I.7Речь, диалоги и встречи

AIR-hl/Qwen2.5-1.5B-ultrachat200k — диалоговая языковая модель, дообученная AIR-hl методом supervised fine-tuning на наборе HuggingFaceH4/ultrachat_200k. В основе — плотная авторегрессионная архитектура Qwen2.5 с 1,5 млрд параметров; модель предназначена для генерации текста в формате общения и поддерживает контекст до 131 072 токенов. Модель можно применять для ведения диалогов и создания ответов на запросы пользователя. В карточке приведены значения потерь обучения и оценки, но нет результатов пользовательских или сравнительных тестов, поэтому качество ответов по этим значениям оценить нельзя. Использование регулируется лицензией Apache 2.0.

Theros/Qwen2.5-CreativeMix-7B — объединённая разговорная языковая модель на архитектуре Qwen2.5, созданная с помощью mergekit методом DARE TIES. В слиянии использованы Qwen2.5-7B-HyperMix, Qandora-2.5-7B-Creative и EdgeRunner-Command-Nested; базовой моделью для объединения указана djuna/Q2.5-Fuppavy-7B. Модель содержит 7,1 млрд параметров и имеет заявленный контекст длиной до 131 072 токенов. Модель предназначена для диалоговой и творческой генерации текста. Её можно применять для написания и продолжения текстов, а также для ведения беседы. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. В карточке не приведены сведения о лицензии и конкретных ограничениях качества или использования.

Это частная сборка Exolabs на основе Qwen3.6-35B-A3B, подготовленная для запуска в vLLM. Веса получены из файла Q4_K_M GGUF модели bartowski/Qwen_Qwen3.6-35B-A3B: их деквантизировали в FP32, преобразовали в раскладку HF/vLLM и сохранили в BF16. Конфигурация, токенизатор, шаблон чата и параметры генерации взяты из Qwen/Qwen3.6-35B-A3B. Модель предназначена для диалогов и обработки изображений; метаданные также отмечают интерфейс вызова инструментов. В README приведена проверка запуска на vLLM 0.23.0 с ограничением контекста 4096 токенов и режимом language-model-only. Указанная в метаданных архитектура — Qwen3.5 MoE, класс Qwen3_5MoeForConditionalGeneration; базовая модель содержит 35 млрд параметров. Репозиторий помечен лицензией «other», поэтому конкретные условия следует проверять в файлах лицензии модели. README описывает деквантизацию и преобразование представления весов, но BF16-выход из исходного Q4_K_M не возвращает потерянную при исходной квантизации точность; также приведённый запуск ограничивает длину контекста 4096 токенами.

Модель Surya Teja — дообученная версия Wav2Vec2ForCTC для автоматического распознавания речи на телугу. Она преобразует аудио на телугу в текст и предназначена для транскрибации, создания субтитров, голосовых интерфейсов, образовательных и вспомогательных приложений. Модель содержит 113,3 млн параметров, распространяется в формате Safetensors и использует библиотеку Hugging Face Transformers. Для входного аудио в README указаны формат WAV и частота дискретизации 16 кГц. Модель обучена на пользовательском наборе аудиозаписей проекта Gonthuka. Для оценки использовались метрики WER и CER, однако численные результаты не приведены. Лучше всего модель подходит для речи на телугу; шумные записи и смешанная речь могут снижать точность. Лицензия — Apache-2.0.

Translate Gemma 4 Sub E2B — мультиязычная модель Google Gemma 4, дообученная автором 17slever17 для перевода текста и субтитров с учётом контекста. Она предназначена прежде всего для перевода разговорной и прямой речи, например субтитров к трансляциям: предыдущие исходные и переведённые фрагменты помогают учитывать смысл реплик, разделённых между сегментами. Модель также может следовать инструкциям о стиле, тоне, формальности, терминологии и глоссариях. Модель использует плотную архитектуру Gemma 4 E2B IT и принимает текстовые сообщения; тег image-text-to-text и поддержка vision в метаданных унаследованы от базовой архитектуры. В карточке заявлена языковая поддержка английского, русского, испанского, немецкого, японского, французского, португальского, китайского, нидерландского, итальянского и корейского языков. Наиболее тщательно настроены первые пять языков; для остальных качество оценивалось менее широко. Репозиторий содержит веса Safetensors, а лицензия — Apache 2.0. В независимой оценке на субтитрах E2B уступила варианту E4B по указанным метрикам, а результаты на FLORES-200 показывают, что общее качество перевода может отличаться от специализированных моделей. Контекстные фрагменты следует передавать отдельно от текущей реплики, которую нужно перевести.

W2V2-BERT-Malayalam — модель распознавания речи на малаяламском языке, разработанная автором репозитория vrclc путём дообучения facebook/w2v-bert-2.0. Это плотная архитектура Wav2Vec2-BERT с примерно 402,7 млн параметров, настроенная для automatic speech recognition на наборах IMaSC, MSC, OpenSLR Malayalam Train split, Festvox Malayalam и Common Voice 16.1. Модель принимает аудио и выдаёт текстовую транскрипцию; в карточке указаны значение WER 0,1299 и loss 0,1722 на оценочной выборке. Модель подходит для транскрибирования записей и аудиоматериалов на малаяламском языке. Репозиторий содержит веса в формате safetensors и распространяется по лицензии MIT. Оценка качества относится к указанной в карточке оценочной выборке; других условий тестирования README не приводит.

Taeham/wav2vec2-ksponspeech — модель распознавания корейской речи, созданная дообучением Wav2vec2-large-xlsr-53 на данных Ksponspeech. Она принимает аудио и преобразует речь в текст; карточка указывает на обучение на двух частях обучающей выборки Ksponspeech и сообщает WER 0,373 на сторонних тестовых данных. Архитектура — Wav2Vec2ForCTC, размер — 403,1 млн параметров; модель опубликована в формате PyTorch и рассчитана на корейский язык. Модель подходит для транскрибации корейской речи и получения черновых расшифровок аудиозаписей. Точность может улучшаться при унификации записи чисел и символов, нормализации пунктуации и исправлении слов по контексту; указанный WER показывает, что распознанный текст может требовать постобработки. Лицензия — Apache-2.0.

menhior дообучил модель facebook/wav2vec2-xls-r-300m на Common Voice для автоматического распознавания речи. Модель построена на архитектуре Wav2Vec2 и выдаёт текстовую транскрипцию по аудиозаписи; в метаданных указано 402,7 млн параметров и формат PyTorch. Название репозитория указывает на настройку для турецкого языка. На оценочном наборе указаны loss 0,3991 и WER 0,3050. Модель подходит для транскрибирования турецкой речи в сценариях, подобных записям Common Voice. Лицензия — Apache-2.0. Подробности о тренировочных настройках и конкретных ограничениях в карточке не раскрыты.

anton-l/wav2vec2-large-xlsr-53-mongolian — модель распознавания речи, созданная дообучением facebook/wav2vec2-large-xlsr-53 на монгольском языке. Она использует архитектуру Wav2Vec2ForCTC и содержит около 402,7 млн параметров. Модель принимает аудио, записанное с частотой дискретизации 16 кГц, и преобразует речь в текст; для распознавания можно использовать её напрямую, без языковой модели. Модель обучалась на обучающей и валидационной частях Common Voice. В README приведён результат 38,53% на тестовых данных Common Voice для монгольского языка; метрика не уточнена. Модель распространяется по лицензии Apache-2.0. Хотя в репозитории представлены варианты PyTorch и Flax, заявленная задача — распознавание монгольской речи.

Модель Wav2Vec2-Large-XLSR-Català разработана сообществом Softcatalà как дообученная версия facebook/wav2vec2-large-xlsr-53 для распознавания речи на каталанском языке. Она использует архитектуру Wav2Vec2ForCTC и содержит 402,7 млн параметров. Модель преобразует входную речь в текст и предназначена для транскрибирования каталанской речи, в том числе записей из корпусов Common Voice и ParlamentParla. Для работы аудио следует подавать с частотой дискретизации 16 кГц; языковая модель для описанного сценария не обязательна. В README приведены значения WER 6,92% на тестовом разделении CV+ParlamentParla, 12,99% на Google Crowdsourced Corpus и 13,23% на аудиокниге «La llegenda de Sant Jordi». Авторы предупреждают, что разделение Common Voice 6.1 пересекается с обучающими и оценочными данными: оценка на тестовом наборе CV будет смещённой. Модель распространяется по лицензии Apache-2.0.

Модель Wav2Vec2-Large-XLSR-53-Tamil разработана Anurag Shas и дообучена на базе facebook/wav2vec2-large-xlsr-53 для автоматического распознавания тамильской речи. Она принимает аудио и преобразует его в текст; для входной речи требуется частота дискретизации 16 кГц. Обучение проводилось на обучающей и валидационной частях Common Voice, а для тестовой выборки Common Voice на тамильском языке указана оценка 71,87%. Модель построена на архитектуре Wav2Vec2ForCTC и насчитывает около 402,7 млн параметров. Доступны варианты весов PyTorch и Flax. Лицензия — Apache-2.0. Оценка относится к указанной тестовой выборке; README не сообщает метрику и условия, позволяющие переносить её на другие наборы данных или реальные сценарии.

arun100/whisper-base-bn-6 — модель автоматического распознавания речи на основе Whisper Base, дообученная разработчиком на бенгальской части набора Mozilla Common Voice 16.0. Она преобразует входящую речь в текст и предназначена для транскрибирования бенгальской речи. Модель содержит 51,7 млн параметров и опубликована в формате Safetensors под лицензией Apache-2.0. На оценочной выборке указаны Loss 0,2078 и WER 28,8185. Эти результаты относятся к конкретной выборке и сами по себе не гарантируют такое же качество на других записях; подробности об условиях записи и ограничениях в карточке не приведены.

Sagicc/whisper-medium-sr-v2 — 455,8-миллионная модель распознавания речи на базе Whisper Medium от OpenAI, дообученная разработчиком Sagicc на объединённых наборах Common Voice 16, Fleurs, новостных аудиозаписей Južne vesti и LBM. Модель принимает аудио и преобразует речь в текст; она предназначена прежде всего для распознавания сербской речи. В карточке приведены результаты оценки: WER 0,0738 и WER Ortho 0,1663. Модель использует архитектуру Whisper и опубликована в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает дополнительные сценарии применения и подробные ограничения.

taesiri/whisper-small-fa-7 — модель распознавания речи, созданная дообучением Whisper Small от OpenAI на наборе Common Voice 11.0. Она преобразует аудио в текст и рассчитана на распознавание персидской речи. Архитектура — WhisperForConditionalGeneration; модель содержит 153,1 млн параметров. В карточке приведены результаты оценки на тестовой выборке: loss 0,6904 и WER 34,2597. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Whisper Small - Libyan Arabic — дообученная Tasneem Sheeha (Tass02) модель OpenAI Whisper Small для автоматического распознавания речи на ливийском диалекте арабского языка. Она основана на Whisper Small и обучена с применением LoRA, после чего адаптер объединён с весами базовой модели, поэтому модель можно запускать без отдельной загрузки адаптера. Репозиторий содержит веса в формате safetensors. Модель предназначена для преобразования аудио на ливийском арабском в текст, например для транскрибирования записей и голосовых сообщений. Для обучения использовалось 5 357 аудиопримеров; в карточке приведены значения тренировочной и валидационной функции потерь. Модель принимает аудио и выдаёт текст. Лицензия — Apache 2.0.

Pricile разработала wbertcur — единую модель распознавания речи для шести восточноафриканских языков, созданную для соревнования AfriVoices East Africa ASR Hackathon. Модель построена на архитектуре Wav2Vec2-BERT (Conformer) с символьной CTC-головой; в репозитории указано 402,7 млн параметров. Она принимает аудио и преобразует речь в текст на суахили, кикую, дхолуо, календжине, маасаи и сомали. Модель предназначена для распознавания речи на CPU-устройствах с ограниченными ресурсами. В README приводятся измерения для int8-развёртывания на CPU: пиковая память 5,53 ГБ. Для улучшения качества авторы также проверяли декодирование с языковой моделью KenLM; для него требуется заранее знать язык аудио или отдельно определить его. Модель обучена на данных AfriVoices-KE и оценивалась на близком распределении, включающем прочитанную и спонтанную речь. Указанная лицензия модели — MIT.

Карточка модели jinreiyu/clone-Ternary-Bonsai-8B-mlx-2bit на Hugging Face совпадает с карточкой prism-ml/Ternary-Bonsai-8B-mlx-2bit, поэтому описание составлено по ней. Ternary-Bonsai-8B-mlx-2bit — языковая модель Prism ML для генерации текста и диалогов на устройствах Apple. Это производная от Qwen3-8B модель семейства Qwen3 с плотной архитектурой и 7,6 млрд параметров; в карточке указаны GQA, SwiGLU, RoPE и RMSNorm. Контекстное окно — 65 536 токенов. Веса представлены в тернарном формате {-1, 0, +1} с групповыми масштабами: релиз использует формат MLX 2-bit, около 2,15 ГиБ. Модель предназначена для локального запуска на Mac, iPhone и iPad через MLX и MLX Swift, включая диалоговые сценарии. Разработчик сообщает о среднем результате 75,5 по шести категориям бенчмарков и высокой скорости на устройствах Apple; это показатели из карточки модели, а не независимая гарантия качества. Доступен формат MLX 2-bit, поэтому модель ориентирована на совместимые устройства и программный стек Apple. README отмечает, что оценка энергопотребления на мобильном устройстве приблизительная. Лицензия — Apache-2.0.

CoALM-405B — диалоговая агентная языковая модель, разработанная UIUC Conversational AI Lab совместно с Oumi. Она дообучена на базе Meta-Llama 3.1-405B-Instruct и содержит около 403,7 млрд параметров; архитектура — плотная Llama для авторегрессионной генерации текста. Модель рассчитана на многоходовые диалоги, отслеживание состояния диалога, вызов функций и API, использование инструментов и построение многошаговых ответов. В README заявлены результаты на MultiWOZ 2.4, BFCL V3 и API-Bank, включая сильные показатели в задачах вызова функций. Модель принимает текстовые запросы и генерирует текст, в том числе структурированные вызовы инструментов. Контекстное окно — до 131 072 токенов. В метаданных указан английский язык; README описывает обучение на данных CoALM-IT и сценарии агентного взаимодействия. Для инференса требуется значительный вычислительный ресурс: README указывает 16 GPU H100 и рекомендует vLLM для многоузлового запуска. Лицензия — CC BY-NC 4.0, допускающая использование с ограничением на коммерческое применение.

Ethio-ASR multilingual 1B — модель автоматического распознавания речи команды Ethio-ASR, созданная дообучением facebook/mms-1b на наборе WAXAL Speech Dataset. Она предназначена для транскрибирования аудио на амхарском, тигринья, афаан-оромо, сидама и волайтта; в карточке также заявлена идентификация языка речи. Модель построена на архитектуре Wav2Vec2 с CTC-выходом, содержит 1,3 млрд параметров и распространяется в формате safetensors для Transformers. На тестовой части WAXAL модель показала средний WER 31,20; лучшие результаты среди перечисленных языков — для афаан-оромо (23,69) и волайтта (37,51). Её можно использовать как основу для голосовых помощников, средств доступности и исследовательских сравнений. Лицензия CC-BY-NC 4.0 ограничивает коммерческое использование. Качество может различаться в зависимости от диалекта, возраста и пола говорящего и качества записи; для шумного аудио без предварительной очистки речи модель не рекомендуется, а в критически важных сценариях необходима проверка человеком.

Chunity/gemma-4-E4B-it-AWQ-4bit — мультимодальная 4-битная версия модели google/gemma-4-E4B-it, подготовленная Chunity. Это checkpoint для Transformers с поддержкой обработки текста, изображений и аудио; точный набор языков, размер контекста и полное число параметров в README не указаны. Модель предназначена для мультимодальных сценариев генерации ответов, а также для задач, поддерживаемых исходной instruction-tuned моделью Gemma 4 E4B IT. Квантование выполнено методом AutoRound с последующим форматом AWQ: языковые слои model.language_model.layers преобразованы в 4-битный формат с group size 128 и 500 итерациями калибровки. vision_tower, audio_tower, embed_vision, embed_audio и lm_head сохранены в более высокой точности, поэтому checkpoint имеет смешанную FP/AWQ-структуру. Приблизительный размер на диске — 9,9 ГБ. По README, модель прошла базовую проверку загрузки через Transformers AWQ loader и генерации ответа на простейший текстовый запрос. Для использования рекомендуется AutoModelForCausalLM и AutoProcessor из библиотеки Transformers с автоматическим выбором типа данных. Сильной стороной является снижение требований к памяти по сравнению с полноточной моделью при сохранении мультимодальных компонентов. Ограничения включают отсутствие подробных данных о качестве, языках и контексте, а также зависимость совместимости от поддержки параметра modules_to_not_convert в конфигурации квантования. Условия лицензирования в README не указаны.

Это мультимодальная модель Google Gemma 4 E4B Instruct, подготовленная roman220220 для запуска в MLX на компьютерах Apple Silicon. Она предназначена для диалогов и анализа изображений; автор также сообщает о проверке распознавания речи через аудиобашню. Модель принимает текст и изображения, а для аудио использует мультимодальный интерфейс mlx_lm. Текстовые веса представлены в 4-битном формате, согласованном с сеткой QAT q4_0 Google; 114 наиболее чувствительных линейных слоёв хранятся в 8 битах, эмбеддинги — в 6 битах, а башни зрения и аудио — в 8 битах. Репозиторий содержит веса Safetensors. Автор приводит результаты сравнения размера, perplexity и скорости на конкретном оборудовании; эти измерения не гарантируют такую же производительность на других устройствах. Модель подходит для локального чата, вопросов по изображениям и транскрибации речи в совместимом MLX-приложении. Указана лицензия Apache-2.0.

Goetia-24B-v1.1 — разговорная текстовая модель на основе Mistral-Small, собранная Naphula методом слияния mergekit; в карточке указано применение метода Karcher для контрольной точки R20. Модель предназначена для диалогов, следования инструкциям, творческого письма, ролевых игр и текстовых приключений. Автор отмечает повышенную креативность и менее строгие отказы по сравнению с версией 1.0; в состав слияния входят несколько моделей семейства Mistral, ориентированных на диалоги и генерацию прозы. Модель имеет плотную архитектуру MistralForCausalLM, 23,4 млрд параметров и контекст 131 072 токена. Она работает с текстом и рассчитана, в частности, на английский и русский языки. Распространяется в формате safetensors по лицензии Apache-2.0. Карточка описывает её как менее ограниченную в вопросах безопасности; качество и характер ответов зависят от запроса и системной настройки.

MotherEarth/Hermes-Storm-Climate-Sauerkraut-abliterated — объединённая диалоговая языковая модель, созданная с помощью mergekit линейным слиянием трёх моделей: MotherEarth/Hermes-Storm-Climate-lorablated, MotherEarth/MotherEarth-Proverbs-1.0-8B и VAGOsolutions/Llama-3.1-SauerkrautLM-8b-Instruct. Модель построена на архитектуре Llama с плотной причинной языковой сетью, содержит 7,5 млрд параметров и принимает текстовые запросы, генерируя текст в формате диалога. Заявленная длина контекста — 131 072 токена. Модель предназначена для диалоговой генерации текста. В состав слияния входят модели, связанные с генерацией на немецком и английском языках, а также модель Proverbs; карточка не описывает отдельные гарантированные сценарии или сравнительные показатели качества. Весовые файлы представлены в формате safetensors, тип данных при слиянии — bfloat16. Сведения о лицензии в предоставленных источниках отсутствуют.

Huihui-gemma-3n-E2B-it-abliterated-i1-GGUF — GGUF-квантизированная версия модели Huihui-gemma-3n-E2B-it-abliterated, разработанной Huihui-ai и подготовленной квантизатором mradermacher. Модель основана на Gemma 3n E2B и предназначена для локального запуска в форматах GGUF. В README она обозначена как мультимодальная vision-модель с поддержкой сценариев audio-text-to-text, video-text-to-text, автоматического распознавания речи и автоматического перевода речи. Указан английский язык; точный размер контекста, архитектурные детали и полный набор поддерживаемых языков не приведены. Доступно множество вариантов квантизации объёмом примерно от 2,0 до 3,8 ГБ, включая IQ- и Q-форматы. Это позволяет выбирать компромисс между размером, скоростью и качеством, однако низкобитные варианты могут заметно уступать по качеству, а для обработки изображений могут потребоваться отдельные mmproj-файлы из статического репозитория. Модель имеет пометку abliterated и uncensored, поэтому её поведение и защитные ограничения могут отличаться от исходной модели. Для использования требуется принять лицензию Google Gemma на Hugging Face; конкретные дополнительные условия лицензии в README не раскрыты.

L3.1-Orion-a-8B — слитая языковая модель семейства Llama, созданная сообществом mergekit с помощью метода Model Stock. При слиянии использованы P0x0/Epos-8b как базовая модель, а также Casual-Autopsy/L3-Umbral-Mind-RP-v3.0-8B, Sao10K/L3-8B-Lunaris-v1 и mergekit-community/L3-Boshima-a. Модель предназначена для генерации текста и диалогов, включая ролевые сценарии. Она имеет плотную авторегрессионную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. В README указаны слияние Model Stock и сохранение весов в float16; в репозитории используются файлы safetensors. Лицензия в доступных данных не указана.

Sao10K/L3-70B-Euryale-v2.1 — разговорная языковая модель семейства Llama 3, созданная Sao10K как сестринская модель Stheno. Это дообучение с помощью LoRA на том же датасете, что использовался для Stheno v3.2; автор отмечает, что полное дообучение было слишком затратным. Модель предназначена для генерации текста в диалогах и чат-сценариях, включая ролевое общение. Модель имеет плотную архитектуру LlamaForCausalLM и 69,5 млрд параметров, принимает текст и генерирует текст. Её нативный контекст составляет 8192 токена; в метаданных указан английский язык. Опубликованные файлы представлены в форматах PyTorch и safetensors. Лицензия CC BY-NC 4.0 требует указания авторства и ограничивает коммерческое использование.

Lite-Cydonia-22B-v1.1-75-25 — это слитая модель для генерации текста и диалогов, созданная автором knifeayumu с помощью mergekit. В слиянии использованы TheDrummer/Cydonia-22B-v1.1 с весом 75% и mistralai/Mistral-Small-Instruct-2409 с весом 25%; метод — task arithmetic. Модель имеет плотную архитектуру Mistral, 22 млрд параметров и контекст до 131 072 токенов. Модель предназначена для диалогов и творческой генерации с менее выраженным уклоном в «злые» ответы по сравнению с исходной Cydonia. По словам автора, начальные проверки показали, что модель реже отвечает на провокационные вопросы без дополнительного убеждения, но автор также отмечает, что она может быть недостаточно умной и генерации могут оставаться предсказуемыми. Репозиторий содержит веса Safetensors; лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у авторов базовых моделей.

Luna 12B V.3 — мультимодальная merge-модель на архитектуре Gemma 3, созданная OddTheGreat из нескольких моделей семейства Gemma 3 12B. Она предназначена для повседневного помощника и ролевых диалогов, с основным акцентом на русский язык; также понимает английский и принимает изображения. Автор отмечает, что модель подходит для форматированных ответов, работы с документами и цитирования, хорошо учитывает контекст и небольшие детали. Модель не использует режим рассуждений, а в ролевых сценариях может изображать антагониста и описывать вредоносный контент. Модель доступна в формате safetensors и рассчитана на использование через Transformers. По описанию автора, она может работать на потребительских видеокартах с выгрузкой части модели в память, однако скорость зависит от оборудования. Длинные однообразные ответы могут приводить к повторениям; качество зрения автор подробно не оценивал. Лицензия в предоставленных данных не указана.

NbAiLab подготовила этот бета-чекпойнт на основе Qwen3-ASR-0.6B для распознавания норвежской речи. Модель рассчитана на оценку ASR, в том числе на длинных аудиозаписях и в экспериментах с подсказками; её поведение переключается между более ориентированной на читаемость транскрипцией и более дословным вариантом с подсказкой `\`. Чекпойнт предназначен для локальных экспериментов, пакетной обработки, интеграционных проверок и тестирования подачи аудио через сервисы. В README указано, что результаты предварительные: модель находится в бета-стадии, а качество распознавания, форматирование, чувствительность к подсказкам и рабочие характеристики могут меняться. Репозиторий распространяется по gated-доступу; метаданные указывают лицензию `other`, но конкретные условия лицензии в предоставленных сведениях не описаны.

LoSboccacc/orthogonal-2x7B-base — разговорная языковая модель семейства Mixtral, собранная как смесь экспертов на основе Mistral-7B-Instruct-v0.2 и Silicon-Maid-7B. Конфигурация README задаёт два эксперта: один ориентирован на ролевые диалоги, другой — на обычный чат. Модель использует формат ChatML; метаданные указывают архитектуру Mixtral MoE, 7,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах, чате и ролевых сценариях. В README приведены результаты Open LLM Leaderboard: среднее значение 68,13, включая 66,89 на AI2 Reasoning Challenge и 85,54 на HellaSwag. Лицензия и более подробные условия использования в предоставленных данных не описаны.