II.1Анализ требований и архитектура ПО

Qwen3.8-27B-Opus-Distill-v2 — плотная мультимодальная модель семейства Qwen, созданная barozp дообучением Qwen/Qwen3.8-27B методом LoRA с последующим объединением адаптера с базовыми весами. Дообучение выполнено на 11 716 примерах с проверенными трассами рассуждений Claude Opus; по данным карточки, набор очищен от строк с проблемным шаблоном и непроверенных источников. Модель предназначена для диалогов, анализа изображений и решения многошаговых задач с рассуждением. В README приведены результаты тестирования на логических и научных заданиях, а также проверка исправления ошибки зацикливания при совместном задании ограничений формата. Возможности зрения и MTP унаследованы от базовой модели и в этом дообучении не менялись. Модель принимает текст и изображения и генерирует текст; контекстная длина и поддерживаемые естественные языки в предоставленных данных не описаны. Модель распространяется под лицензией Apache-2.0. Карточка сообщает об исправлении конкретного случая зацикливания, но это не гарантирует его отсутствия во всех сценариях; приведённые бенчмарки ограничены режимом 0-shot, loglikelihood и QUICK с лимитом 500 примеров.

Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — это многоэтапная fine-tune и merge-сборка модели Qwen3.8 с 27 млрд параметров, опубликованная trinityomni на основе версии DavidAU Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. В разработке использовались методы Cold Fusion и Fable Fusion, а также инструменты Unsloth. Репозиторий содержит обычные и MTP GGUF-квантизации, включая варианты с точностью 4 и 8 бит, ориентированные на запуск на потребительском оборудовании. Модель предназначена для общих задач, рассуждений, программирования, creative writing, художественной прозы, ролевых сценариев и работы с различными жанрами текста. В карточке указаны английский и китайский языки; также заявлен pipeline image-text-to-text, однако подробности о поддерживаемых визуальных входах и мультимодальной архитектуре не приведены. Размер контекста не указан. Основной акцент сделан на сокращении объёма рассуждений и ускорении генерации при сохранении детализации ответа, включая поддержку трёх режимов мышления и MTP. По утверждению авторов карточки, модель превосходит базовую Qwen3.8-27B и ряд других моделей в семи ключевых бенчмарках, а результаты ARC-C и ARC-E составляют соответственно до 735 и 880 для 8-битной версии; эти показатели являются заявленными разработчиками и не сопровождаются независимой верификацией в README. Сильными сторонами считаются скорость, сниженное избыточное рассуждение, навыки программирования и генерации творческого текста. Ограничения включают отсутствие данных о контекстном окне, системных требованиях, точных характеристиках мультимодальности и независимых тестах; из-за uncensored и abliterated-настройки модель может чаще выдавать небезопасный или нежелательный контент. Указанная лицензия — Apache-2.0.

empero-ai/Qwen3.8-9B-Distill-GGUF — набор GGUF-квантизаций модели, разработанной Empero. Это дистилляция крупной Qwen3.8 2.4T A95B в архитектуру Qwen3.5-9B, предназначенная для генерации текста и запуска в llama.cpp, Ollama, LM Studio, Jan, KoboldCpp и других совместимых средах. Указан английский язык; поддерживаемые модальности и размер контекста в карточке не уточняются. Модель имеет гибридную архитектуру Qwen3.5 с тремя слоями Gated DeltaNet на каждый слой полной attention-механики и ориентирована на reasoning-сценарии. В карточке приведены варианты от Q4_K_M размером 5,780 GB до BF16 размером 18,407 GB; рекомендуемым считается Q4_K_M как оптимальный баланс качества и объёма. Для работы требуется современная сборка llama.cpp с поддержкой Qwen3.5 и Gated DeltaNet. Модель использует встроенный шаблон чата и формирует рассуждения в блоках <think>, которые при необходимости следует удалять из пользовательского вывода. По заявленным оценкам исходной модели, дистилляция заметно улучшает результат на MMLU по сравнению с базовой Qwen3.5-9B, однако немного уступает ей на GSM8K. К ограничениям относятся необходимость совместимого рантайма, потребность в дополнительной памяти под KV-кэш при длинном контексте и отсутствие в этой карточке подробных бенчмарков и рекомендаций по применению. Веса распространяются по лицензии Apache-2.0.

Qwen3.8-Flash-Next-MLX-8bit — это 8-битная сборка модели Qwen3.8-Flash-Next, разработанная PipeNetwork для работы через MLX на компьютерах с Apple Silicon. Модель предназначена прежде всего для генерации текста, включая программирование, ответы на запросы и другие сценарии текстового вывода. В текущем runtime поддерживается только текстовый режим, хотя в составе checkpoint присутствует vision tower. Модель использует гибридную архитектуру Gated-DeltaNet и sparse attention с разреженной Mixture-of-Experts-структурой: всего около 125 млрд параметров, из которых примерно 6 млрд активируются на токен (125B-A6B). Также используется hashed n-gram embedding объёмом около 51 млрд параметров. Контекст и поддерживаемые языки в README не указаны. Модель преобразована в формат MLX и занимает около 192,2 ГБ на диске; большая часть весов квантована в 8 бит, отдельные управляющие компоненты и vision tower сохранены в bfloat16. 4B multi-token-prediction head не включён. По данным README, 8-битная версия сохраняет качество, статистически неотличимое от исходной bfloat16-модели на тесте wikitext-2, при существенно меньшем размере. Ограничения включают очень высокие требования к памяти, необходимость собственного runtime с поддержкой удалённого кода и привязку к экосистеме Apple Silicon и MLX. Лицензия — Qwen Community License 1.0.

Qwen3-Next-80B-A3B-Thinking r22 — экспериментальный чекпойнт на базе Qwen/Qwen3-Next-80B-A3B-Thinking. В карточке указано, что это MoE-модель с маршрутизируемыми экспертами, усреднённо хранящимися при 2,0161 бита; остальные веса — BF16. Метаданные указывают 2,3 млрд параметров, контекст до 262 144 токенов и библиотеку Transformers. Веса представлены в safetensors и загружены в деквантованном виде в BF16-тензоры; заявлена совместимость со стандартными Transformers и vLLM. Модель предназначена для генерации текста и диалогового использования, включая сложные рассуждения и вызов инструментов через соответствующий интерфейс. Русский язык карточкой не заявлен, поэтому языковая поддержка здесь не уточняется. Чекпойнт помечен как внутренний исследовательский; лицензия наследуется от базовой модели.

Модель valixonov04/qwen-7b-kiberagent-full разработана valixonov04 и представляет собой дообученную версию valixonov04/qwen-7b-kiberbase на архитектуре Qwen2 с 7,1 млрд параметров. Это плотная авторегрессионная языковая модель для генерации текста и диалогового общения; при обучении использовались Unsloth и Hugging Face TRL. Модель подходит для генерации ответов и ведения текстового диалога. Поддерживает контекст до 131 072 токенов; в карточке указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

bunnycore/Qwen-7B-MixLow — объединённая модель генерации текста, созданная автором репозитория с помощью mergekit методом Linear из трёх языковых моделей: bunnycore/FuseQwQen-7B, bunnycore/Qwen-2.5-7B-Deep-Stock-v1 и fblgit/cybertron-v4-qw7B-UNAMGS. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; для работы с текстом указан контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового использования; метаданные также отмечают интерфейс вызова инструментов. Репозиторий содержит веса в формате safetensors. Сведения о целевых языках, специализированных областях и условиях лицензии в предоставленных данных отсутствуют.

R1 1776 — языковая модель рассуждений семейства DeepSeek-R1, дообученная Perplexity AI для ответов на чувствительные темы с уменьшенным влиянием цензурных ограничений. Модель предназначена для диалогов, ответов на вопросы и задач, требующих пошагового рассуждения, включая математику. По данным карточки, при дообучении сохранялись способности к рассуждению; README сообщает о результатах на нескольких бенчмарках на уровне базовой R1. Это плотная авторегрессионная модель DeepSeek V3 с 37,6 млрд параметров и контекстом до 163 840 токенов. Она принимает текст и генерирует текст; в метаданных указана поддержка английского языка и интерфейс для вызова инструментов. Модель распространяется в формате Safetensors по лицензии MIT. Оценки устойчивости к цензурным отказам и сохранения математических способностей приведены разработчиком; результаты могут зависеть от запросов и условий оценки. Снижение цензурных ограничений не гарантирует точности ответов и не исключает ошибок или вредного содержания.

RajLlama-3.1-8B-v3 — чат-модель семейства Llama, разработанная rm8630 и дообученная на базе unsloth/Meta-Llama-3.1-8B-bnb-4bit. Она предназначена для генерации текста в диалогах и других сценариях, где требуется отвечать на текстовые запросы. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Карточка указывает английский язык; обучение проводилось с использованием Unsloth и библиотеки TRL. Модель распространяется по лицензии Apache-2.0.

Ramonda-7B-DPO-TIES — объединённая языковая модель, созданная mayacinka методом TIES с помощью LazyMergekit на основе paulml/OGNO-7B и bardsai/jaskier-7b-dpo-v4.3. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она предназначена для генерации текста и диалоговых ответов. Контекстное окно составляет до 32 768 токенов. В README приведены результаты оценок на наборах Open LLM Leaderboard и LLM AutoEval; они не гарантируют аналогичное качество в конкретных приложениях. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не уточняет поддерживаемые языки и специальные ограничения; фактическое качество зависит от запроса и сценария применения.

Raptor 0.6.1 preview — компактная плотная языковая модель на архитектуре Spark 2.5, разработанная OsaurusAI как лёгкое дообучение XHToken/Spark-X2.5-4B. Модель содержит 3,8 млрд параметров и предназначена для диалога, рассуждений и работы с инструментами. Поддерживает английский и китайский языки; заявленный контекст — до 1 048 576 токенов. Это сборка JANG_6M для Apple Silicon: веса внимания и связанного эмбеддинга представлены в 8-битном формате, веса MLP используют 6-битный бюджет, а масштабы групп хранятся в bfloat16. Для запуска требуется Osaurus версии 0.25.0 или новее; README отмечает, что стандартная библиотека mlx-lm пока не поддерживает архитектуру spark2_5. Модель распространяется по лицензии Apache-2.0. Это предварительная практическая версия, которая может ошибаться, как и другие модели такого размера. Для сложных запросов цепочки рассуждений могут превышать 8 192 выходных токенов, поэтому нужно учитывать бюджет генерации вместе с входным контекстом. Метаданные также указывают интерфейс вызова инструментов.

Rombos-LLM-V2.6-Qwen-14b — диалоговая языковая модель автора Rombodawg, представленная как обновлённая версия Rombos-LLM-V2.5-Qwen-14b. Это плотная модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-14B-Instruct; она содержит 14 млрд параметров и предназначена для генерации текста и диалогов. Карточка сообщает о результатах ручного сравнения с предыдущей версией и приводит оценки IFEval и BBH, но подробности метода дообучения и бенчмарков ограничены. Модель работает через Transformers, распространяется в формате safetensors и поддерживает контекст до 131 072 токенов. Метаданные указывают на интерфейс вызова инструментов, однако README не описывает его применение. Лицензия — Apache-2.0. Языки и специальные предметные области в карточке не обозначены.

arcee-ai выпустила saul-mistral-v0.2-7b-slerp — объединённую с помощью mergekit модель для диалоговой генерации текста. Она объединяет Equall/Saul-Base и mistralai/Mistral-7B-Instruct-v0.2 методом SLERP; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и поддерживает контекст до 32 768 токенов. Модель подходит для диалогов и ответов на инструкции в приложениях на базе Transformers. Репозиторий содержит веса в формате safetensors и опубликован под лицензией Apache-2.0. Карточка не описывает отдельные специализированные навыки или оценки качества этой версии.

JetLM/SDAR-30B-A3B-Chat — разговорная языковая модель семейства SDAR, разработанная авторами SDAR. Она сочетает авторегрессионное обучение с дискретным диффузионным моделированием, чтобы поддерживать параллельную генерацию при сохранении качества, сопоставимого с сильными авторегрессионными моделями. В каталоге указано 2,6 млрд параметров; архитектура — MoE на базе SDAR, формат весов — safetensors, библиотека — Transformers. Контекст составляет до 32 768 токенов. Модель предназначена для диалоговой генерации текста и может применяться для ответов на вопросы, ведения чата и рассуждений. В описании семейства SDAR заявлены эффективность обучения и вывода, а также результаты на задачах научного рассуждения; эти выводы относятся к экспериментам авторов и не гарантируют качество для любой задачи. Модель распространяется по лицензии Apache-2.0.

Seraph-openchat-3.5-1210-Slerp — текстовая генеративная модель на архитектуре Mistral, созданная Weyaxi слиянием моделей через mergekit и метод Slerp. В конфигурации указаны Weyaxi/Seraph-7B и openchat/openchat-3.5-1210; базовой моделью названа mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового использования. Она распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит сравнительных оценок качества или детальных результатов тестирования.

shisa-7b-v1-Mistral-7B-Instruct-v0.2-slerp — объединённая методом SLERP модель генерации текста на базе Mistral-7B-Instruct-v0.2 и shisa-7b-v1. Она предназначена для диалогов и ответов на инструкции; архитектура — плотная авторегрессионная Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель рассчитана на текстовый ввод и выдачу текста. Объединение выполнено в формате bfloat16 с помощью MergeKit. README не уточняет языки и специализированные области применения, поэтому их нельзя определить по доступным данным. Модель распространяется по лицензии Apache-2.0.

jaspionjader/sof-11 — объединённая автором модель семейства Llama, созданная из предварительно обученных языковых моделей с помощью mergekit и метода Model Stock. В качестве базовой использована jaspionjader/sof-6, также в объединение вошли jaspionjader/sof-9 и jaspionjader/sof-10. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Языки и специализация по предметным областям в доступных сведениях не определены. Условия лицензирования и конкретные ограничения на применение в карточке не описаны. Как и другие языковые модели, она может выдавать неточные или выдуманные сведения; качество ответов зависит от запроса и сценария использования.

SOLAR-DUS-implement — текстовая генеративная модель на архитектуре Llama, созданная Cartinoe5930 с помощью LazyMergekit. Это слияние двух диапазонов слоёв модели Cartinoe5930/Llama2_init_Mistral методом passthrough; опубликованные веса имеют формат Safetensors и тип float16. Модель содержит 10,6 млрд параметров, а её контекст составляет 4096 токенов. Модель предназначена для генерации текста и может применяться для диалогов, написания черновиков и ответов на вопросы. В README приведены результаты на задачах ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Указанная лицензия — Apache-2.0. Языковая специализация и отдельные ограничения в карточке не описаны.

Speechless-Llama2-13B v1.1 — языковая модель на базе Llama 2 от Meta, объединённая из Open-Orca/OpenOrca-Platypus2-13B и WizardLM/WizardLM-13B-V1.2. Это плотная авторегрессионная трансформерная модель с 12,9 млрд параметров, предназначенная для генерации текста и выполнения инструкций в формате Alpaca. Контекст составляет до 4096 токенов; модель принимает и выдаёт текст, основным языком применения является английский. Модель подходит для ответов на вопросы, следования инструкциям и генерации текстов. В README приведены результаты ARC 62,03, HellaSwag 81,85 и MMLU 58,52. Доступны варианты GPTQ и GGUF с разной разрядностью для GPU или CPU и GPU; также упомянут устаревший формат GGML. Репозиторий содержит веса safetensors. Использование регулируется лицензией Llama 2 от Meta, для доступа к весам требуется принять её условия. Как и другие языковые модели, она может выдавать неточные, предвзятые или нежелательные ответы; перед внедрением в конкретное приложение требуется оценка поведения и настройка безопасности.

Gille/StrangeMerges_10-7B-slerp — языковая модель, созданная слиянием flemmingmiguel/MBX-7B-v3 и Gille/StrangeMerges_9-7B-dare_ties методом slerp с помощью LazyMergekit. Это плотная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; заявленная длина контекста — до 32 768 токенов. В карточке приведены результаты Open LLM Leaderboard, включая показатели на AI2 Reasoning Challenge и HellaSwag. Модель подходит для генерации ответов и рассуждений по текстовым запросам. Данные не подтверждают специализацию на конкретном языке или прикладной области. Репозиторий распространяется по лицензии Apache-2.0.

StrangeMerges_15-7B-slerp — объединённая языковая модель, созданная Gille с помощью LazyMergekit из Gille/StrangeMerges_14-7B-slerp и CultriX/Wernicke-7B-v9. Это плотная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; контекст составляет до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая средний балл 72,41, но подробные результаты представлены не полностью. Модель распространяется в формате safetensors по лицензии Apache-2.0.

StrangeMerges_16-7B-slerp — объединённая языковая модель семейства Mistral, опубликованная Gille. Она создана методом SLERP с помощью LazyMergekit на основе Gille/StrangeMerges_15-7B-slerp и SanjiWatsuki/Kunoichi-7B. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и принимает текст для генерации текста; заявленная длина контекста — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев общего назначения. В README приведены результаты оценивания на Open LLM Leaderboard, включая ARC и HellaSwag, но эти показатели сами по себе не гарантируют качество на конкретных задачах. Модель распространяется под лицензией Apache-2.0.

StrangeMerges_39-7B-dare_ties — объединённая модель Gille, созданная с помощью LazyMergekit на основе Gille/StrangeMerges_33-7B-slerp, Gille/StrangeMerges_17-7B-dare_ties и NousResearch/Hermes-2-Pro-Mistral-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Модель подходит для генерации ответов в чате, продолжения текста и выполнения текстовых инструкций. Данные не описывают отдельную специализацию по языкам или прикладным областям, поэтому языки и домены не уточняются. Лицензия в предоставленных сведениях не указана.

StrangeMerges_43-7B-dare_ties — текстовая генеративная модель на архитектуре Mistral с 7,1 млрд параметров, созданная Gille объединением моделей с помощью LazyMergekit. В состав объединения входят Gille/StrangeMerges_21-7B-slerp, liminerity/M7-7b и Gille/StrangeMerges_42-7B-dare_ties; в конфигурации указаны метод dare_ties и точность bfloat16. Модель предназначена для генерации текста и диалоговых сценариев, а контекст составляет до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. Карточка не описывает отдельные специализации или языки модели.

SuperQwen3.8-abliterated-Venice-i1-GGUF — набор GGUF-квантизаций модели SuperQwen3.8-abliterated-100-fp8, разработанной Jiunsong и квантованной mradermacher. Модель предназначена для локального запуска задач генерации текста, рассуждений, работы с изображениями и текстом, вызова инструментов и сценариев с длинным контекстом. В карточке также указана поддержка английского и корейского языков. Это мультимодальная vision-модель с архитектурой и размером исходной модели, а также максимальной длиной контекста, не указанными в README. Доступны варианты i1-квантизации от i1-Q2_K размером около 11 ГБ до i1-Q6_K размером около 22,5 ГБ, включая IQ-квантизации. Разные варианты позволяют выбирать компромисс между размером, скоростью и качеством; для работы с изображениями могут потребоваться отдельные mmproj-файлы из статического репозитория. К сильным сторонам относятся мультимодальность, поддержка рассуждений, tool-calling, длинного контекста и широкий выбор квантизаций, включая варианты, оптимизированные по матрице важности. Ограничения — отсутствие в README точных сведений о характеристиках архитектуры, контекстном окне, производительности и качестве на тестах; качество также зависит от выбранного уровня квантизации. Модель распространяется по лицензии Apache-2.0.

Swift-Qwen3.8-27B-Genesis-F16-GGUF — мультимодальная модель на базе Swift-Qwen3.8-27B, опубликованная LuffyTheFox. Автор применил к весам метод Genesis для численной коррекции тензоров; модель распространяется в формате GGUF F16 и рассчитана на запуск в llama.cpp, LM Studio, koboldcpp и других совместимых средах. Лицензия — Apache-2.0. Модель предназначена для диалогов, анализа изображений и видео, а также задач общего назначения, включая программирование. README указывает плотную архитектуру на 27 млрд параметров с визуальным энкодером, 64 слоями языковой модели и контекстом 262 144 токена; заявлена возможность расширения контекста до 1 000 000 токенов при поддержке со стороны среды запуска. Указана поддержка текста, изображений и видео, однако для работы с изображениями нужен отдельный файл mmproj. Автор описывает Genesis как постобработку тензоров без переобучения и заявляет, что она снижает шум весов, сохраняя выученные знания. Эти заявления не сопровождаются в карточке независимыми результатами оценки. Для работы с шаблоном диалога рекомендуется llama.cpp с флагом --jinja; README также советует использовать контекст не менее 128K токенов для сохранения возможностей рассуждения. Модель помечена как uncensored; качество и поведение на разных задачах могут отличаться от заявлений автора.

MaziyarPanahi/T3qm7xNeuralsirkrishna_Experiment26Experiment30 — объединённая модель Mistral с плотной архитектурой и 7,1 млрд параметров, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment26Experiment30-7B. Она предназначена для генерации текста и диалоговых сценариев; принимает текст и может обрабатывать контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna_Experiment28Experiment29 — объединённая автором MaziyarPanahi языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment28Experiment29-7B. Модель предназначена для генерации текста и диалогов; максимальная длина контекста составляет 32 768 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. README и метаданные не описывают специализированные предметные области или конкретные ограничения качества.

T3qm7xpNeuralsynthesis-7B — автоматически собранная Maxime Labonne языковая модель для генерации текста на основе архитектуры Mistral. В README указано слияние моделей методом dare_ties с параметрами density 0,53 и weight 0,6; метаданные каталога связывают её с Kukedlc/NeuralSynthesis-7b-v0.4-slerp. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов; файлы опубликованы в формате Safetensors. Модель предназначена для генерации текста и диалогов. В метаданных указана лицензия Apache-2.0. README также упоминает nlpguy/T3QM7XP в конфигурации слияния, поэтому состав участвовавших моделей в источниках описан неодинаково.

T3qT3qm7xp-7B — автоматическое объединение моделей, созданное Maxime Labonne методом DARE-TIES на основе моделей T3Q-Mistral-Orca-Math-DPO и T3QM7XP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров для генерации текста и диалоговых ответов; поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Её можно использовать для генерации продолжений, ведения диалога и ответов на текстовые запросы. В конфигурации объединения для T3QM7XP заданы плотность 0,53 и вес 0,6, используется int8-маска, а тип данных указан как bfloat16. Репозиторий предоставляет веса для Transformers. Языки и специализированные области применения в предоставленных данных не подтверждены, поэтому модель описывается как общего назначения. Лицензия — Apache-2.0.