II.1Анализ требований и архитектура ПО

Qwen3.5-397B-A17B-MLX-6bit — это 6-битная квантованная версия модели Qwen3.5-397B-A17B, разработанной командой Qwen. Квантование выполнено командой LM Studio с использованием MLX и mlx-vlm, при этом модель оптимизирована для запуска на устройствах с Apple Silicon. Модель относится к классу image-text-to-text и предназначена для задач генерации текста на основе текстовых и, вероятно, визуальных входных данных. В доступной карточке не указаны точные сведения об архитектуре, числе активных параметров, поддерживаемых языках, размере контекста, форматах изображений и результатах оценки качества. Ключевое преимущество версии — сниженные требования к памяти по сравнению с полноразмерной моделью и адаптация к экосистеме Apple Silicon; ограничением является зависимость от совместимого MLX-окружения и потенциальная потеря точности из-за 6-битного квантования. Модель распространяется по лицензии Apache-2.0. Исходная модель создана Qwen, а данная MLX-квантизация предоставлена LM Studio; LM Studio отдельно указывает, что не является создателем исходной модели и не гарантирует точность, безопасность или пригодность генерируемого содержимого.

Qwen3.5-9B-Unredacted-MAX — дообученная мультимодальная модель семейства Qwen от prithivMLmods, основанная на Qwen/Qwen3.5-9B. Она предназначена для диалогов и обработки изображений с текстом, а также для локального и облачного инференса, прототипирования, исследований следования инструкциям и тестирования устойчивости. Модель содержит 9 млрд параметров, использует плотную архитектуру Qwen3.5 и распространяется в формате safetensors для Transformers; заявлена совместимость с современными конвейерами Transformers. В карточке сообщается о модификации отказов и приводятся самоотчётные показатели поведения на 2000 тестовых запросах; это не независимый бенчмарк. Возможны неверные или непоследовательные ответы, особенно в сложных сценариях, а результаты зависят от промпта и настроек генерации. Для оптимальной производительности рекомендуется ускорение на GPU. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B · Winnow keep-50 — это производная модель семейства Qwen, созданная методом структурного прореживания routed-экспертов. Разработчик уменьшил промежуточную ширину каналов SwiGLU-экспертов на 50% по оценкам важности, сохранив без изменений механизм внимания, эмбеддинги и маршрутизатор. В README указано 18,5 млрд параметров, тогда как метаданные каталога сообщают 2,9 млрд; эти сведения расходятся. Архитектура — MoE для причинной генерации текста, модель поддерживает диалоговый сценарий и принимает до 262 144 токенов контекста. Модель предназначена для генерации текста и диалогов. На тесте C4 для этого чекпойнта указана perplexity 14,69 на 32 последовательностях длиной 2048 токенов; README отсылает к отдельной работе за сравнением с REAP и результатами downstream-тестов. Для запуска требуется Transformers версии 5 или новее и trust_remote_code=True; README описывает обслуживание через vLLM с плагином winnow и поддержку запуска на двух GPU по 24 ГБ. Лицензия — Apache-2.0.

Qwen3.8-27B-Abliterated-GSQ-Orca-GGUF — экспериментальная GGUF-модель на 27 млрд параметров, разработанная автором репозитория ayozhee для локального запуска. Она основана на GSQ-RCO IQ2_S-MTP и объединяет его квантованные веса с выборочно заменёнными матрицами из orcarouter/Qwen3.8-27B-Uncensored. Модель предназначена для генерации текста, рассуждений, решения математических задач и программирования на совместимых локальных средах, включая llama.cpp. Abliteration снижает склонность модели к отказам, но может влиять на поведение и безопасность ответов. Файл имеет формат GGUF, размер около 9,61 ГБ, использует смешанное квантование IQ2_S и включает MTP для спекулятивного декодирования. Токенизатор и большая часть тензоров сохранены из исходной GSQ-модели; всего заменена 131 матрица. Тестирование проводилось на RTX 3060 с 12 ГБ памяти: модель показала скорость декодирования около 35,65 токена/с на коротких запросах и успешно прошла заявленные проверки генерации. В небольшом локальном сравнении она получила 27/30 в IFEval, 30/30 в GSM8K и 30/30 после нормализации извлечения в HumanEval. Модель ориентирована на пользователей, которым нужен компактный локальный вариант для ограниченных GPU. Заявленный настроенный предел контекста составляет 16 384 токена, при этом отдельное измерение проводилось с историей на 30,6 тыс. токенов; производительность при полностью занятом контексте 65 тыс. токенов не оценивалась. Результаты основаны на небольших выборках и единичных запусках, поэтому не заменяют полноценные бенчмарки. Модель распространяется по лицензии Apache-2.0.

Qwen3.8-27B-Brainwaves — экспериментальная объединённая модель от независимой лаборатории NightmediaAI. В README указано слияние нескольких моделей семейств Qwen3.6 и Qwen3.8; метаданные подтверждают архитектуру Qwen3.5/Qwen3_5ForConditionalGeneration, 27 млрд параметров в названии и поддержку изображений. Модель предназначена для диалогов, следования инструкциям, рассуждений и анализа изображений; в карточке также заявлены творческое письмо, математика, STEM и программирование. Модель опубликована в формате Safetensors и работает через Transformers. Карточка приводит результаты тестов для одного из компонентов слияния, но не даёт сопоставимой оценки итоговой модели. Метаданные указывают английский, китайский, японский и испанский языки. Лицензия — Apache-2.0.

Donfagez/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NEO-CODER-MAX-MTP-GGUF — это набор GGUF-квантизаций многоэтапной дообученной и объединённой модели, созданной на базе DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. В README указано, что разработка выполнялась с использованием Unsloth, методов COLD FUSION и Fable Fusion 711, а также датасетов DavidAU/Polar-STRICT-Datasets и DavidAU/F451-STRICT-Datasets. Модель распространяется под лицензией Apache-2.0. Модель предназначена для широкого спектра задач: решения задач и рассуждений, программирования, творческого письма, создания художественных текстов и ролевых сценариев. Заявлены режимы thinking и reasoning, а также поддержка нескольких режимов работы с уменьшенным объёмом рассуждений и ускоренной генерацией, включая MTP-варианты. Репозиторий содержит обычные GGUF-квантизации и MTP GGUF-квантизации, в том числе варианты с разрядностью 4 и 8 бит. Заявленные языки — английский и китайский; при этом в метаданных указан pipeline_tag image-text-to-text, но подробности о поддержке изображений в README не приведены. Ключевая характеристика модели — размер базовой модели 27B и ориентация на высокую детализацию, программирование и снижение избыточного рассуждения. Автор заявляет превосходство над базовой Qwen3.8 27B и рядом других моделей на семи внутренних бенчмарках, а также высокие результаты ARC-C и ARC-E, однако эти утверждения не подтверждены независимыми данными в представленном README. Ограничения включают отсутствие сведений о размере контекстного окна, точной архитектуре, системных требованиях, фактической мультимодальности и результатах внешнего тестирования; характеристики зависят от выбранной квантизации.

xaionaro/qwen38-fcf-gguf — открытая многоэтапная fine-tune- и merge-модель на базе Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU. В README указано, что разработка выполнялась командой автора с использованием Unsloth, методов COLD FUSION и Fable Fusion. Модель распространяется в формате GGUF, включая обычные и MTP-квантизации Neo-CODER MAX DI-MATRIX; заявлены варианты с разрядностью 4 и 8 бит. Размер базовой модели — 27 млрд параметров. Модель предназначена для широкого спектра задач: общего диалога, решения задач и рассуждений, программирования, творческого письма, художественной прозы и ролевых сценариев. Заявленная особенность — сокращённый объём thinking-токенов по сравнению с обычной Qwen3.8, что должно уменьшать задержку и расход токенов при сохранении подробности ответов. В метаданных указаны английский и китайский языки. Поддержка контекста, точный набор модальностей и дополнительные архитектурные характеристики в README не описаны; тег image-text-to-text сам по себе не позволяет надёжно подтвердить полноценную работу с изображениями. К сильным сторонам относятся ориентация на высокую детализацию, рассуждения, код и творческие задачи, а также наличие квантизированных сборок для запуска на потребительском оборудовании. Автор заявляет превосходство над рядом базовых моделей в семи бенчмарках и высокие результаты ARC, однако эти утверждения требуют независимой проверки. Ограничениями являются отсутствие подробных воспроизводимых данных о тестировании, неизвестные требования к памяти и производительности для конкретных квантов, а также uncensored-профиль, который может приводить к генерации небезопасного или нежелательного контента. Указанная лицензия — Apache-2.0.

Akicou подготовил экспериментальную сжатую версию Qwen/Qwen3.8-Flash-Next для генерации текста и диалогов. В модели используется архитектура MoE; по метаданным, она содержит 5,1 млрд параметров и поддерживает контекст до 262 144 токенов. Модель принимает текст и выдаёт текст; в карточке указана поддержка английского языка. Сжатие выполнено методом Router Expert Activation Merging: маршрутизируемые эксперты сгруппированы по сходству и объединены с взвешиванием по значимости. Число таких экспертов сокращено с 512 до 308 на слой, а общий состав модели и маршрутизатор скорректированы соответственно. Авторы называют выпуск экспериментальным и не приводят результатов бенчмарков. Для загрузки требуется trust_remote_code=True, как и для базовой модели. Лицензия в предоставленных данных не указана.

logic65/Qwen3.8-Whittle-MoE-27B-A17.8B-GGUF — это квантизированная GGUF-версия модели Whittle MoE 27B (A18B), разработанной logic65 на основе Qwen3.8-27B. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, где важны рассуждения, структурированные ответы и корректное завершение генерации. Доступны варианты с разным уровнем квантизации от Q8_0 до Q3_K_M; размер файлов составляет примерно от 13,9 до 28,7 ГБ в зависимости от версии. Архитектура использует mixture-of-experts: на каждом токене активируется 16 из 64 экспертных блоков, а маршрутизатор сохраняется в формате F16. Точные поддерживаемые языки и размер контекста в README не указаны. К сильным сторонам относятся улучшенное завершение ответов и цепочек рассуждений, снижение риска зацикливания и обрыва генерации, а также наличие динамических квантизаций DQ, которые сохраняют повышенную точность для маршрутизатора, общих экспертов, механизма внимания, эмбеддингов и выходной головы. Версия v2.2.1 исправляет большинство случаев завершения внутри блока рассуждений, однако модель по-прежнему слаба в длинных списках и точном подсчёте заданного количества элементов; повторение 4-грамм остаётся выше целевого уровня. Для использования визуальных входов предусмотрен отдельный опциональный проектор mmproj-qwen38.gguf, но полноценные возможности и поддерживаемые модальности в README описаны неполно. Модель распространяется по лицензии Apache-2.0. Для запуска требуются совместимые инструменты GGUF, например llama.cpp, и объём оперативной или видеопамяти, зависящий от выбранного варианта квантизации; рекомендуемые требования для отдельных файлов приведены в карточке модели.

Qwopus3.6-27B-v2 — плотная мультимодальная модель с 27 млрд параметров, созданная Jackrong путём дообучения Qwen3.6-27B. Модель принимает текст и изображения и формирует текстовые ответы; карточка заявляет поддержку диалога, вызова инструментов и длинного контекста. Модель дообучена методом SFT в три этапа на наборах Trace Inversion с реконструированными цепочками рассуждений, включая примеры логики и математики. Она предназначена для сложных рассуждений, диалоговых и агентных сценариев, а также для задач с изображениями и инструментами. В карточке описаны структурированные рассуждения и согласованный формат тегов <think>; также приведены результаты на наборе из 350 вопросов MMLU-подобного типа и данные об эффективности генерации, но они не заменяют независимую оценку. Модель распространяется по лицензии Apache-2.0. Автор обозначает выпуск как экспериментальный и сообщает, что он не прошёл полную оценку безопасности и стандартное бенчмаркинг-тестирование.

QwQ-32B — reasoning-модель семейства Qwen от команды Qwen, основанная на Qwen2.5-32B и дообученная с supervised fine-tuning и reinforcement learning. Это плотная причинная языковая модель на 32 млрд параметров для генерации текста и диалогов, рассчитанная на сложные задачи, где полезны рассуждения, в частности решение математических задач и ответы на трудные вопросы. Поддерживает интерфейс вызова инструментов. Архитектура Qwen2 использует RoPE, SwiGLU, RMSNorm и смещение в QKV attention; в модели 64 слоя и grouped-query attention с 40 головами Q и 8 головами KV. README заявляет контекст до 131 072 токенов, тогда как метаданные указывают нативный контекст 40 960 токенов. Для входов длиннее 8 192 токенов README рекомендует включать YaRN; статическое масштабирование в vLLM может снижать качество на коротких текстах. Модель описана как конкурентоспособная с другими reasoning-системами, но конкретные результаты оценки в карточке не приведены. Модель принимает текст и генерирует текст. Карточка указывает английский язык. Для снижения повторов README рекомендует не использовать жадное декодирование и настраивать параметры sampling; при повышении presence penalty возможны смешение языков и небольшое снижение качества. Лицензия — Apache-2.0.

RecurrentGemma 2B IT — разработанная Google instruction-tuned языковая модель из семейства RecurrentGemma. Она использует рекуррентную архитектуру и предназначена для генерации текста по инструкциям, включая диалог, ответы на вопросы, суммаризацию и рассуждения. Модель доступна через Transformers и распространяется в формате safetensors. Google указывает английский как язык версий семейства. По сравнению с Gemma, рекуррентная архитектура требует меньше памяти и ускоряет генерацию длинных последовательностей. Модель подходит для чат-ботов, создания и редактирования текстов, а также для исследовательских и образовательных приложений. Ответы могут содержать фактические ошибки, отражать смещения обучающих данных и хуже справляться со сложными, неоднозначными или открытыми запросами. Лицензия — Gemma; перед использованием следует соблюдать условия Google для Gemma.

Reflection-Llama-3.1-70B-GGUF — это набор GGUF-квантизаций модели Reflection-Llama-3.1-70B, разработанной mattshumer и подготовленной для распространения и запуска bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи, требующие рассуждений и самопроверки. Для запуска рекомендуется использовать llama.cpp или совместимые приложения, например LM Studio. В основе лежит 70-миллиардная текстовая модель семейства Llama 3.1. В README указана поддержка специальных токенов для оформления блоков рассуждений, итогового ответа и рефлексии; для их отображения в llama.cpp требуется включить параметр --special. Доступны варианты квантизации от Q8_0 до Q3 и IQ3/IQ4, примерно от 30,91 до 74,98 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Сведения о языках и размере контекста не приведены. Сильными сторонами являются большой размер модели, варианты высококачественной квантизации и поддержка сценариев с рассуждением и исправлением ошибок. Ограничения зависят от выбранного типа квантизации: более компактные варианты снижают качество. README также предупреждает, что опубликованные веса могут быть неправильными, поэтому модель не следует загружать до устранения проблемы. Для улучшенного рассуждения рекомендован специальный системный промпт. Лицензия указана как llama3.1.

TheBloke/Selfee-13B-fp16 — это версия SelFee 13B от KAIST AI, подготовленная TheBloke в формате PyTorch fp16. SelFee — плотная авторегрессионная языковая модель семейства LLaMA с примерно 12,9 млрд параметров, предназначенная для генерации текста по инструкциям и диалога. Веса получены слиянием diff SelFee с базовой LLaMA 13B и преобразованием из fp32 в fp16. Модель дообучали на инструкциях из нескольких областей, включая математику и программирование, с генерацией ответов, обратной связью и повторными исправлениями. Обучающие данные преимущественно англоязычные; модель может использоваться для диалога, ответов на вопросы, объяснений и написания кода. Контекст составляет 2048 токенов. README указывает на ошибки в математике, рассуждениях, фактической точности и программировании, а также на ограничения использованной оценки. Лицензия в метаданных обозначена как other, конкретные условия в предоставленных данных не раскрыты.

Модель yuhengtu-bytedance/sfm_filtered_e2e_alignment-8k_9k_10k_11k_12k_simpleavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. Для слияния применён линейный метод: базовым чекпойнтом служил global_step12040, вместе с ним объединены чекпойнты global_step8000, global_step9000, global_step10000 и global_step11000. Модель построена на плотной архитектуре GPT-NeoX и содержит 8,8 млрд параметров; доступна в формате safetensors и предназначена для генерации текста и диалогового использования. Нативный контекст — 16 384 токена. Карточка не уточняет языки, предметную специализацию или подробные ограничения качества, поэтому область применения следует считать общей. Условия лицензии в предоставленных данных не приведены.

Модель yuhengtu-bytedance/sfm_filtered_midtrain_alignment-2k_3k_4k_5k_6k_simpleavg_merge — объединённая языковая модель, опубликованная пользователем yuhengtu-bytedance. Она получена методом Linear merge с помощью mergekit из пяти предобученных чекпойнтов на шагах 2000, 3000, 4000, 5000 и 6000; в README чекпойнт global_step6000 указан как базовый для слияния. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и имеет контекстное окно 16 384 токена. Модель предназначена для генерации текста и диалогового общения. Её можно использовать для построения чат-интерфейсов и приложений, которым требуется генерировать ответы на текстовые запросы. Данные не описывают специальные предметные области или поддерживаемые естественные языки, поэтому их нельзя надёжно указать. Модель опубликована в формате safetensors; сведения о лицензии в предоставленных источниках отсутствуют.

Эта модель — объединение трёх предварительно обученных языковых моделей, созданное с помощью mergekit методом Linear. В качестве базовой использована версия global_step10000; в объединение также вошли версии global_step9000 и global_step8000 из одного набора чекпойнтов. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста — 16 384 токена. Репозиторий использует Transformers и хранит веса в формате safetensors. Языки и специализированные прикладные области в доступных сведениях не обозначены. Лицензия в предоставленных данных не указана.

Это объединённая языковая модель, созданная с помощью mergekit и метода Linear merge. В неё вошли контрольные точки обучения на шагах 2000, 3000, 4000, 5000 и 6000; контрольная точка шага 6000 использовалась как базовая при объединении. Модель разработана автором репозитория yuhengtu-bytedance. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает текст для генерации текста. Она поддерживает контекст длиной до 16 384 токенов и имеет интерфейс для диалога, поэтому подходит для генерации ответов и ведения текстовых бесед. В репозитории указаны формат Safetensors и библиотека Transformers. Сведения о лицензии и конкретных языках в предоставленных данных отсутствуют.

sfmunfilterede2ealignment-4k5k6ksimpleavgmerge — объединённая модель генерации текста, созданная с помощью mergekit. В основе объединения лежат три контрольные точки одного проекта обучения: global_step6000 использована как базовая, а global_step5000 и global_step4000 также включены в слияние линейным методом с простым усреднением. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; заявленная длина контекста составляет 16 384 токена. Модель распространяется в формате safetensors. Информация о лицензии и специальных языковых или предметных областях в предоставленных данных отсутствует.

sfmunfilterede2ealignment-7k8k9kweightedavgmerge — объединённая текстовая языковая модель, созданная с помощью mergekit. В README указано, что для слияния применён линейный метод, а базой послужил чекпойнт global_step9000; также включены чекпойнты global_step7000 и global_step8000. Пути к исходным чекпойнтам относятся к локальному каталогу и не позволяют установить публичные идентификаторы базовых моделей. Модель построена на архитектуре GPT-NeoX с плотной архитектурой и предназначена для генерации текста и диалогового использования. В репозитории указаны 8,8 млрд параметров, контекст до 16 384 токенов и формат safetensors. Сведений о специальных предметных областях или конкретных языках обучения нет. Лицензия в предоставленных данных не указана. Карточка описывает способ создания модели, но не приводит оценок качества или подробных ограничений применения.

openaccess-ai-collective/slimorca-gemma2-9b-fft — дообученная модель Gemma 2, созданная на базе axolotl-ai-co/gemma-2-9b с помощью Axolotl. Это плотная авторегрессионная языковая модель с 9 млрд параметров, предназначенная для генерации текста и диалогов. В метаданных заявлена поддержка контекста до 8192 токенов; модель опубликована в формате safetensors и доступна для использования через Transformers. Модель может служить основой для чат-ботов, ответов на вопросы и суммаризации. Карточка не сообщает, на каких данных проводилось дообучение, поэтому нельзя надёжно определить специализацию или ожидаемые преимущества модели. Лицензия — Gemma.

Solar Pro Preview — языковая модель с 22 млрд параметров, разработанная Upstage. Это предварительная версия Solar Pro: модель создана методом масштабирования по глубине на основе Phi-3-medium (14B) и дообучена для следования инструкциям и ведения диалога. Она использует плотную архитектуру Solar и предназначена для генерации текста; заявленная цель — запуск на одном GPU с 80 ГБ видеопамяти. Модель подходит для ответов на вопросы, диалога и выполнения инструкций на английском языке. В карточке указано окно контекста 4096 токенов. По заявлению разработчика, Solar Pro Preview показывает сильные результаты для своего размера, в частности на MMLU-Pro и IFEval; приведённые оценки могут зависеть от аппаратуры и настроек запуска. Это предварительная версия с ограниченным охватом языков: README указывает поддержку английского и отсутствие поддержки системных промптов. Для лицензии MIT условия использования разрешают применение и распространение в рамках лицензии.

Spaetzle-v67-7b — это диалоговая языковая модель на 7,1 млрд параметров, опубликованная пользователем cstr. Она создана слиянием моделей cstr/Spaetzle-v53-7b и cstr/Spaetzle-v55-7b методом DARE-TIES с помощью LazyMergekit; архитектура — плотная Mistral для авторегрессионной генерации текста. Модель предназначена для диалогов и генерации текста, поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии CC BY-SA 4.0. README указывает, что две исходные модели слияния больше не опубликованы, поэтому проследить происхождение их обучающих данных по этой карточке нельзя. Оценки качества, перечень поддерживаемых языков и специализированные области применения в доступных данных не приведены.

StrangeMerges_6-7B-dare_ties — объединённая модель Gille на архитектуре Mistral с 7,1 млрд параметров. Она создана методом dare_ties с помощью LazyMergekit на основе Gille/StrangeMerges_5-7B-ties, macadeliccc/WestLake-7B-v2-laser-truthy-dpo и kaitchup/Mayonnaise-4in1-022; в конфигурации указаны веса слияния и формат float16. Модель предназначена для генерации текста и диалоговых ответов. Контекст составляет 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. В карточке не описаны языки и специальные ограничения качества или применения, поэтому модель стоит рассматривать как универсальную текстовую генеративную модель без подтверждённой специализации.

Synatra-MCS-7B-v0.3-RP-Slerp — объединённая языковая модель от PistachioAlt, собранная методом SLERP из Q-bert/MetaMath-Cybertron-Starling и maywell/Synatra-7B-v0.3-RP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Веса представлены в формате Safetensors и имеют точность float16; контекстное окно составляет 32 768 токенов. Модель подходит для диалогов и генерации ответов на текстовые запросы в сценариях, поддерживаемых исходными моделями. Карточка не уточняет языки, специальные возможности или результаты оценки качества. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Synatra-V0.1-7B-Instruct-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и Synatra-V0.1-7B-Instruct методом SLERP. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; поддерживает контекст до 32 768 токенов и работает с текстом в формате диалога. Модель предназначена для генерации ответов на инструкции и ведения диалога. Её можно применять для чат-ботов, черновиков текстов и ответов на вопросы в текстовом интерфейсе. В README приведены конфигурация слияния и использованные модели; сведения о языковом покрытии и специализированных областях применения отсутствуют. Лицензия — Apache-2.0.

Synthia-7B-v1.2 — языковая модель семейства LLaMA 2, разработанная migtissera и дообученная на данных в стиле Orca. Она рассчитана на следование инструкциям, продолжительные диалоги и генерацию текста; автор также указывает на способности к обобщённому рассуждению с использованием подходов Tree of Thought и Chain of Thought. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch. Её родной контекст составляет 2048 токенов, основной язык карточки — английский. Модель подходит для диалоговых помощников, развёрнутых локально, и для задач генерации ответов и рассуждений по текстовым запросам. В README приведены результаты оценки на ARC и HellaSwag. Автор предупреждает, что ответы могут быть неточными или вводящими в заблуждение, а модель может выдавать предвзятый, оскорбительный или иной неподходящий контент; модель описана как uncensored. Для использования действует лицензия Llama 2.

T3qInex12-7B — автоматически созданная Maxime Labonne слитая модель для генерации текста. Она объединяет chihoonlee10/T3Q-Mistral-Orca-Math-DPO и MSL7/INEX12-7b методом SLERP с настройками MergeKit; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев на основе текстовых запросов. Контекст модели составляет до 32 768 токенов, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества, поддерживаемых языков или специальных предметных областей; возможности исходных моделей не гарантируют аналогичные результаты после слияния.

T3qm7Mergerix-7B — автоматически объединённая модель, созданная Maxime Labonne на основе Mistral-7B-v0.1, T3QM7 и Mergerix-7b-v0.3. Она предназначена для генерации текста и диалога, включая ответы на математические запросы. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстное окно до 32 768 токенов; веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. В README не приведены результаты оценки качества или сведения о поддерживаемых языках, поэтому практическую точность для конкретных задач и языков следует проверять отдельно.

T3qm7xNeuralsirkrishna_Experiment26Experiment24 — объединённая автором репозитория модель Mistral с 7,1 млрд параметров для генерации текста и диалогов. Она принимает текст и выдаёт текст; длина контекста составляет до 32 768 токенов. Модель объединяет automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment26Experiment24-7B. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализированные сценарии, набор поддерживаемых языков или результаты оценки качества.