II.1Анализ требований и архитектура ПО

ANIMA-Phi-Neptune-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 от Mistral AI и Severian/ANIMA-Phi-Neptune-Mistral-7B методом SLERP. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов; опубликована в формате safetensors. Модель подходит для чат-ботов, свободного диалога и задач генерации текста на основе запросов. README описывает слияние параметров внимания и MLP, но не приводит результаты сравнительных оценок или сведения о специализации ANIMA-Phi-Neptune. Указана лицензия Apache-2.0.

Arcade-3B — инструктивная языковая модель NoesisLab из проекта ARCADE, дообученная на базе HuggingFaceTB/SmolLM3-3B. Это плотная авторегрессионная модель на 3,1 млрд параметров для диалогов, следования инструкциям, генерации текста и рассуждений; заявленная длина контекста — 65 536 токенов. При обучении применялась SC-Orthogonal Training: регуляризация финального скрытого слоя, призванная разделять представления фактического содержания и структуры рассуждения. Модель ориентирована прежде всего на английский язык. Выпущена под лицензией Apache-2.0. Карточка описывает метод обучения и наборы данных, но не содержит завершённых результатов оценки качества, поэтому сравнительные преимущества модели по ней подтвердить нельзя.

bartowski/arcee-ai_Virtuoso-Small-v2-GGUF — это набор квантованных версий языковой модели Virtuoso-Small-v2, разработанной arcee-ai и преобразованной bartowski в формат GGUF с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты. В репозитории представлены варианты с точностью от F32 и F16 до различных методов квантования Q8, Q6, Q5, Q4, Q3 и Q2, размером примерно от 6,5 до 59 ГБ. Для взаимодействия используется chat-шаблон с ролями system, user и assistant. Данные о числе параметров, архитектуре исходной модели, контекстном окне, поддерживаемых языках и модальностях в README не указаны; по имеющимся сведениям это текстовая, а не мультимодальная модель. Сильная сторона набора — широкий выбор компромиссов между качеством, размером и требованиями к памяти: высокоточные варианты Q6 и Q5 обозначены как близкие к исходному качеству, а Q3 и Q2 подходят для систем с ограниченным объёмом RAM, хотя обеспечивают более низкое качество. Некоторые варианты оптимизированы для ARM или Apple silicon. Распространение указано на условиях лицензии Apache-2.0.

Jebadiah/Aria-7b-128k-v2 — объединённая автором модель генерации текста, созданная с помощью mergekit методом линейного слияния. В слиянии участвовали Nitral-AI/Echidna-7b-128k и Jebadiah/Llama-3-8B-source-lewd-context-function-calling; веса сохранены в формате safetensors. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и рассчитана на работу с текстом. Модель предназначена для генерации текста и диалоговых сценариев; одна из объединённых моделей также ориентирована на работу с контекстом и вызов функций. Метаданные указывают нативную длину контекста 32 768 токенов. В карточке не приведены результаты оценки качества или условия лицензии, поэтому их нельзя установить по доступным сведениям.

ArliAI-Llama-3-8B-Formax-v1.0-GGUF — это GGUF-квантизированная версия текстовой генеративной модели ArliAI-Llama-3-8B-Formax-v1.0, разработанной OwenArli и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и запуска через llama.cpp, включая локальное использование на системах с ограниченными ресурсами. В основе лежит модель семейства Llama 3 с заявленным размером 8 млрд параметров. Доступны варианты от полного F32 до низкоразрядных Q2 и IQ-квантизаций; наиболее качественными и рекомендуемыми в README названы варианты Q5–Q6, а Q4_K_M описан как сбалансированный вариант по размеру и качеству. Модель работает только с текстом; сведения о поддерживаемых языках и размере контекстного окна в предоставленных данных отсутствуют. Для корректного общения следует использовать формат промпта Llama 3 с ролями system, user и assistant. Основное преимущество репозитория — широкий выбор квантизаций, позволяющий подобрать компромисс между качеством, размером файла и требованиями к памяти. Более компактные варианты подходят для устройств с небольшим объёмом RAM, но обеспечивают более низкое качество генерации. Модель распространяется по лицензии llama3; дополнительные ограничения и подробности лицензии в README не указаны.

win10/ArliAI-RPMax-v1.3-merge-13.3B — языковая модель семейства Llama для генерации текста и диалогового общения. Она создана с помощью mergekit методом passthrough на основе win10/ArliAI-RPMax-v1.3-merge-8B; репозиторий содержит веса Safetensors и использует библиотеку Transformers. Модель насчитывает 12,7 млрд параметров и поддерживает контекст до 131 072 токенов. Модель подходит для ведения диалогов и генерации продолжений текста. Данные карточки не уточняют поддерживаемые естественные языки и конкретные предметные области. Лицензия в доступных сведениях не приведена.

Athene-V2-Chat-GGUF — набор квантизированных версий диалоговой языковой модели Athene-V2-Chat, разработанной Nexusflow и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста в чат-сценариях и локального инференса, в том числе через LM Studio и совместимые инструменты llama.cpp. В README указан английский язык и текстовая модальность; исходная архитектура, число параметров и размер контекстного окна не приведены. Модель доступна в вариантах квантизации Q2–Q8 и IQ2–IQ4 с размерами файлов примерно от 25,49 до 77,26 ГБ. Старшие варианты Q5–Q8 обеспечивают более высокое качество, тогда как младшие требуют меньше оперативной памяти, но заметно уступают по качеству. Некоторые варианты используют Q8_0 для весов embedding и output, а Q4_0_8_8 оптимизирован для ARM с поддержкой SVE и не рекомендуется для Mac или Windows. Указан специальный формат prompt с ролями system, user и assistant. Лицензия обозначена как other, без дополнительных условий в представленном README.

Auro-Kosmos-EVAA-v2-8B — диалоговая языковая модель, созданная слиянием двух предварительно обученных моделей методом SLERP с помощью mergekit: jaspionjader/Kosmos-EVAA-v2-8B и DreadPoor/Aurora_faustus-8B-LINEAR. Она построена на плотной архитектуре Llama и содержит 7,5 млрд параметров; для работы с ней используется библиотека Transformers. Модель предназначена для диалогового взаимодействия и генерации ответов и свободного текста. Её контекст составляет 8192 токена, веса опубликованы в формате safetensors. Карточка не уточняет поддерживаемые языки, лицензию и специальные области применения, поэтому применимость в конкретных сценариях и условия использования следует сверить с карточками исходных моделей и репозитория.

MaziyarPanahi/bagel-dpo-7b-v0.1-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением моделей Mistral-7B-Instruct-v0.2 и bagel-dpo-7b-v0.1 методом SLERP. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет целевые языки и специализированные предметные области; возможности и качество для конкретных языков или задач отдельно не описаны.

Behemoth-123B-v2.2-GGUF — это квантизированная версия текстовой генеративной модели TheDrummer/Behemoth-123B-v2.2, подготовленная пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может применяться в локальных сценариях: диалогах, написании и редактировании текстов, ответах на вопросы и других задачах обработки естественного языка. Модель содержит 123 млрд параметров. Доступно множество вариантов квантования — от Q8_0 размером около 130 ГБ до IQ1_M размером около 28 ГБ, что позволяет выбирать между качеством и требованиями к памяти. Наиболее высокое качество обеспечивают Q8_0, Q6_K и варианты Q5; более компактные варианты Q3, Q2 и IQ2/IQ1 требуют меньше памяти, но заметно уступают по качеству. Поддерживаются локальный запуск через llama.cpp и использование в LM Studio. В README не указаны архитектура исходной модели, языки, размер контекста и мультимодальные возможности, поэтому модель следует считать текстовой. Сильной стороной является широкий выбор квантований и возможность локального запуска на совместимом оборудовании. Основные ограничения — очень высокие требования к оперативной или видеопамяти даже у компактных вариантов, а также потенциальное снижение качества при низком уровне квантования. Для работы рекомендуется использовать указанный формат приглашений с системным сообщением и пользовательским запросом. Лицензия обозначена как other; конкретные условия в README не приведены и требуют дополнительной проверки.

Behemoth-XL-195B-v1 — языковая модель для генерации текста, созданная softwareweaver с помощью mergekit из двух последовательных фрагментов слоёв TheDrummer/Behemoth-123B-v1. Это плотная архитектура MistralForCausalLM с 194,2 млрд параметров и контекстом до 131 072 токенов; доступны веса в формате safetensors. Модель предназначена для диалогов и других сценариев генерации текста, а конфигурация объединения была создана, чтобы проверить, улучшаются ли результаты при увеличении модели. Для использования README отсылает к карточке базовой модели TheDrummer/Behemoth-123B-v1, в том числе за сведениями о лицензии. В метаданных указана лицензия other; условия следует сверить с карточкой базовой модели. Результаты эксперимента с объединением слоёв и качество модели README не характеризует.

Blur-7b-slerp-v1.45 — объединённая модель семейства Mistral, созданная с помощью mergekit из CultriX/MonaTrix-v4 и liminerity/Blur-7b-slerp-v1.44 методом SLERP. Она предназначена для генерации и продолжения текста, в том числе диалоговых ответов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors; в конфигурации слияния указан тип bfloat16. Модель распространяется по лицензии Apache-2.0. README не описывает языковую специализацию или результаты оценок качества, поэтому их нельзя установить по доступным данным.

Это GGUF-квантизированная версия языковой модели olmo-marvin-full-merged, разработанной Burnt-Toast и подготовленной пользователем bartowski. Модель предназначена для генерации текста и запуска локально с помощью llama.cpp и совместимых приложений, включая LM Studio, KoboldCpp, Jan AI и Text Generation Web UI. Доступны варианты от полноразмерных весов BF16 объёмом 64,47 ГБ до более компактных конфигураций с квантованием Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ. Квантование выполнено с использованием imatrix и llama.cpp версии b7721; некоторые варианты оптимизированы для снижения потребления памяти при сохранении качества, а наиболее качественными в README названы Q6_K_L, Q6_K и варианты Q5_K. Поддерживается шаблон диалога с ролями system, user и assistant. Архитектура, число параметров, контекстное окно, языки, мультимодальность и лицензия в предоставленных данных не указаны. Качество и требования к ресурсам зависят от выбранного варианта квантования: компактные версии экономичнее, но могут заметно уступать старшим по качеству.

MaziyarPanahi/calme-2.2-llama3-70b — диалоговая языковая модель, созданная Maziyar Panahi методом DPO-донастройки Meta-Llama-3-70B-Instruct. Она предназначена для генерации текста и ответов на инструкции в формате ChatML; модель можно подключать через библиотеку Transformers. Архитектура — плотная LlamaForCausalLM, размер — 69,5 млрд параметров, контекст — 8 192 токена. В карточке указана оценка на Open LLM Leaderboard, включая IFEval, BBH, AI2 Reasoning Challenge и HellaSwag. Модель ориентирована на английский язык. Она может подходить для диалоговых ассистентов, ответов на вопросы и следования инструкциям, однако результаты бенчмарков не гарантируют качество в конкретных задачах. Для применения действуют условия лицензии Llama 3.

Calme-7B-Instruct-v0.1.1 — диалоговая языковая модель MaziyarPanahi на архитектуре Mistral, дообученная на базе Calme-7B-Instruct-v0.1. Модель содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов; опубликована в форматах PyTorch и Safetensors под лицензией Apache-2.0. Модель предназначена для генерации связных текстовых ответов в диалоге: её можно использовать для ответов на вопросы и подготовки текстовых объяснений. В карточке заявлены ясность, спокойный тон и связность ответов; также приведён пример использования через Transformers pipeline. В метаданных указан датасет дообучения chatml-OpenHermes2.5-dpo-binarized-alpha. Карточка не содержит сравнительных оценок качества или подробностей о поддерживаемых языках. Доступны отдельные квантованные сборки GGUF от автора, но перечисленные форматы самого репозитория — PyTorch и Safetensors.

CalmexperimentPercival_01-7B — автоматически объединённая модель для генерации текста, созданная Maxime Labonne методом SLERP из allknowingroger/CalmExperiment-7B-slerp и AurelPx/Percival_01-7b-slerp. Модель основана на архитектуре Mistral и содержит 7,1 млрд параметров; принимает текст и поддерживает контекст до 32 768 токенов. Подходит для генерации текста и диалогов общего назначения. В репозитории указаны веса в формате safetensors, а лицензия — Apache-2.0. Сведения о специализированных возможностях, целевых языках и оценках качества не приведены.

MiniMax-M2-REAP-139B-A10B — это языковая модель для генерации текста, разработанная Cerebras. Она создана на основе MiniMax-M2: методом REAP из исходной модели равномерно удалено 40% экспертов. По доступным данным, модель использует разреженную MoE-архитектуру, имеет заявленный размер 139B параметров и активную часть A10B. Указан английский язык; сведения о поддерживаемых модальностях и размере контекста отсутствуют. Эта версия представляет собой GGUF-квантизации, подготовленные bartowski с использованием llama.cpp и калибровочных данных imatrix. Она предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от Q8_0 до 2-битных и IQ-квантизаций с размером файлов примерно от 55 до 148 ГБ; более высокие разрядности обычно обеспечивают лучшее качество, а низкоразрядные варианты уменьшают требования к памяти, но могут заметно снижать качество. Сильными сторонами являются широкий выбор квантизаций, возможность локального использования и сохранение работоспособности после структурного сокращения MoE-модели. Ограничения включают очень большой объём памяти, зависимость качества от выбранного варианта квантизации и отсутствие в карточке подробных результатов оценки. Лицензия указана как other; конкретные условия необходимо уточнять в лицензии исходной модели Cerebras.

MiniMax-M2-REAP-172B-A10B-GGUF — это квантизированная GGUF-версия модели cerebras/MiniMax-M2-REAP-172B-A10B, подготовленная bartowski с использованием llama.cpp. Исходная модель разработана Cerebras. Модель относится к классу разреженных Mixture-of-Experts (MoE) и предназначена для генерации текста, включая диалоговые и другие сценарии текстового вывода. В README указана поддержка английского языка и формат взаимодействия с системными и пользовательскими промптами, включая секцию рассуждений <think>. Модель получена из MiniMax-M2 с равномерным удалением 25% экспертов методом REAP, поэтому её заявленные характеристики включают 172B параметров и обозначение A10B; точное число активных параметров, архитектурные детали и размер контекстного окна в README не раскрыты. Доступны многочисленные варианты квантизации от Q8_0 до более компактных Q2 и IQ-вариантов. Старшие варианты обеспечивают более высокое качество, тогда как младшие требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для запуска рекомендуются LM Studio, llama.cpp и совместимые проекты. Это релиз только для текстовой модальности, без заявленной поддержки изображений, аудио или видео. Ключевое ограничение — очень большой объём файлов: даже рекомендуемые варианты занимают примерно 92–142 ГБ, а Q8_0 — около 183 ГБ, поэтому для запуска требуется мощное оборудование. Лицензия указана как other; конкретные условия использования в README не приведены.

ColorShadow-7B-v2 — разговорная языковая модель на 7,1 млрд параметров, опубликованная nlpguy. Это слияние Gradient-SLERP двух моделей на базе Mistral 7B: diffnamehard/Mistral-CatMacaroni-slerp-7B и cookinai/Valkyrie-V1. Репозиторий содержит веса в формате safetensors; модель использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате, в том числе для ответов на запросы и рассуждений. В README приведены результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Указана лицензия Apache-2.0. README не описывает отдельные специализированные области применения или языки.

microsoft/deberta-large-mnli — модель Microsoft на базе DeBERTa Large, дообученная на задаче Multi-Genre Natural Language Inference (MNLI). Архитектура DeBERTa использует раздельное представление содержимого и относительных позиций токенов в механизме внимания и улучшенный декодер маскирования. Модель содержит около 454,1 млн параметров, принимает текстовые последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для классификации текстовых пар по отношению между посылкой и гипотезой, например для определения логического следования, противоречия или нейтральной связи. Её также можно применять как основу для классификатора с нулевым обучением на новых наборах меток, формулируя метки как гипотезы. Карточка приводит результаты семейства DeBERTa на задачах NLU и бенчмарках GLUE, но конкретные метрики этого чекпойнта в предоставленном фрагменте не приведены. Модель рассчитана на английский язык. Лицензия MIT разрешает использование, изменение и распространение при соблюдении её условий. Ограничения включают контекст до 512 токенов и зависимость качества от соответствия новых задач обучению на английском MNLI; выводы модели не следует считать надёжной проверкой истинности или фактов.

DeepSeek-R1-Distill-Llama-8B-heretic — это модифицированная версия DeepSeek-R1-Distill-Llama-8B, разработанная пользователем saidutta69 с применением Heretic v1.4.0. Модель основана на Llama и представляет собой дистиллированную 8-миллиардную модель с уклоном на рассуждения и генерацию текста. Указанный язык — английский, модальность — текстовая. Модель предназначена для диалогов, следования инструкциям и задач, требующих рассуждений, когда нужен прямой ответ без встроенного поведения отказа. Подавление отказов выполнено направленным редактированием весов в выходных проекциях attention и down-projection MLP, без дообучения. По заявлению автора, это позволяет в значительной степени сохранить знания и способность следовать инструкциям исходной модели, однако модель не является улучшением базовой версии по возможностям. Доступны полноточные веса в формате BF16 и квантизованные варианты GGUF Q4_K_M, Q5_K_M, Q6_K и Q8_0. Модель рассчитана на запуск через llama.cpp, Ollama, LM Studio, Jan, vLLM и SGLang; для локального использования рекомендуются GPU с 8–12 ГБ памяти или совместимые квантизации на потребительском оборудовании. Размер контекста в README не указан. Важное ограничение — отсутствие дополнительной фильтрации безопасности: модель может выполнять запросы, от которых исходная версия отказалась бы, включая потенциально нежелательные. Ответственность за применение и развертывание возлагается на пользователя. Лицензия унаследована от базовой модели и обозначена как deepseek-license.

DeepSeek-V4-Flash-0731 REAP K160 — экспериментальный производный чекпойнт модели DeepSeek-V4-Flash-0731 от DeepSeek, созданный пользователем 0xSero с применением метода REAP. Модель предназначена для исследовательского использования и инференса в условиях ограниченной памяти, включая генерацию текста, программирование, рассуждения, вызов инструментов и агентские сценарии. Это неофициальный релиз DeepSeek. Модель использует архитектуру Mixture-of-Experts: в каждом MoE-уровне сохранено 160 из 256 маршрутизируемых экспертов, то есть удалено 37,5% экспертов, при этом маршрутизация top-6, общие эксперты, attention, embeddings, output head, mHC, compressor и indexer tensors сохранены. В backbone предусмотрено 43 MoE-слоя, а также 3 DSpark MTP-блока. Заявлены английский и китайский языки. Контекст проверен на конфигурации 8192 токенов, однако полные характеристики контекста в README не указаны. Чекпойнт содержит 48 шардов Safetensors и около 107,8 млрд байт данных. К сильным сторонам относятся существенное сокращение числа экспертов и требований к памяти, структурная валидация всех тензоров и успешная базовая проверка генерации и программирования. Ограничения включают экспериментальный статус, возможное снижение качества из-за агрессивного pruning, отсутствие свежего наблюдения для весов версии 0731, отсутствие подтверждения паритета с исходной моделью по бенчмаркам и отдельную необходимость проверки совместимости DSpark MTP. Для запуска требуется DeepSeek-V4-совместимый runtime; generic Transformers может не поддерживать необходимые MXFP4, sparse-attention, tokenizer и DSpark MTP-компоненты. Производная распространяется по лицензии MIT.

Devstral-Small-2507-MLX-8bit — это 8-битная квантованная версия модели Devstral-Small-2507, разработанной компанией Mistral AI. Квантование выполнено командой LM Studio с использованием MLX, поэтому модель оптимизирована для локального запуска на устройствах Apple Silicon. В карточке указана специализация на генерации и обработке текста, однако подробные сведения о размере, архитектуре и длине контекста отсутствуют. Модель поддерживает широкий набор языков, включая английский, французский, немецкий, испанский, португальский, итальянский, японский, корейский, русский, китайский, арабский и другие. Основные преимущества — сниженный объём представления благодаря 8-битному формату и оптимизация для экосистемы Apple Silicon, что делает её подходящей для локальных сценариев работы с текстом. Ограничения связаны с зависимостью от совместимого оборудования и возможными потерями качества из-за квантования; также README не содержит конкретных данных о производительности и целевых прикладных сценариях. Модель распространяется по лицензии Apache-2.0.

DiscoPOP-zephyr-7b-gemma — языковая модель для генерации текста, разработанная Sakana AI и распространяемая в формате GGUF сообществом LM Studio. Она основана на Zephyr 7b Gemma и предназначена для общего использования: диалогов, ответов на запросы и других задач генерации текста в локальных приложениях, поддерживающих llama.cpp или LM Studio. Модель содержит около 8 млрд параметров и обучена методом DiscoPOP (Discovered Preference Optimization), разработанным Sakana AI для оптимизации предпочтений. По заявлению авторов, метод обеспечивает более высокий показатель Reward при меньшем отклонении от базовой модели по KL Divergence по сравнению с DPO. Модель работает в текстовой модальности, однако поддерживаемые языки и максимальный размер контекста в README не указаны. Для работы рекомендуется шаблон ChatML; системный промпт не предусмотрен. Предоставленная версия является квантизированной сборкой GGUF от bartowski на основе llama.cpp. Это делает её подходящей для локального запуска при ограниченных ресурсах, но конкретные параметры квантизации в README не указаны. Ограничения включают возможные неточные, вредные или нежелательные ответы, характерные для генеративных языковых моделей, а также отсутствие гарантии качества. Модель распространяется по лицензии gemma; дополнительные условия использования следует проверять в материалах исходной модели.

DistHermYam-7B-ties — текстовая генеративная модель, созданная codegood путём объединения моделей yam-peleg/Experiment21-7B и eren23/DistilHermes-2.5-Mistral-7B методом TIES с LazyMergekit. В конфигурации указан NousResearch/Hermes-2-Pro-Mistral-7B как базовая модель слияния; архитектура — плотная MistralForCausalLM на 7,1 млрд параметров, веса опубликованы в формате safetensors. Контекстное окно составляет 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев на основе Mistral и Hermes. Карточка не описывает отдельные специализированные области или подтверждённый набор языков; базовая модель в каталоге ориентирована на английские диалоги, генерацию текста и ответы на вопросы. В метаданных лицензия не указана, поэтому условия использования по карточке определить нельзя.

jaspionjader/ek-1 — объединённая авторегрессионная языковая модель семейства Llama, созданная разработчиком jaspionjader методом Model Stock с помощью mergekit. В качестве базовой модели использована jaspionjader/Kosmos-EVAA-Franken-Immersive-v39-8B, также в объединение вошли jaspionjader/kstc-1-8b, jaspionjader/knf-1-8b и P0x0/Epos-8b. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый сценарий и имеет контекст длиной до 131 072 токенов. Подходит для генерации продолжений и ответов в чате с учётом длинного контекста. README и метаданные не описывают специализированные области применения или ограничения качества. Лицензия в предоставленных данных не указана.

howey/electra-large-mnli — англоязычная модель классификации текста на базе архитектуры ELECTRA-Large, опубликованная пользователем howey и предназначенная для задач, связанных с MultiNLI. ELECTRA разработана Google как Transformer-энкодер; данная версия дообучена для классификации отношений между парами текстов, например определения entailment, contradiction и neutral. Модель содержит около 433,9 млн параметров и поддерживает контекст до 512 токенов. Она работает с текстом, использует библиотеку Transformers и доступна через PyTorch. Модель подходит для классификации текстовых пар и zero-shot-подобных сценариев при передаче подходящих гипотез, но не является генеративной моделью и не предназначена для свободного создания текста. В карточке модели лицензия не указана, поэтому условия коммерческого и производного использования следует уточнять у владельца репозитория и в файлах модели.

ELM Turbo 0.25 Instruct — инструкционная языковая модель SliceX AI из семейства ELM Turbo, созданная на основе Microsoft Phi-3 Mini Instruct. Это плотная авторегрессионная модель архитектуры Phi-3 с 1,5 млрд параметров, предназначенная для диалогов и генерации текста. Разработчики описывают её как обученный с применением техник декомпозиции и «нарезки» вариант Phi-3, рассчитанный на более гибкий баланс качества, скорости вывода и потребления памяти. Модель можно запускать через Transformers; для A100 и H100 также описана интеграция с TensorRT-LLM. Модель подходит для генерации ответов и других текстовых задач в приложениях, где важны умеренный размер и возможность развертывания на ограниченных вычислительных ресурсах. Метаданные указывают контекстное окно 4096 токенов и английский язык. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0. В README рекомендовано проверять ответы: обучающие данные могут содержать ошибки, смещения и неподходящий контент.

Eris_PrimeV3.05-Vision-7B — объединённая ChaoticNeutrals модель семейства Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и диалогов, а также анализа изображений при запуске в Koboldcpp с отдельным файлом mmproj; для работы с изображениями автор рекомендует актуальную версию Koboldcpp. Модель имеет контекст длиной 32 768 токенов. Репозиторий содержит веса в форматах Safetensors и GGUF F16. По метаданным, модель объединяет Eris_PrimeV3-Vision-7B и Prima-LelantaclesV7-experimental-7b. Лицензия обозначена как other, поэтому условия использования следует уточнить на странице репозитория.

Experiment26Neuralsirkrishna_Strangemerges_30Experiment28 — объединённая модель семейства Mistral, созданная на основе automerger/Experiment26Neuralsirkrishna-7B и automerger/Strangemerges_30Experiment28-7B. Она предназначена для генерации текста и диалогов. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает конкретные языки, специализированные области или результаты оценки качества, поэтому их нельзя надёжно определить.