II.10Разработка и эксплуатация AI/ML-систем

MaziyarPanahi/calme-2.2-phi3-4b — языковая модель Maziyar Panahi, дообученная методом DPO на microsoft/Phi-3-mini-4k-instruct. Она предназначена для диалогов и генерации текста, включая ответы на инструкции; карточка приводит результаты оценивания на наборах IFEval, BBH, AI2 Reasoning Challenge и HellaSwag. Модель использует плотную архитектуру Phi-3 с 3,7 млрд параметров и контекстом до 4096 токенов, работает с библиотекой Transformers и форматом safetensors. Для диалогов применяется шаблон ChatML. Модель принимает текст и генерирует текст. В карточке указан английский язык; метаданные также отмечают возможности чата и генерации кода, но отдельная специализация на коде не заявлена. Распространяется по лицензии MIT.

Cerebrum-1.0-7b — языковая модель для генерации текста и решения задач, требующих рассуждений. Её разработала AetherResearch на основе Mistral-7B-v0.1: модель дообучили на небольшом наборе примеров с цепочками рассуждений и дополнительно настроили с помощью целевого RLHF. Она содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов, математических задач, ответов на вопросы, мозгового штурма и творческих запросов. В карточке приводятся результаты сравнений на ARC Challenge и GSM8k, однако условия оценки различались для моделей, поэтому эти результаты не гарантируют превосходства в других сценариях. README рекомендует шаблон диалога в стиле Alpaca с просьбой описать ход рассуждений. Лицензия Apache-2.0.

combined_whisper_sanlish_lr2e5_newsplit — модель распознавания речи, полученная дообучением мультиязычной openai/whisper-small. Она предназначена для преобразования аудиозаписей в текст; в карточке приведены результаты оценки: WER 34,7012, CER 8,4391 и loss 0,6368. Подробности о целевом языке и наборе данных не раскрыты. Модель распространяется в формате safetensors по лицензии Apache-2.0.

DatarusAI Datarus-R1-14B-preview — языковая модель с открытыми весами для аналитики данных и многошагового решения задач. Это плотная авторегрессионная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct. В README указано 14,8 млрд параметров; в метаданных — 14 млрд. Модель поддерживает генерацию текста и диалоговый режим, а также интерфейс вызова инструментов. Нативная длина контекста — 131 072 токена. Модель предназначена для анализа данных, статистических расчётов и визуализации, решения математических и научных задач, генерации аналитического кода и работы в интерактивных ноутбуках. README описывает два режима рассуждения: интерактивный ReAct с итеративным выполнением кода и режим Reflection для компактных объяснений и отчётов. Обучение проводилось на синтетических аналитических траекториях и наборах данных для рассуждений; заявленные области включают финансы, медицину и количественный анализ. Основной язык — английский. В карточке приведены высокие результаты на LiveCodeBench и AIME, однако это заявления разработчика, и качество на других задачах может отличаться. Интерфейс выполнения кода требует подключённой среды исполнения; сама модель генерирует текст. Модель распространяется по лицензии Apache 2.0.

Moritz Laurer разработал эту модель на базе DeBERTa-v3-base от Microsoft для классификации текстов методом zero-shot и решения задач логического вывода по тексту (NLI). Модель обучена на 1 279 665 парах «гипотеза — посылка» из восьми наборов данных, включая MultiNLI, Fever-NLI, LingNLI и DocNLI. Она предсказывает два класса: «следует из текста» и «не следует из текста»; в последнем объединены противоречие и нейтральный ответ. Модель подходит для классификации текста по заданным пользователем категориям без отдельного обучения на этих категориях, а также для проверки текстовых гипотез. Обучение на DocNLI помогает работать с длинными текстами и дальними зависимостями, но нативный контекст ограничен 512 токенами. Размер модели — 211,6 млн параметров; доступны веса PyTorch и Safetensors. Основной язык карточки — английский. По опубликованным оценкам точность на тестах MultiNLI составляет 0,935 и 0,933, на Fever-NLI — 0,897, на ANLI — 0,710, на LingNLI — 0,895. Возможны смещения, связанные с обучающими наборами и задачами NLI; автор рекомендует учитывать ограничения исходных исследований. Лицензия — MIT.

DeepSeek-OCR — мультимодальная модель DeepSeek для распознавания текста и анализа документов по изображениям. Она предназначена для извлечения текста из визуальных материалов, включая страницы документов; README также указывает поддержку обработки PDF через vLLM. Модель основана на архитектуре DeepSeek-VL2 и содержит 559,7 млн параметров. Она принимает изображения и текстовые запросы, а результат формирует в виде текста; заявлен контекст до 8192 токенов и многоязычная поддержка. В качестве среды запуска README описывает Transformers на GPU NVIDIA, а также отмечает поддержку vLLM. Модель доступна по лицензии MIT. README не приводит подробных оценок качества и перечня поддерживаемых языков, поэтому применимость к конкретному языку или типу документа следует проверять на собственных данных.

Это адаптированная для запуска и дообучения в актуальной версии Transformers копия DeepSeek-OCR-2 от Unsloth. Она основана на DeepSeek-OCR-2 от DeepSeek и использует плотную архитектуру Deepseek-VL-v2 с классом DeepseekOCR2ForCausalLM; в репозитории указано 559,7 млн параметров и формат safetensors. Изображения обрабатываются с динамическим разрешением: карточка описывает режим с несколькими кадрами 768×768 и дополнительным изображением 1024×1024. Контекст модели составляет 8192 токена. Модель предназначена для распознавания текста и анализа документов по изображениям, включая сценарии обработки PDF. Для запуска README приводит конфигурацию на базе Transformers и NVIDIA GPU; также упоминается ускорение инференса через vLLM. Поддерживается многоязычное применение, однако конкретный перечень языков не приведён. Заявлено, что адаптация загрузки не меняет точность. Модель распространяется по лицензии Apache-2.0. README не приводит оценок качества или подробных ограничений; для указанного сценария требуются GPU и зависимости из инструкции по запуску.

mlx-community/DeepSeek-V3-0324-4bit — это квантизированная 4-битная версия языковой модели DeepSeek-V3-0324, разработанная сообществом mlx-community и преобразованная в формат MLX из модели deepseek-ai/DeepSeek-v3-0324-4bit с помощью mlx-lm версии 0.26.3. Модель предназначена для генерации текста и запуска через библиотеку MLX, в том числе с использованием чат-шаблона токенизатора. Она может применяться для диалоговых сценариев и других задач текстовой генерации, однако README не содержит подробностей о поддерживаемых языках, размере модели, архитектуре, длине контекста или мультимодальных возможностях. Ключевая характеристика модели — 4-битное квантование, которое потенциально снижает требования к памяти по сравнению с полноразмерной версией, но README не приводит измерений производительности или качества. Ограничения и точные сценарии применения следует оценивать отдельно, поскольку сведения о сильных сторонах, бенчмарках и аппаратных требованиях отсутствуют. Модель распространяется по лицензии MIT.

Это асимметрично квантованная до низкой точности версия diffusiongemma-26B-A4B-it — языковой модели Gemma 4 с архитектурой MoE и диффузионной генерацией. Версию GGUF подготовил hyperspaceai на основе unsloth/diffusiongemma-26B-A4B-it-GGUF. В модели 26 млрд параметров, около 4 млрд активных; используется 128 экспертов, из которых для каждого токена активируются 8, и 30 слоёв. Файл весит 10,98 ГБ. Модель предназначена для диалоговой генерации текста: ответы на вопросы, объяснения, списки, творческий текст и код. В отличие от обычных авторегрессионных языковых моделей, она создаёт текст итеративным параллельным уточнением токенов в контексте длиной 256 токенов. Квантование распределено асимметрично: экспертные слои в основном сжаты до 2 бит с использованием матрицы важности, а чувствительные проекции сохранены в более высокой точности. Автор сообщает о проверке генерации на CUDA и приводит примеры связных ответов, но это не независимая оценка качества. Для запуска нужен совместимый с архитектурой diffusion-gemma GGUF-рантайм; стандартная авторегрессионная генерация через llama-cli и оценка perplexity для этой модели не подходят. Лицензия — Gemma; использование должно соответствовать её условиям.

Это модель DistilBERT, дообученная TextAttack для классификации пар предложений на наборе данных MRPC из бенчмарка GLUE. Она предназначена для определения того, выражают ли два предложения одно и то же значение. Модель использует архитектуру DistilBertForSequenceClassification и принимает текстовые пары с максимальной длиной последовательности 512 токенов; при дообучении использовалось ограничение 256 токенов. Модель обучалась пять эпох с размером батча 32 и скоростью обучения 2e-05; лучшая точность на оценочной выборке составила около 85,8%. Это специализированный классификатор для задачи распознавания перефразирования, а не универсальная языковая модель. В карточке указана точность на eval-наборе, поэтому качество на других данных может отличаться. Лицензия в предоставленных материалах не указана.

e5-omni-3B — мультимодальная модель эмбеддингов, разработанная Haon-Chen на основе Qwen2.5-Omni-3B и дообученная для поиска по единому пространству представлений. Она преобразует текст, изображения, аудио и видео в эмбеддинги, чтобы сопоставлять запросы и материалы даже при различии модальностей. Модель предназначена для мультимодального поиска, включая поиск по видео и аудио, изображениям документов, диаграммам и PDF, а также многоязычный поиск по тексту. В метаданных указаны архитектура Qwen2.5-Omni-3B, библиотека Sentence Transformers и формат safetensors; README сообщает о результатах на MMEB-V2 и AudioCaps. Лицензия — MIT. Это экспериментальная модель: в README приведены результаты бенчмарков и примеры применения, но нет подробной оценки ограничений или условий эксплуатации помимо лицензии. Результаты поиска зависят от качества представлений и того, насколько данные соответствуют сценариям оценки.

Experiment26Neuralsirkrishna_Experiment24Yam — объединённая модель Mistral, созданная из automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment24Yam-7B. Она предназначена для генерации текста и диалогов, включая сценарии с длинным контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors. Практические качества и языковой охват отдельно не описаны; пригодность модели для конкретных задач следует оценивать на собственных данных. Лицензия — Apache-2.0.

Experiment26Neuralsirkrishna_YamOgno — объединённая модель Mistral, созданная слиянием automerger/Experiment26Neuralsirkrishna-7B и automerger/YamOgno-7B. Она предназначена для генерации текста и диалогов, включая сценарии с длинным контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате safetensors по лицензии Apache 2.0. Карточка не описывает специальные предметные области или дополнительные возможности.

Fasciculus-Arcuatus-7B-slerp — текстовая генеративная модель на 7,1 млрд параметров, созданная Kukedlc с помощью LazyMergekit. Это слияние методом SLERP моделей macadeliccc/MonarchLake-7B и Kukedlc/NeoCortex-7B-slerp; архитектура основана на Mistral и представлена классом MistralForCausalLM. Модель предназначена для генерации текста и языковых задач общего назначения. В README приведены результаты оценивания на бенчмарках рассуждений AI2 Reasoning Challenge и HellaSwag. Контекст составляет 32 768 токенов. Репозиторий содержит веса в формате safetensors, тип точности — bfloat16. Лицензия — Apache-2.0.

Это квантизированная версия мультимодальной модели Google Gemma 4 E4B-it, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для сценариев image-text-to-text, то есть для обработки изображений и текста с генерацией текстовых ответов, включая диалоговое взаимодействие и другие задачи, поддерживаемые исходной instruct-моделью. Доступны варианты весов от BF16 размером 15,05 ГБ до низкобитных форматов Q2 и IQ3 размером примерно 4,7–5,9 ГБ. Для инференса можно использовать llama.cpp, Ramalama, LM Studio, KoboldCpp, Jan AI, Text Generation Web UI и другие совместимые инструменты. Квантизация с imatrix предлагает компромисс между качеством и требованиями к памяти: наиболее качественными считаются BF16, Q8_0 и варианты Q6, а Q4 и более компактные форматы подходят для устройств с ограниченными ресурсами, но могут заметно снижать качество. Модель поддерживает специальный шаблон чата Gemma; точные сведения о размере архитектуры, максимальном контексте и поддерживаемых языках в предоставленных данных не указаны. Распространение осуществляется по лицензии Apache 2.0, при этом для Gemma также приведена отдельная ссылка на лицензионные условия Google.

GWQ-9B-Preview2 — англоязычная диалоговая языковая модель, созданная prithivMLmods как дообученная версия GWQ-9B-Preview на базе архитектуры Gemma 2. Это плотная авторегрессионная модель типа decoder-only с 9 млрд параметров, предназначенная для генерации текста и работы в формате чата; максимальная длина контекста — 8192 токена. Модель рассчитана на ответы на вопросы, суммаризацию, генерацию текстов и многошаговые рассуждения. В README указано дообучение на синтетическом наборе Chain of Continuous Thought; модель также может следовать инструкциям. Для запуска используется библиотека Transformers и шаблон чата токенизатора. Модель может ошибаться и галлюцинировать, воспроизводить смещения обучающих данных и испытывать трудности со сложными рассуждениями; её ответы могут быть неактуальны. Для инференса 9-миллиардной модели нужны существенные вычислительные ресурсы, а длинные входы ограничены окном контекста. Репозиторий использует лицензию Gemma.

Kimi-K2-Instruct-4bit — это 4-битная версия модели Kimi-K2-Instruct, преобразованная сообществом mlx-community в формат MLX из исходной модели moonshotai/Kimi-K2-Instruct. Конвертация выполнена с использованием mlx-lm версии 0.26.0. Модель предназначена для генерации текста в сценариях, поддерживаемых библиотекой mlx-lm, включая диалоговое взаимодействие и выполнение инструкций. README указывает текстовую генерацию и использование chat template, однако сведения об архитектуре, числе параметров, поддерживаемых языках, длине контекста и дополнительных модальностях не приведены. Основная особенность модели — 4-битное представление, рассчитанное на запуск в экосистеме MLX. Это может снизить требования к памяти по сравнению с полноразмерной версией, но README не содержит результатов оценки качества, производительности или подробностей ограничений квантования. Лицензия указана как modified-MIT; условия её модифицированного варианта следует проверить в сопроводительных материалах модели.

KONI-7B-R-20250831-i1-GGUF — это квантизированная версия языковой модели KONI-7B-R-20250831, разработанной организацией KISTI. Распространяется в формате GGUF и предназначена для генерации текста, включая локальный запуск с использованием совместимых инструментов. Модель ориентирована на корейский и английский языки; заявленный размер базовой модели — 7 миллиардов параметров. Архитектура и размер контекстного окна в представленном README не указаны, модальности ограничены текстом. Набор включает варианты квантизации от IQ1 до Q6, различающиеся размером, скоростью и качеством. В README отмечены предпочтительные варианты i1-Q4_K_M как быстрые и рекомендуемые, а также i1-Q4_K_S как оптимальные по соотношению размера, скорости и качества; наиболее низкие уровни квантизации могут заметно снижать качество. Квантизация выполнена mradermacher с использованием weighted/imatrix quantization. Модель распространяется по лицензии Apache-2.0.

LFM2.5-2.6B-MLX-8bit — компактная многоязычная языковая модель, разработанная Liquid AI. Это экспорт модели LFM2.5-2.6B в формате MLX, предназначенный для эффективного вывода на устройствах Apple Silicon. Модель относится к задачам генерации текста и может использоваться для диалога, создания и продолжения текстов, ответов на вопросы и других сценариев локального инференса. Модель содержит 2,6 млрд параметров, использует 8-битную точность с group size 64 и занимает около 2,67 ГБ. Архитектура Liquid AI объединяет сверточные и attention-слои, что ориентировано на эффективную обработку длинного контекста; заявленная длина контекста составляет 131 072 токена. Поддерживаются арабский, китайский, английский, французский, немецкий, хинди, индонезийский, итальянский, японский, корейский, польский, португальский, русский, испанский, тайский и вьетнамский языки. К сильным сторонам относятся компактный размер, 8-битное представление, поддержка длинного контекста и оптимизация для Apple Silicon через MLX. Ограничения включают зависимость от экосистемы MLX и устройств Apple Silicon, а также возможные компромиссы между качеством и экономией памяти из-за квантования; конкретные показатели качества в README не указаны. Модель распространяется по лицензии LFM 1.0.

OsaurusAI подготовила JANG_2L-версию диалоговой модели LiquidAI/LFM2.5-8B-A1B для запуска на Apple Silicon через совместимые с JANG среды MLX/vMLX. Это гибридная MoE-архитектура для генерации текста, с поддержкой чата, рассуждений и вызова инструментов. По метаданным модели в ней 1,6 млрд параметров, а контекст достигает 128 000 токенов. Веса представлены в формате JANG affine: квантование MLX с распределением точности по важности тензоров, группой 64 и фактической разрядностью 2,37 бита; для отдельных тензоров используются разрядности 2, 6, 8 и 16 бит. Модель подходит для диалоговых ассистентов и сценариев с инструментами на устройствах Apple Silicon. В README приведён только короткий запуск для проверки работы, а не оценка качества или сравнительный бенчмарк. Лицензия указана как other; условия следует проверять в карточке модели и базовой модели.

bigdefence опубликовал дообученную языковую модель на архитектуре Llama 3.1. Она создана на базе Saxo/Linkbricks-Horizon-AI-Korean-llama-3.1-sft-dpo-8B и предназначена для генерации текста в диалоговом формате; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. В карточке указано обучение с использованием Unsloth и TRL. Базовая модель ориентирована на корейский язык, однако README и языковые метаданные этой версии не подтверждают отдельно полный список поддерживаемых языков. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей о данных дообучения, поэтому пригодность для конкретных задач следует проверять отдельно.

bunnycore/Llama-3.2-3B-Blend — объединённая языковая модель, созданная с помощью mergekit методом Model Stock. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в слияние также вошли модели для цепочек рассуждений, RP и диалогов, а также адаптер Smart-v1-lora. Модель построена на архитектуре Llama с 3,2 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. Модель можно применять для ответов на запросы, следования инструкциям и генерации текста с рассуждениями. В метаданных также заявлен интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена; поддержка конкретных языков в карточке не описана. Репозиторий содержит веса в формате safetensors. Лицензия не указана в предоставленных данных.

KKHYA/llavaqwen2.5-32b-finetune-nm-mask-moe-4e-2k-2of4-imp-2m-half_20260822_074702 — языковая модель на архитектуре NMMaskMoELLaVAQwen2ForCausalLM с 32 млрд параметров. В карточке указаны библиотека Transformers и форматы PyTorch и safetensors; метаданные также обозначают поддержку диалогового режима и интерфейса вызова инструментов. Модель предназначена для генерации текста и диалогового взаимодействия. Длина контекста составляет 131 072 токена. README сообщает, что модель обучена с нуля, но не содержит сведений о датасете, назначении обучения или оценке качества. Лицензия в предоставленных данных не указана.

mergekit-community/LWM-14b-Text-Chat-1M — текстовая чат-модель семейства LLaMA, созданная сообществом с помощью mergekit. В README указано слияние методом DARE linear на основе LargeWorldModel/LWM-Text-Chat-1M; в конфигурации одна и та же базовая модель перечислена дважды с весом 1.0. Метаданные указывают 6,6 млрд параметров и контекст до 1 048 576 токенов. Модель предназначена для генерации текста и диалоговых сценариев с длинным контекстом. Она принимает текст и выдаёт текст; в метаданных указаны Transformers и формат safetensors. Язык и специализированная предметная область не обозначены. Лицензия в предоставленных данных не указана.

M7Yamshadowexperiment28_Strangemerges_32T3q — объединённая языковая модель, опубликованная MaziyarPanahi на Hugging Face. Она объединяет модели automerger/M7Yamshadowexperiment28-7B и automerger/Strangemerges_32T3q-7B и основана на плотной архитектуре Mistral с 7,1 млрд параметров. Модель предназначена для генерации текста и может использоваться для диалоговых ответов и математических запросов. Поддерживает контекст до 32 768 токенов. Распространяется в формате safetensors по лицензии Apache-2.0.

DazzlingXeno/MegaMagChron — объединённая текстовая языковая модель на базе Mistral, созданная с помощью mergekit и метода passthrough. В состав вошла dazl1212/MagnumChronos. Модель содержит 20,7 млрд параметров, работает с текстом и предназначена для генерации текста в диалоговом формате. Заявленная длина контекста — 1 024 000 токенов. Репозиторий содержит веса в формате safetensors. Лицензия и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

Meissa-Qwen2.5-7B-Instruct-Q4_K_M-GGUF — квантизированная версия модели Meissa-Qwen2.5-7B-Instruct, разработанной Orion-zhen и преобразованной пользователем yemiao2745 в формат GGUF с помощью llama.cpp и GGUF-my-repo. Модель предназначена для генерации текста и использования в диалоговых и прикладных сценариях, поддерживаемых исходной instruct-моделью. В карточке указаны китайский и английский языки, а также наборы данных для обучения и доработки, включающие текстовые, структурированные, литературные и ролевые примеры. Модель относится к семейству Qwen2.5 и имеет размер 7B параметров согласно идентификатору и названию исходной модели. Квантизация Q4_K_M уменьшает требования к памяти и делает запуск более доступным на локальном оборудовании, однако может снижать точность по сравнению с полноразмерными или менее квантизированными версиями. Формат GGUF ориентирован на запуск через llama.cpp; в README приведены примеры работы в режиме командной строки и серверном режиме. Значение контекста 2048 указано только в примере запуска и не подтверждает максимальный размер контекстного окна. Модель подходит для локальной генерации текста, чат-интерфейсов и задач, где важны автономность и умеренные требования к ресурсам. При этом в карточке отсутствуют подробные сведения о фактической архитектуре, максимальном контексте, производительности, качестве на бенчмарках и ограничениях безопасности, поэтому эти характеристики нельзя оценить по представленным данным. Лицензия указана как GPL-3.0.

Menlo_Lucy-128k-GGUF — это GGUF-квантизированная версия модели Lucy-128k, разработанной Menlo и подготовленной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Из README известно, что модель рассчитана на контекст до 128k токенов, однако сведения о точной архитектуре, числе параметров, поддерживаемых языках и мультимодальности не приведены. Доступны варианты от BF16 до различных Q2–Q8- и IQ-квантизаций размером примерно от 0,75 до 3,45 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, а низкие требуют меньше оперативной памяти, но сильнее ограничивают качество генерации. Сильной стороной модели является широкий выбор форматов для локального запуска и возможность подобрать баланс между качеством, размером и требованиями к памяти. При этом README предупреждает, что для модели не указана специальная chat template и стандартный формат prompt может быть некорректным; перед использованием рекомендуется проверить оригинальную карточку Menlo/Lucy-128k. Лицензия в предоставленных данных не указана.

Mistral-T5-7B-v1 — дообученная Ignos языковая модель на архитектуре Mistral для генерации текста и улучшения выполнения инструкций. Она основана на Toten5/Marcoroni-neural-chat-7B-v2 и обучалась на наборе tatsu-lab/alpaca. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на инструкции и запросы в текстовом формате. Веса доступны в формате PyTorch. Лицензия — Apache-2.0. README не приводит результатов оценки качества; заявлено, что модель наследует риски и ограничения базовых моделей.

NeuralLLaMa-3-8b-DT-v0.1 — объединённая плотная авторегрессионная языковая модель семейства Llama от автора репозитория Kukedlc. Она предназначена для генерации текста и диалогов. Модель содержит 7,5 млрд параметров, принимает текст, выдаёт текст и поддерживает контекст до 8192 токенов. Модель собрана методом DARE-TIES из трёх моделей: mlabonne/ChimeraLlama-3-8B-v2, nbeerbower/llama-3-stella-8B и uygarkurt/llama-3-merged-linear; в конфигурации также указан NousResearch/Meta-Llama-3-8B. README приводит результаты оценки на IFEval и BBH, но не описывает отдельную специализацию или гарантии качества. Репозиторий содержит веса в формате Safetensors. Указана лицензия «other», поэтому условия использования следует сверить с лицензиями базовых моделей и полными условиями репозитория.