языковая модель на архитектуре Qwen2, созданная объединением весов Qwen/Qwen2.5-3B-Instruct и bunnycore/Qwen-2.5-3b-Rp-lora_model с помощью mergekit и метода passthrough. Модель содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, следования инструкциям и создания текстов; в метаданных также отмечен интерфейс вызова инструментов. Базовая модель Qwen2.5-3B-Instruct характеризуется как компактная многоязычная чат-модель, однако конкретные языки Anemoi отдельно не перечислены. Для запуска указана библиотека Transformers, а веса представлены в формате safetensors. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой модели и лицензиями базовых компонентов. README не сообщает результатов оценки качества или специфических ограничений.

Barcenas-Qwen3.8-27B-Fable — плотная диалоговая модель на архитектуре Qwen3.5, созданная разработчиком Danielbrdz путём дообучения Qwen/Qwen3.8-27B на наборе saidutta69/fable-5-premium. В карточке она представлена как модель для генерации текста и работы с изображениями; поддерживает чат, а нативная длина контекста составляет 262 144 токена. В репозитории указано 22,3 млрд параметров и формат safetensors. Модель предназначена для диалогов и других задач генерации текста; разработчик отмечает, что обучение на данных чатов, дистиллированных из Claude Fable 5, призвано улучшить разговорные способности Qwen. Заявление о производительности, сопоставимой с GPT 5.6 Luna и более крупными моделями, приводится автором без результатов независимой оценки. Лицензия — Apache-2.0.

Ben-3.1-Pro-Think — диалоговая языковая модель, разработанная Emiliosbs и дообученная на базе Emiliosbs/Ben3.0-7B-Uncensored. Модель построена на архитектуре Qwen2, имеет 7,1 млрд параметров и принимает текст для генерации текста. Для обучения использовались Unsloth и библиотека TRL; в репозитории веса представлены в формате Safetensors. Модель предназначена для диалоговой генерации текста и сценариев, где нужны ответы с рассуждениями; метаданные также указывают интерфейс вызова инструментов. Контекстное окно составляет 32 768 токенов, заявленная карточкой лицензия — Apache-2.0. В данных нет конкретных оценок качества или сведений о результатах обучения, поэтому пригодность для узких задач следует проверять отдельно.

Sakalti/beril — разговорная языковая модель, созданная слиянием моделей Qwen/Qwen2.5-0.5B-Instruct и HuggingFaceH4/zephyr-7b-beta. Для объединения применён метод SLERP с помощью mergekit; модель использует архитектуру MistralForCausalLM и состоит из 5,1 млрд параметров. Модель предназначена для генерации текста и диалогов: её можно использовать для ответов на вопросы, выполнения инструкций и создания текстовых продолжений. Заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Карточка модели ehristoforu/BigFalcon3-18B на Hugging Face совпадает с карточкой ehristoforu/BigFalcon3-36B, поэтому описание составлено по ней. BigFalcon3-36B — объединённая языковая модель для генерации текста и диалогов, созданная с помощью mergekit на основе tiiuae/Falcon3-10B-Instruct. В репозитории указано слияние методом passthrough; метаданные описывают архитектуру как плотную LlamaForCausalLM и указывают 17,5 млрд параметров. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и доступна в формате safetensors для Transformers. Модель подходит для диалоговых сценариев и генерации текста; метаданные также отмечают интерфейс вызова инструментов. Карточка не описывает отдельную специализацию или результаты оценки качества. Лицензия в предоставленных данных не указана.

Bonsai-2-27B-Ternary-JANG — мультимодальная модель с плотной архитектурой Qwen3.8-27B, подготовленная OsaurusAI как JANG-affine-перепаковка тернарных весов Prism ML. Модель предназначена для диалогов и рассуждений с текстом, а также обработки изображений и видео; в комплекте сохранены шаблон чата Qwen3.8, обработчики изображений и видео и интерфейс вызова инструментов. Текстовые веса исходной модели сохранены без повторной квантизации: 402 модуля используют тернарные значения в 2-битных слотах с группами размера 128. Некоторые линейные слои зрения хранятся в 6-битном формате, а ряд других параметров — в исходной точности. Архитектура включает 64 блока: 48 GatedDeltaNet и 16 блоков полного внимания. Для корректной работы необходим загрузчик с поддержкой JANG Hadamard; стандартные загрузчики mlx_lm и mlx_vlm могут выдавать неверные результаты. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/calme-2.1-qwen2-7b — дообученная авторами MaziyarPanahi модель Qwen2-7B для диалоговой генерации текста. Она предназначена для общения в формате ChatML и призвана улучшить результаты базовой модели на различных бенчмарках. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Модель можно применять для ведения диалога, ответов на вопросы и генерации текстовых ответов. Для обучения использовались HelpSteer2, OpenHermes-2.5, набор задач Orca Math и SlimOrca. В карточке приведены результаты оценки на бенчмарках, включая IFEval и BBH. Доступна под лицензией Apache-2.0.

Cerberus-7B-slerp — объединённая модель для генерации текста, созданная методом slerp с помощью mergekit на основе fblgit/UNA-TheBeagle-7b-v1 и UCLA-AGI/zephyr-7b-sft-full-SPIN-iter3. Это плотная Mistral-модель с 7,1 млрд параметров, принимающая текст и поддерживающая контекст до 32 768 токенов. Она подходит для генерации текста и диалоговых задач; в README приведены результаты Open LLM Leaderboard по рассуждениям и пониманию естественного языка. Модель распространяется в формате safetensors по лицензии Apache-2.0. Указанные результаты бенчмарков не гарантируют качество для конкретных задач; README не описывает целевые языки и отдельные специализированные области применения.

SvalTek/ColdBrew-Aphid-Large — разговорная причинно-языковая модель семейства Llama с 5,8 млрд параметров, созданная методом passthrough merge из SvalTek/ColdBrew-Aphid. Она предназначена для генерации текста и диалогов; интерфейс модели поддерживает вызов инструментов. Модель использует библиотеку Transformers и распространяется в формате safetensors. Контекстное окно — до 131 072 токенов. Модель подходит для диалоговых приложений, генерации ответов и сценариев с вызовом инструментов. В метаданных указана связь с SvalTek/ColdBrew-Aphid как с базовой моделью. Сведений о лицензии и специальных языковых возможностях в предоставленных данных нет.

Citaman/command-r-13-layer — это объединённая модель для генерации текста, созданная разработчиком Citaman на основе Citaman/command-r-14-layer с помощью mergekit и метода SLERP. Конфигурация комбинирует слои одной базовой модели в диапазонах [0, 13] и [1, 14]; веса сохранены в формате safetensors и типе bfloat16. Архитектура — плотная CohereForCausalLM, размер — 12,8 млрд параметров, контекст — до 8192 токенов. Модель предназначена для диалоговой генерации текста и интерфейса вызова инструментов. В карточке не приведены результаты оценки качества или подробные сведения о поддерживаемых языках и сценариях. Лицензия в предоставленных данных не указана.

Dolphin-2.6-FC_Hermes-2-DPO — объединённая модель генерации текста, созданная с помощью LazyMergekit путём слияния cognitivecomputations/fc-dolphin-2.6-mistral-7b-dpo-laser и NousResearch/Nous-Hermes-2-Mistral-7B-DPO. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Данные README описывают слияние методом SLERP в формате bfloat16; карточка базовой модели указывает на генерацию по инструкциям и общение в ChatML. В метаданных репозитория указан формат safetensors. Сведения о поддерживаемых естественных языках и конкретной лицензии отсутствуют, поэтому их нельзя надёжно указать.

Это объединённая методом SLERP языковая модель MaziyarPanahi, созданная на основе Mistral-7B-Instruct-v0.2 и dolphin-2.6-mistral-7b. Модель относится к семейству Mistral, использует плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она предназначена для диалоговой генерации текста и выполнения инструкций; максимальная длина контекста составляет 32 768 токенов. Модель подходит для создания чат-ботов, ответов на вопросы и генерации текста по запросу. Репозиторий распространяется в формате safetensors, а лицензия — Apache-2.0. Доступные сведения не уточняют языковой охват и конкретные ограничения качества; поведение унаследовано от объединённых моделей.

ECE-TW3-JRGL-V1 — текстовая модель, созданная Луи Гарсией и Матьё Жолларом, студентами инженерной школы ECE, под руководством преподавателя ECE и руководителей TW3 Partners. Модель получена слиянием ShinojiResearch/Senku-70B-Full и 152334H/miqu-1-70b-sf методом SLERP с помощью mergekit; в конфигурации указана базовая модель 152334H/miqu-1-70b-sf. Это плотная Llama-совместимая архитектура LlamaForCausalLM с 68,7 млрд параметров и контекстом до 32 764 токенов. Репозиторий содержит веса safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. В README приведён результат 83,07 на EQ-Bench V2, бенчмарке эмоционального интеллекта для больших языковых моделей. Лицензия — Apache 2.0. Данные не описывают языковую специализацию и ограничения по качеству или применению модели.

bingbort/Einstein_x_Dolphin — объединённая языковая модель на архитектуре Mistral, созданная методом SLERP с помощью mergekit из Weyaxi/Einstein-v6-7B и cognitivecomputations/dolphin-2.8-mistral-7b-v02. Модель содержит 7,1 млрд параметров, работает с текстом и предназначена для генерации ответов в диалоговом формате. Модель подходит для чат-общения и решения задач, сочетающих возможности исходных моделей Einstein и Dolphin. Заявленная длина контекста составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors; для работы используется библиотека Transformers. Язык модели в предоставленных данных не установлен отдельно. Условия лицензии в карточке не приведены.

EVA-Tissint-v1.1-14B — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit. В слиянии della_linear использованы EVA-Qwen2.5-14B-v0.2 и Tissint-14B-v1.1-128k-RP; базой указана EVA-Qwen2.5-14B-v0.2. Модель содержит 14 млрд параметров, построена для генерации текста и диалогового взаимодействия, а заявленный контекст составляет 131072 токена. Модель подходит для продолжения текста и ведения диалогов. Автор рекомендует использовать настройки сэмплирования из карточки Tissint и для XTC советует порог 0,2, отмечая, что более низкие значения ухудшают связность ответов. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

PS4Research/EVPdEf4TUz3pRa2u — дообученная языковая модель семейства Qwen3, разработанная PS4Research на базе unsloth/Qwen3-14B-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 14 млрд параметров, построена на плотной архитектуре Qwen3ForCausalLM и принимает текст для генерации текста; поддерживает диалоговый интерфейс и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалоговых сценариев. Её контекстное окно составляет 40 960 токенов. В карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Специализация дообучения и его качество в карточке не раскрыты.

Exodius-70B — объединённая языковая модель, созданная с помощью mergekit методом SLERP из freewheelin/free-evo-qwen72b-v0.8-re и abacusai/Smaug-72B-v0.1. Она предназначена для генерации текста и диалоговых сценариев. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM, содержит 71 млрд параметров и поддерживает контекст до 32 768 токенов. Весовой формат репозитория — safetensors; библиотека для работы — Transformers. Объединение сочетает две предварительно обученные языковые модели, включая Smaug-72B-v0.1, предназначенную для диалога, ответов на вопросы и рассуждений. В карточке не приведены отдельные результаты оценки качества или специализированные области применения. Модель распространяется по лицензии Apache-2.0.

Experiment26Neuralsirkrishna_OgnoShadow — объединённая модель Mistral с 7,1 млрд параметров, созданная на основе automerger/Experiment26Neuralsirkrishna-7B и automerger/OgnoShadow-7B. Она предназначена для генерации текста и диалогов, где требуется языковая модель с контекстом до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Данных о специализированной предметной области или поддерживаемых языках в карточке нет.

Experiment26Neuralsirkrishna_Strangemerges_30Pastiche — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов, а контекстное окно составляет до 32 768 токенов. Модель объединяет веса automerger/Experiment26Neuralsirkrishna-7B и automerger/Strangemerges_30Pastiche-7B. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

MaziyarPanahi/Experiment26Yam_OgnoExperiment27 — слитая текстовая модель на базе двух моделей: automerger/Experiment26Yam-7B и automerger/OgnoExperiment27-7B. Она предназначена для генерации текста и диалогов. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0.

Experiment26Yamshadow_Experiment27Pastiche — объединённая модель, созданная из automerger/Experiment26Yamshadow-7B и automerger/Experiment27Pastiche-7B. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалоговых ответов. Модель принимает текст и поддерживает контекст длиной до 32 768 токенов. Веса опубликованы в формате Safetensors. Репозиторий распространяется по лицензии Apache 2.0. В README нет описания специальных предметных областей или языковых возможностей.

Experiment26Yamshadow_Experiment29Pastiche — объединённая языковая модель семейства Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/Experiment29Pastiche-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалоговых ответов с контекстом до 32 768 токенов. В метаданных указана лицензия Apache-2.0. README не описывает специальные предметные области или подтверждённый набор поддерживаемых языков.