II.1Анализ требований и архитектура ПО

MaziyarPanahi/T3qm7xNeuralsirkrishna_Experiment27Experiment29 — объединённая плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment27Experiment29-7B. Модель предназначена для генерации текста и диалогов; она принимает текст и выдаёт текст, поддерживая контекст длиной до 32 768 токенов. Модель опубликована в формате safetensors под лицензией Apache-2.0. Сведения о конкретных языках, специализированных областях и оценках качества в предоставленных материалах отсутствуют.

T3qm7xNeuralsirkrishna_Experiment27Pastiche — объединённая модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment27Pastiche-7B и предназначена для генерации текста и диалоговых ответов на основе входного текста. Модель принимает контекст длиной до 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Данных о целевых языках и специальных областях применения нет.

T3qm7xNeuralsirkrishna_PasticheAlloyingotneoy — объединённая текстовая модель на архитектуре Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/PasticheAlloyingotneoy-7B. Модель содержит 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Она предназначена для генерации текста и диалогов. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не сообщает о специализированной предметной области или дополнительных возможностях.

T3qm7xNeuralsirkrishna_YamExperiment26 — объединённая модель на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamExperiment26-7B. Она предназначена для генерации текста и диалоговых ответов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель может служить основой для приложений, которым нужна генерация текста с длинным контекстом. В README не описаны специальные преимущества или ограничения качества. Лицензия — Apache-2.0.

Terminal-16k-top80 — диалоговая языковая модель на архитектуре Qwen3, дообученная автором cuong1692001 на наборе nemotron_complete_top_80_16k. Она предназначена для генерации текста в формате диалога; репозиторий использует Transformers и содержит веса safetensors. Модель насчитывает 7,6 млрд параметров и поддерживает контекст до 40 960 токенов. Модель является дообучением cuong1692001/Terminal_complete_8k. Лицензия указана как other, поэтому конкретные условия использования следует сверить с карточкой модели и лицензией базовой модели. README не описывает результаты оценки или специальные ограничения применения.

Карточка модели cuong1692001/Terminal-complete-8k на Hugging Face совпадает с карточкой cuong1692001/Terminal_complete_8k, поэтому описание составлено по ней. Terminal-complete8k — дообученная модель на 7,6 млрд параметров на базе Qwen/Qwen3-8B, созданная автором cuong1692001 с использованием набора данных qwen_data_complete. Это диалоговая языковая модель для генерации текста; метаданные указывают архитектуру Qwen3ForCausalLM и контекст до 40 960 токенов. Подходит для диалогов и других задач генерации текста на поддерживаемых базовой моделью языках. Карточка не описывает состав обучающих данных, результаты оценки или особые ограничения этой версии. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория.

Terminal-complete8k — дообученная модель на 7,6 млрд параметров на базе Qwen/Qwen3-8B, созданная автором cuong1692001 с использованием набора данных qwen_data_complete. Это диалоговая языковая модель для генерации текста; метаданные указывают архитектуру Qwen3ForCausalLM и контекст до 40 960 токенов. Подходит для диалогов и других задач генерации текста на поддерживаемых базовой моделью языках. Карточка не описывает состав обучающих данных, результаты оценки или особые ограничения этой версии. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория.

Ternary Bonsai 2 27B Abliterated v2 — производная 27-миллиардная текстовая модель, представленная BoldingBuilds в формате GGUF PQ2_0 с дополнительным вариантом MTP для спекулятивного декодирования. В README описаны изменения относительно исходной модели: удаление отказов и корректировка одной строки выходного слоя, призванная помочь модели завершать рассуждение и выдавать ответ. По карточке, файлы рассчитаны на запуск через форк llama.cpp от PrismML; стандартные сборки llama.cpp, Ollama и LM Studio без поддержки PQ2_0 их не загрузят. Модель предназначена для локальной генерации текста и диалогов, включая сложные запросы, рассуждения, математические и программные задачи. В сравнительных тестах она близка к исходной Bonsai 2 на математике и HumanEval, но результаты зависят от бюджета токенов и параметра reasoning_effort; в README рекомендован уровень medium. Вариант MTP, по заявлению автора, ускоряет декодирование примерно на 40%. Модель лишена обычного поведения отказа и может отвечать на запросы, которые исходная модель отклонила бы. Автор указывает исследование устойчивости выравнивания и локальное использование без фильтрации как сценарии применения, а также предостерегает от пользовательского развертывания без собственного слоя безопасности. В README также отмечено статистически значимое снижение MMLU относительно исходной модели. Лицензия репозитория — Apache-2.0.

Карточка модели jessemeng/TwinLlama-3.2-1B на Hugging Face совпадает с карточкой jessemeng/TwinLlama-3.1-8B, поэтому описание составлено по ней. TwinLlama-3.1-8B — текстовая плотная авторегрессионная модель семейства Llama, опубликованная jessemeng и дообученная на unsloth/Llama-3.2-1B с помощью Unsloth и Hugging Face TRL. Она предназначена для генерации текста и диалогового общения. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0.

ultra0 — разговорная языковая модель, созданная liminerity с помощью LazyMergekit. Это слияние моделей starsnatched/MemGPT-2B и liminerity/binarized-ingotrix-slerp-7b методом DARE-TIES; в конфигурации указаны базовая модель starsnatched/MemGPT-2B, нормализация весов, int8-маска и формат bfloat16. Модель построена на плотной архитектуре MistralForCausalLM и содержит 1,7 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст, поддерживает контекст до 16 384 токенов. README приводит результаты оценки на задачах AI2 Reasoning Challenge и HellaSwag. Лицензия — Apache-2.0.

Ultra-Instruct-12B-GGUF — набор GGUF-квантизаций базовой модели Dampfinchen/Ultra-Instruct-12B, подготовленный пользователем bartowski с помощью llama.cpp и imatrix-калибровки. Модель предназначена для генерации текста и выполнения инструкций в локальных приложениях, поддерживающих формат GGUF, включая LM Studio. В README не указаны точные сведения об архитектуре, языках, контекстном окне и мультимодальности; по имеющимся данным, это текстовая модель без заявленной поддержки изображений или других модальностей. Доступны варианты от F16 размером 24,50 ГБ до сильно сжатых IQ2_M размером 4,44 ГБ. Рекомендуемые варианты Q4–Q6 обеспечивают высокое или хорошее качество при меньшем потреблении памяти; Q3 и Q2 экономят ресурсы, но заметно уступают по качеству. Некоторые варианты используют Q8_0 для embedding- и output-весов, что потенциально повышает качество, однако автор указывает, что практический эффект зависит от использования. Для работы требуется совместимое ПО, например llama.cpp или LM Studio, и рекомендуется применять указанный в README шаблон чата с маркерами system, user и assistant. Ограничения включают отсутствие опубликованных бенчмарков и подробных характеристик исходной модели, а также неизбежную потерю качества в низкобитных квантизациях. Распространение осуществляется по лицензии CC BY-NC-4.0, запрещающей коммерческое использование.

UwU-1 — объединённая языковая модель на 32 млрд параметров, опубликованная пользователем estrogen. Она создана методом TIES с помощью mergekit на основе Qwen/Qwen2.5-32B и включает веса EVA-UNIT-01/EVA-Qwen2.5-32B-v0.2 и Qwen/QwQ-32B-Preview. Модель использует архитектуру Qwen2 для генерации текста и диалогов, поддерживает контекст до 131 072 токенов и доступна в формате safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка указывает на интерфейс вызова инструментов, однако не описывает его настройку или качество. Лицензия в предоставленных данных не указана.

KnutJaegersberg/webMistral-7B — языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она предназначена для генерации текста и может использоваться как базовая модель для запросов и продолжения текста. В карточке приведён пример промпта и результаты оценки на Open LLM Leaderboard, включая ARC и HellaSwag. Модель принимает текст и выдаёт текст; её заявленная длина контекста — 32 768 токенов. Веса опубликованы в формате safetensors. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не сообщает о специализированной предметной области или подтверждённых языках.

WestOrcaMonarch-DPO-7B — языковая модель на архитектуре Mistral, дообученная jsfs11 методом DPO на наборе OpenHermes2.5-dpo-binarized-alpha. Она предназначена для генерации текста в диалоговом формате ChatML и может использоваться для создания ответов на запросы и ведения диалогов. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Для обучения применялся QLoRA с рангом LoRA 32; в репозитории указаны веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценивания качества или перечня языков, поэтому их нельзя уверенно конкретизировать.

Xenon-1 — диалоговая языковая модель на архитектуре Mistral, разработанная на основе Mistral-7B-v0.1 и дообученная на наборе Ultrafeedback с применением методов из статьи Self-Rewarding Language Models. Она предназначена для генерации ответов на инструкции и ведения диалога; для форматирования запросов использует токены [INST] и [/INST], также доступен chat template Transformers. Модель содержит 7,1 млрд параметров, использует Grouped-Query Attention, Sliding-Window Attention и BPE-токенизатор с поддержкой байтового fallback. Контекст — до 32 768 токенов. В карточке указан английский язык. Веса доступны в форматах PyTorch и Safetensors, лицензия — Apache-2.0. Карточка не приводит отдельные оценки качества или подробный перечень ограничений.

xLSTM-7B — плотная авторегрессионная языковая модель семейства xLSTM от NX-AI, предварительно обученная на корпусе DCLM и отобранных качественных данных общим объёмом около 2,3 трлн токенов с использованием xlstm-jax. Модель предназначена для генерации текста и может применяться для продолжения текста, ответов на вопросы и решения языковых задач.

Yamshadowexperiment28M70.85-0.75-0.23-0.83-0.08-0.95-7B — объединённая языковая модель, опубликованная пользователем aaron-di на Hugging Face. Это плотная Mistral-модель примерно на 7,1 млрд параметров для генерации текста и диалогов; карточка демонстрирует запуск через Transformers с шаблоном чата. Указанный контекст — до 32 768 токенов. Модель объединяет AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Модель подходит для генерации ответов и ведения диалога по текстовому запросу. В репозитории используются веса Safetensors. Лицензия — Apache-2.0. Карточка не сообщает конкретных целевых языков и специализированных областей применения; качество и ограничения модели отдельно не описаны.

Yamshadowexperiment28Ognoexperiment27multi_verse_model-7B — слитая модель для генерации текста, созданная Maxime Labonne из automerger/YamshadowExperiment28-7B и automerger/Ognoexperiment27Multi_verse_model-7B методом SLERP с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, объёмом 7,1 млрд параметров и контекстом до 32 768 токенов. Веса представлены в формате safetensors. Модель предназначена для генерации текста и диалогов. Для неё указана лицензия Apache-2.0. Карточка не приводит оценок качества или конкретных специализированных сценариев, поэтому пригодность результата стоит проверять на целевых запросах.

Nohobby/YetAnotherMerge-v0.3 — объединённая диалоговая модель на архитектуре Mistral с 12,1 млрд параметров. Её создал автор Nohobby методом Della: за основу взята Undi95/Lumimaid-Magnum-12B, также в объединение вошли Sao10K/MN-12B-Lyra-v1 и Nohobby/YetAnotherMerge-v0.1. Модель предназначена для генерации текста и диалоговых ответов. В README отмечена совместимость с базовыми настройками min-p и рекомендован авторский пресет. В метаданных указано нативное контекстное окно 1 024 000 токенов, однако отдельные настройки и качество работы с таким контекстом в README не описаны. Файлы представлены в формате safetensors; README также упоминает варианты GGUF. Лицензия и ограничения на использование в предоставленных данных не описаны.

statking/zephyr-7b-sft-full-orpo — дообученная диалоговая языковая модель на архитектуре Mistral-7B. Она создана на основе mistralai/Mistral-7B-v0.1 с использованием датасета HuggingFaceH4/ultrafeedback_binarized и метода ORPO. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для диалоговой генерации: ответов на запросы и ведения беседы. В README приведены метрики оценки на тестовом наборе, включая точность предпочтений 0,6587, однако подробности сценариев оценки не описаны. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

ZoyLLM-7B-SlimOrca — генеративная языковая модель команды Zoy AI, дообученная с помощью LoRA на базе Mistral-7B-v0.1. Это плотная Transformer-модель на 7,1 млрд параметров с Grouped-Query Attention, Sliding-Window Attention и токенизатором Byte-fallback BPE; для диалога используется шаблон ChatML. Заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы и тестирование RAG. При дообучении использовались SlimOrca, EverythingLM v3 и небольшой набор примеров для самоописания. В карточке приведены результаты на отдельных бенчмарках, но они не гарантируют качество для конкретных задач. Поддержка английского указана в метаданных. Лицензия CC BY-NC-SA 4.0 требует атрибуции и распространяет производные работы на тех же условиях; коммерческое использование не разрешено.

14B-Qwen2.5-Freya-x1-GGUF — это GGUF-квантизированная версия текстовой генеративной модели 14B-Qwen2.5-Freya-x1, разработанной Sao10K. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может применяться в локальных сценариях инференса, включая запуск через LM Studio. Модель имеет размер 14B параметров и поставляется в вариантах от F16 до низкобитных квантований Q2 и Q3, что позволяет выбирать между качеством ответов и требованиями к оперативной памяти. Доступны форматы Q4, Q5, Q6 и Q8, при этом в README рекомендуются некоторые варианты Q4–Q6 как обеспечивающие хороший или очень высокий уровень качества. Указан шаблон промпта в формате ChatML. Модальность — текстовая; сведения о поддерживаемых языках и размере контекстного окна в README отсутствуют. Сильная сторона модели — широкий выбор квантований для локального запуска на оборудовании с разными ограничениями по памяти, а также применение imatrix-квантизации. Более компактные варианты экономят память, но могут заметно уступать старшим версиям по качеству. Лицензия обозначена как qwen/other; в README приведена ссылка на лицензию Qwen/Qwen2.5-14B, однако конкретные условия использования следует уточнять по этому документу.

Fischerboot/15-test — текстовая модель генерации, созданная слиянием предобученных языковых моделей с помощью mergekit и метода SLERP. В слиянии использована Fischerboot/14-test; конфигурация комбинирует диапазоны слоёв и задаёт отдельные параметры для self-attention и MLP. Модель основана на архитектуре Llama с плотной структурой и классом LlamaForCausalLM, содержит 4 млрд параметров и рассчитана на контекст до 8192 токенов. Она предназначена для генерации текста и диалогового общения. Модель распространяется в формате safetensors; сведения о лицензии и конкретных поддерживаемых языках в доступных данных отсутствуют.

Модель ishikaa/acquisition_generator_AS_confidence_numina_llama8b предназначена для генерации текста и опубликована в формате, совместимом с библиотекой Transformers. По метаданным она относится к семейству Llama и содержит около 7,5 млрд параметров. Модель поддерживает контекст длиной до 131 072 токенов, поэтому может использоваться для генерации продолжений текста, диалоговых ответов и обработки длинных входных последовательностей. README не содержит сведений о разработчике, языках обучения, лицензии, исходной модели, данных обучения или результатах оценки, поэтому эти характеристики нельзя подтвердить.

ishikaa/acquisition_generator_AS_gradient_omnimath_qwen14b — текстовая генеративная модель, опубликованная на Hugging Face и доступная через библиотеку Transformers. README автоматически сгенерирован и не содержит сведений о разработчике, лицензии, исходной модели или обучающих данных. Модель предназначена для генерации текста и относится к семейству Qwen2 согласно метаданным. Она содержит около 14 млрд параметров и поддерживает контекст длиной до 32 768 токенов, что делает её пригодной для диалоговых сценариев, продолжения текста и генерации развернутых ответов при наличии совместимого программного окружения. Модель может быть полезна для прототипирования текстовых генераторов и conversational-приложений. В карточке отсутствуют результаты оценки, описание качества, сведения о языках, лицензии, ограничениях применения и рекомендациях по безопасному использованию, поэтому перед эксплуатацией необходимы собственные тесты и проверка условий распространения.

ADAPT-Olmo3-4.3B-Instruct — диалоговая языковая модель, разработанная Harvard-DCML как студент на основе Olmo-3-7B-Instruct. Она создана в рамках метода ADAPT, который позволяет интерполировать размер между вариантами одной базовой модели после обучения; чекпойнт можно использовать для построения промежуточной модели вместе с исходной моделью. Модель имеет плотную архитектуру Olmo 3 с 3,9 млрд параметров, принимает текст и генерирует текст в диалоговом формате. Длина контекста составляет 65 536 токенов. Для интерполяции README рекомендует включать патчинг первых слоёв студенческой модели; число слоёв патчинга определяет размер промежуточной модели. Модель распространяется по лицензии Apache-2.0.

prince4332/ak-ga-en-2 — текстовая модель генерации на базе архитектурного семейства Qwen3.5 Text, опубликованная на Hugging Face. В метаданных указаны библиотека Transformers, формат safetensors и размер около 585,4 млн параметров. Модель предназначена для генерации текста и диалоговых сценариев. Она поддерживает контекст длиной до 262 144 токенов, что позволяет работать с большими объёмами входного текста. Метаданные не содержат сведений о разработчике, языках, лицензии, датасетах, результатах оценки или специальных прикладных областях. README является автоматически сгенерированной карточкой и не описывает конкретные сильные стороны, ограничения или условия использования модели. Перед применением в продуктивных системах необходимо самостоятельно проверить качество на целевых данных, совместимость с задачей и лицензионные условия репозитория.

ewqr2130/alignment-handbook-zephyr-7b-sft-full-dpo-5e7-cont1 — разговорная текстовая модель семейства Mistral, представленная в формате Safetensors. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста в чат-сценариях. Название репозитория указывает на SFT и DPO дообучение Zephyr 7B, однако README не содержит сведений, подтверждающих базовую модель или детали обучения. Модель принимает текст и выдаёт текст; в метаданных указана возможность чата. Лицензия — Apache-2.0. Карточка не описывает качество ответов и ограничения, поэтому их нельзя уточнить по предоставленным материалам.

Это GGUF-квантизированная версия языковой модели Llama-3.1-Tulu-3.1-8B, разработанной Allen Institute for AI (allenai) и опубликованной в формате квантизаций пользователем bartowski. Модель предназначена для генерации текста и запуска локально с помощью llama.cpp, LM Studio и других совместимых проектов на базе llama.cpp. Указан английский язык; поддержка других языков и мультимодальность не заявлены. Модель содержит 8 миллиардов параметров и распространяется в нескольких вариантах квантизации от Q2 до Q8, размером примерно от 3,7 до 8,5 ГБ. Доступны форматы Q4, Q5, Q6, Q8 и IQ, позволяющие выбирать между качеством ответов и требованиями к памяти; наиболее сбалансированным вариантом автор README называет Q4_K_M, а варианты Q5 и Q6 — высококачественными. Для взаимодействия рекомендуется использовать шаблон с ролями system, user и assistant. Сведения о размере контекста, точной архитектуре, производительности и ограничениях исходной модели в README не приведены. Основные преимущества — широкий выбор квантизаций, возможность локального запуска и адаптация под устройства с разным объёмом оперативной памяти. Более сильное сжатие уменьшает требования к ресурсам, но снижает качество, особенно у вариантов Q2 и Q3. Модель распространяется под лицензией llama3.1; перед использованием следует учитывать условия этой лицензии.

AlloyIngotNeoX — слитая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом SLERP из bardsai/jaskier-7b-dpo-v4.3 и Gille/StrangeMerges_20-7B-slerp. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; контекст составляет до 32 768 токенов. Модель принимает текст и генерирует текст. В README приведены результаты оценивания на бенчмарках AI2 Reasoning Challenge и HellaSwag. Файлы модели опубликованы в формате Safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. README не уточняет языковую специализацию и ограничения качества; сведения о бенчмарках сами по себе не гарантируют результат на прикладных задачах.