II.1Анализ требований и архитектура ПО

Fischerboot/12-test — языковая модель семейства Llama, созданная с помощью mergekit методом SLERP на основе Fischerboot/11-test. Репозиторий содержит модель в формате safetensors; размер — 4,7 млрд параметров, контекст — до 8192 токенов. Модель предназначена для генерации текста и диалогового использования. Карточка README указывает, что при объединении использовалась одна исходная модель Fischerboot/11-test с разными диапазонами слоёв. Лицензия в предоставленных данных не указана.

Fischerboot/16-test — экспериментальная языковая модель, созданная слиянием моделей на основе Llama с помощью mergekit. В README указан метод SLERP и источник Fischerboot/15-test; конфигурация комбинирует диапазоны слоёв и параметры для self-attention и MLP. Модель имеет 3,8 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. В метаданных указан формат safetensors и библиотека Transformers. Лицензия в предоставленных данных не указана.

TeeZee/2xbagel-dpo-34b-v0.2 — объединённая модель для генерации текста и диалогов, созданная путём чередования слоёв jondurbin/bagel-dpo-34b-v0.2 с самой собой. Она использует плотную архитектуру LlamaForCausalLM, содержит около 56,2 млрд параметров и рассчитана на контекст до 200 000 токенов. Модель подходит для диалоговых сценариев и генерации текста; в README приведены результаты Open LLM Leaderboard, включая оценки по задачам рассуждения и здравого смысла. Модель распространяется под лицензией Apache-2.0. Автор предупреждает, что она может генерировать контент NSFW. README описывает её как увеличенную и uncensored версию исходной модели; отдельные сведения о языках и иных ограничениях не приводятся.

ishikaa/acquisition_student_AS_proximity_omnimath_qwen14b — текстовая генеративная модель объёмом 14B параметров, опубликованная на Hugging Face. Модель работает через библиотеку Transformers, использует формат Safetensors и связана с семейством Qwen2; в метаданных также отмечены обучение с учителем и conversational-сценарии. Модель предназначена для генерации текста и диалогового взаимодействия. Она поддерживает контекст длиной до 32 768 токенов, что позволяет обрабатывать относительно длинные запросы и продолжать содержательные диалоги. README не содержит достоверных сведений о разработчике, лицензии, языках, исходной модели, данных обучения, результатах оценки или специализированных ограничениях.

bhenrym14 создал экспериментальную модификацию Airoboros 33B GPT-4 1.4.1 на архитектуре Llama. Это плотная авторегрессионная языковая модель примерно на 32,3 млрд параметров, дообученная с помощью QLoRA и RoPE scaling; веса опубликованы в формате safetensors. README описывает обучение на синтетическом наборе airoboros-gpt4-1.4.1 и расширение контекстного окна до 8192 токенов, однако метаданные указывают native context в 2048 токенов, поэтому фактическую поддержку длинного контекста следует считать экспериментальной. Модель предназначена для диалоговых ответов, следования инструкциям, ответов по предоставленному контексту, ролевых сценариев, загадок и задач на программирование. Обучающие данные включают примеры кода на десяти языках программирования; естественные языки в карточке явно не перечислены. Автор сообщает о хороших впечатлениях от отдельных экспериментов, но отмечает, что влияние на задачи вне оценки perplexity не установлено. README не сообщает лицензию.

Карточка модели jondurbin/airoboros-l2-7b-2.1 на Hugging Face совпадает с карточкой jondurbin/airoboros-l2-13b-2.1, поэтому описание составлено по ней. airoboros-l2-13b-2.1 — языковая модель на архитектуре Llama 2, дообученная Jondurbin на синтетических инструкциях Airoboros. Она предназначена для диалогов и выполнения инструкций: ответов по заданному контексту, написания текстов и следующих глав, ролевых бесед, помощи с кодом, планирования и генерации аргументов функций в JSON или YAML. В обучающий набор вошли примеры стилизованных ответов и экспериментальные форматы ролевых диалогов. Модель содержит 12,9 млрд параметров, работает с текстом и имеет нативное контекстное окно 4096 токенов. Для диалогов используется формат с маркерами USER и ASSISTANT; карточка рекомендует останавливать генерацию при появлении USER:, поскольку модель может продолжить имитацию диалога. В README указано, что версия 2.1 имеет ошибку форматирования промптов при обучении, которая может ухудшать работу; заявлена как экспериментальная. Модель распространяется по лицензии Llama 2. В карточке описан небольшой набор для ослабления цензурных ограничений, поэтому ответы могут включать чувствительный контент; качество и соблюдение инструкций не гарантированы.

Alchemist_06_2b — языковая модель семейства Gemma, созданная Sumail слиянием моделей через mergekit. Она предназначена для генерации текста и диалогового общения. Модель содержит 2,5 млрд параметров, использует плотную архитектуру GemmaForCausalLM и поддерживает контекст до 8192 токенов. В README указано слияние двух экземпляров zzttbrdd/sn6_01_new методом slerp; этот же репозиторий указан базовой моделью в метаданных. Веса представлены в формате safetensors, лицензия — Apache-2.0. Данных о языковой специализации и ограничениях качества в карточке нет.

AMD-OLMo-1B-SFT-DPO-GGUF — квантизированная версия языковой модели AMD-OLMo-1B-SFT-DPO, разработанной AMD на основе открытой архитектуры и подходов обучения OLMo-1B. Формат GGUF подготовлен bartowski с использованием llama.cpp. Модель предназначена для генерации текста и локального запуска в совместимых приложениях, включая LM Studio. Модель содержит около 1 миллиарда параметров, поддерживает контекст длиной до 2048 токенов и использует словарь размером 50 280 токенов. Базовое предварительное обучение выполнено на 1,3 триллиона токенов из набора Dolma. Затем модель прошла supervised fine-tuning на наборах Tulu V2, OpenHermes-2.5, WebInstructSub и Code-Feedback, а также выравнивание предпочтений методом Direct Preference Optimization на наборе UltraFeedback. К сильным сторонам относятся открытая основа, компактный размер, адаптация к следованию инструкциям и наличие дополнительного обучения на данных для общего, веб- и программного контента. Ограничения включают небольшой контекст, неизвестную из README языковую специализацию и возможные ошибки, неточности или нежелательный контент при генерации; квантизация также может влиять на качество. Указана лицензия Apache-2.0.

Antares-11b-v2 — диалоговая языковая модель семейства Llama, дообученная Decapoda Research на базе Antares-11b-v1. В README также указано, что обучение велось от SOLAR-10.7B-Instruct-v1.0 с использованием наборов OpenHermes, Platypus, Capybara и Bagel v0.3, а также нескольких неопубликованных наборов. Метаданные указывают 10,6 млрд параметров и контекст 4096 токенов. Модель предназначена для генерации текста и диалоговых ответов общего назначения. Она обучалась 1,25 эпохи на восьми GPU RTX 4090; в README приведены результаты отдельных тестов рассуждения и здравого смысла, но полной оценки нет. Модель не проходила выравнивание и обучение на данных безопасности, поэтому её ответы могут содержать небезопасный или предвзятый контент. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение.

aqua-smaug-0.3-8B — плотная языковая модель семейства Llama, созданная автором репозитория с помощью Mergekit путём слияния cognitivecomputations/dolphin-2.9-llama3-8b, abacusai/Llama-3-Smaug-8B и meta-llama/Meta-Llama-3-8B. Модель содержит 7,5 млрд параметров и принимает текст для генерации текста; в метаданных указана возможность диалога и контекст длиной 8192 токена. Модель предназначена для генерации ответов и ведения диалогов. В README приведены результаты оценки на WinoGrande, ARC, GSM8K, MMLU, TruthfulQA и HellaSwag, однако подробные инструкции по использованию и данные о языках модели не представлены. Репозиторий распространяется под лицензией Apache-2.0.

Barcenas-6b-200k — дообученная языковая модель на архитектуре Llama, разработанная автором репозитория Danielbrdz. Она создана на основе larryvrh/Yi-6B-200K-Llamafied и обучена на наборе данных HuggingFaceH4/no_robots; для обучения использовалась Nvidia A100. Модель предназначена для генерации текста и диалоговых сценариев. Её размер составляет 5,8 млрд параметров, а заявленная длина контекста — до 200 000 токенов. Доступный формат весов — PyTorch; лицензия указана как other, поэтому условия использования следует уточнять в репозитории.

jaspionjader/bbb-6 — слитая автором jaspionjader языковая модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров. Она создана методом Model Stock с помощью mergekit на основе jaspionjader/kstc-5-8b, с включением моделей jaspionjader/bbb-5 и jaspionjader/kstc-4-8b. Модель предназначена для генерации текста и диалогового общения. Она принимает текстовые запросы и выдаёт текст; заявленная длина контекста — до 131 072 токенов. Модель распространяется в формате safetensors и рассчитана на запуск через Transformers. Карточка не содержит сведений о поддерживаемых естественных языках, специализированных областях или проверенных ограничениях качества. Лицензия в доступных данных не указана.

BlueLM-7B-Base-32K — vivo AI 全球研究院自主研发的基础语言模型，采用 BlueLM 的密集型自回归架构，参数量为 6.9 млрд. Модель предназначена для генерации продолжений текста и служит базой для создания диалоговых и других прикладных систем. Она обучена на корпусе объёмом 2,6 трлн токенов, преимущественно на китайском и английском языках, с небольшим количеством японских и корейских данных. Версия 32K заявлена разработчиком как поддерживающая длинный контекст; при этом метаданные репозитория указывают native_context_tokens 2048, поэтому фактическую длину контекста этого чекпойнта следует уточнять при настройке. Веса открыты для академических исследований и коммерческого применения; метаданные обозначают лицензию как other.

BruinsV2-OpHermesNeu-11B — объединённая языковая модель примерно на 10,6 млрд параметров на архитектуре Mistral, опубликованная Ba2han. Автор описывает её как passthrough merge моделей OpenHermes-2.5-neural-chat-7b-v3-1 и Bruins-V2; модель предназначена для генерации текста в диалоговом формате ChatML. Контекст составляет 32 768 токенов, веса представлены в формате safetensors. Модель подходит для диалогов, ответов на вопросы и свободной генерации текста. В README приведён результат 0,6527 на ARC Challenge и отмечено, что в некоторых чат-сценариях модель может галлюцинировать; также автор предупреждает о возможной контаминации данных оценки. Лицензия — MIT.

CatunaMayo3B — языковая модель семейства Mistral, объединённая Eric111 из моделей Eric111/CatunaMayo и Eric111/CatunaLaserPi с помощью mergekit. Модель предназначена для генерации текста и диалоговых сценариев на основе текстового запроса. Модель имеет плотную архитектуру MistralForCausalLM, содержит 3,8 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории указаны веса safetensors; лицензия — Apache-2.0. Сведения о языках и специализированных областях применения в карточке не приведены.

SvalTek/ColdBrew-Aphid — разговорная языковая модель семейства Llama, разработанная SvalTek и дообученная на базе с тем же идентификатором. Она предназначена для генерации текста в диалоговом формате; метаданные также указывают интерфейс вызова инструментов. Модель содержит 3,2 млрд параметров, использует архитектуру LlamaForCausalLM и поддерживает контекст до 131 072 токенов. Модель сохранена в формате safetensors и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. В карточке указан английский язык. Лицензия — Apache-2.0. README не приводит результатов оценки качества или подробностей обучающих данных, поэтому пригодность для конкретных задач следует проверять отдельно.

trollek/danube2-1.8b-Neural — диалоговая языковая модель, созданная дообучением H2O.ai Danube 2 с помощью BAdam и SFT на наборе mlabonne/orpo-dpo-mix-40k. Она предназначена для генерации текста в формате беседы с шаблоном ChatML и может использоваться для ответов на инструкции и поддержания диалога. Модель построена на плотной архитектуре MistralForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Репозиторий распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества, поэтому соответствие ответов конкретным требованиям следует проверять на целевых примерах.

DeepSeek-V4.1-Flash-UNCENSORED-FP8 — модифицированная версия DeepSeek-V4.1-Flash от dealignai, созданная исследовательской командой dealignai. Это мультимодальная модель с поддержкой изображений, инструментов и рассуждений, предназначенная для диалоговых приложений, анализа текста и изображений, выполнения многошаговых задач и работы с длинным контекстом. Модель распространяется как стандартный checkpoint для Transformers и основана на deepseek-ai/DeepSeek-V4.1-Flash. Модель использует архитектуру Causal Encoder-Decoder с 20+20 слоями и MoE: 384 маршрутизируемых эксперта с выбором top-6 и один общий эксперт. Заявлены 552B параметров в backbone, из которых 8B/16B активны на токен. Также используются Hyper-Connections с четырьмя каналами остаточных связей, разреженное внимание CSA2, память Engram для n-грамм и черновая голова DSpark для speculative decoding. Весы представлены в нативном FP8 e4m3fn с блочным масштабированием E8M0, маршрутизируемые эксперты — в FP4. Контекстное окно составляет до 1 млн токенов, а визуальная часть основана на DeepSeek-ViT с 2D-RoPE и pixel unshuffle. Ключевая особенность — перманентная модификация весов, направленная на удаление встроенных механизмов отказа и ограничений безопасности; при этом заявлено сохранение основных возможностей, включая зрение, рассуждения, MTP и многоходовую связность. По приведённым тестам модель полностью выполняет запросы из HarmBench-320, однако её результат MMLU ниже базовой модели: 82,74% против 86,96%; без этических предметов снижение оценивается примерно в 1,1 процентного пункта. Поэтому модель может быть полезна для исследовательских и экспериментальных сценариев, требующих минимальных встроенных ограничений, но несёт повышенный риск генерации опасного или незаконного содержания и не подходит для неконтролируемых пользовательских продуктов. Лицензия — MIT.

DeepSeek-V4-Flash-0731-OptiQ-2bit — это 2-битная mixed-precision-квантизация базовой модели DeepSeek-V4-Flash-0731, подготовленная сообществом mlx-community с помощью MLX-native toolkit mlx-optiq. Модель предназначена для локального запуска и генерации текста на компьютерах Apple Silicon без PyTorch и облачных сервисов, включая задачи следования длинным спецификациям, рассуждений по текстовым правилам и генерации программного кода. Модель использует разреженную архитектуру Mixture-of-Experts с 304 млрд параметров, 43 слоями и 256 маршрутизируемыми экспертами, из которых для каждого токена активны 6. Контекстное окно составляет 1 048 576 токенов. Маршрутизируемые эксперты квантизированы до 2 бит, attention — до 6 бит, shared expert, embeddings и LM head — до 8 бит, MTP head — до 3 бит; итоговое значение составляет 2,43 bits per weight. Размер на диске — около 92,5 ГБ, а при работе маршрутизируемые эксперты потоково считываются с SSD, поэтому в памяти находится примерно 6,5 ГБ. На Mac с M3 Max заявлена скорость около 2,5 токена в секунду. Сильная сторона модели — возможность запустить чрезвычайно крупную MoE-модель на потребительском Apple Silicon с объёмом оперативной памяти от 16 ГБ. Она демонстрировала способность следовать длинной спецификации и создавать работоспособный одностраничный HTML-код. Ограничения связаны с экстремальной 2-битной квантизацией: она приводит к потере точности, а скорость зависит от производительности SSD. Показатели по стандартному набору бенчмарков для этой версии не опубликованы, поэтому для задач, где критична точность, рекомендуется использовать веса bf16 или более высокобитную квантизацию. Модель распространяется по лицензии MIT.

DeltaP2S-Qwen2.5-14B-SameFormula-Code-S13-QV — объединённый чекпойнт Qwen2.5, созданный экспериментальным пакетом Delta-P2S с учётом архитектуры Qwen. Базовая модель — Qwen/Qwen2.5-14B; архитектура — плотная авторегрессионная Qwen2ForCausalLM на 14 млрд параметров. Модель работает через Transformers, распространяется в формате safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста в диалоговом режиме. В названии и каталоге обучения есть указание на код, но README не описывает конкретные возможности программирования или результаты обучения, поэтому специализацию на коде нельзя подтвердить. Лицензия в предоставленных данных не указана.

Densefin-291-Mistral-22B — разговорная языковая модель семейства Mistral, опубликованная lodrick-the-lafted. Она предназначена для генерации текста и диалогов. По метаданным, модель плотная, содержит 22 млрд параметров, использует архитектуру MistralForCausalLM и принимает контекст до 65 536 токенов. Карточка описывает её как результат небольшого изменения тензоров для преобразования Mixtral с одним экспертом в вариант Mistral; исходная базовая модель не названа. Модель распространяется в формате safetensors под лицензией Apache-2.0. В метаданных указана возможность чата, однако README не сообщает результатов оценки качества или подробностей о возможностях и ограничениях такой модификации.

Dionysus-Mistral-m3-v5 — языковая модель DECEM на архитектуре Mistral, дообученная методом SFT для генерации текста по инструкциям. Она рассчитана на англоязычные запросы и использует шаблон диалога в стиле Alpaca с секциями Instruction и Response. Модель содержит 7,1 млрд параметров, работает с контекстом до 32 768 токенов и распространяется в формате Safetensors. Модель подходит для ответов на инструкции, генерации текста и рассуждений на английском языке. В README приведены результаты оценивания на бенчмарках AI2 Reasoning Challenge и HellaSwag. Лицензия — CC BY 4.0.

argilla/distilabeled-Marcoro14-7B-slerp — языковая модель Argilla, полученная методом DPO дообучения базовой модели mlabonne/Marcoro14-7B-slerp на наборе пар предпочтений argilla/distilabel-intel-orca-dpo-pairs. Это плотная Mistral-модель с 7,1 млрд параметров, предназначенная для генерации текста и общих языковых задач; заявленная длина контекста — 32 768 токенов. Карточка приводит результаты на нескольких языковых бенчмарках, однако они не гарантируют аналогичного качества в конкретном приложении. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но ограничивает коммерческое применение.

dolphin-2.9.2-qwen2-7b-GGUF — это квантизированная версия языковой модели dolphin-2.9.2-qwen2-7b, опубликованной cognitivecomputations. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; модель распространяется в формате GGUF для локального запуска через совместимые средства инференса, включая llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев. В README указан шаблон сообщений с ролями system, user и assistant, поэтому её можно применять для интерактивных ассистентов и других задач text-generation. В основе лежит архитектура Qwen2 с 7 млрд параметров, однако сведения о поддерживаемых языках, размере контекста и мультимодальности не приведены. Доступны различные уровни квантизации, позволяющие выбирать компромисс между качеством, размером файла и скоростью работы в зависимости от объёма RAM и VRAM. K-квантизации проще выбирать, а I-квантизации могут обеспечивать лучшие характеристики при небольшом размере в некоторых конфигурациях, но имеют ограничения совместимости: в частности, I-квантизации не поддерживаются сборками Vulkan. Лицензия в README не указана.

jaspionjader/dp-6-8b — объединённая языковая модель, созданная с помощью mergekit методом SLERP из jaspionjader/dp-2-8b и jaspionjader/dp-5-8b. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; репозиторий содержит веса в формате safetensors, библиотека для работы — Transformers. Модель предназначена для генерации текста и диалогового общения. Контекст составляет до 8192 токенов. Модель принимает текст и выдаёт текст. В карточке не описаны специальные области применения, языковая специализация или результаты оценки качества. Использование регулируется лицензией, указанной в метаданных Hugging Face; она не предоставлена в доступных сведениях.

DualMinded-Qwen3-1.7B — языковая модель на 1,7 млрд параметров от Convergent Intelligence LLC, созданная на базе Qwen3. Она дообучена для диалоговой генерации текста с циклом из трёх этапов: исследование задачи, критическая проверка рассуждений и формулировка итогового ответа. В обучении использованы дистилляция моделей Qwen3-30B-A3B и дообучение на отфильтрованных рассуждениях Opus 4.6; заявленная специализация — развернутые рассуждения и творческий вывод. Модель принимает текст и генерирует текст, поддерживает контекст до 40 960 токенов. В метаданных указан английский язык. Репозиторий содержит веса Safetensors; для GGUF опубликованы отдельные квантизованные варианты. Лицензия — Apache-2.0. Описанные в карточке преимущества и особенности обучения являются заявлениями разработчика; независимые оценки качества не приведены.

DupletBoreas-7B-t0.0001 — экспериментальная объединённая языковая модель, опубликованная под именем v000000. Она создана алгоритмом NearSwap на основе fearlessdots/WizardLM-2-7B-abliterated и Virt-io/Erebus-Holodeck-7B; в README первой указана как базовая fearlessdots/WizardLM-2-7B-abliterated. Модель построена на плотной архитектуре MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и многоходового диалога в формате запросов, совместимом с Vicuna. В README также описана поддержка жанровых подсказок. Указаны веса в формате safetensors; автор README благодарит за квантованные версии GGUF и GGUF imatrix, но эти форматы не перечислены среди файлов метаданных этой модели. Языки и специализированные области применения не заявлены. Условия лицензии в предоставленных данных не указаны.

EVA-Qwen2.5-7B-v0.1-GGUF — набор GGUF-квантизаций языковой модели EVA-Qwen2.5-7B-v0.1, подготовленный bartowski с использованием llama.cpp и метода imatrix. Исходная модель разработана EVA-UNIT-01. Это текстовая генеративная модель с примерно 7 млрд параметров, предназначенная для локального запуска и генерации текста; README отдельно указывает совместимость с LM Studio и формат промпта в стиле ChatML. Модель обучалась на наборах данных, включающих instruct-примеры, написание текстов, ролевые сценарии, короткие рассказы и синтетические данные. Поэтому она ориентирована на диалоговые задачи, следование инструкциям, творческое письмо и roleplay. Поддерживаемые языки, размер контекстного окна и точные архитектурные характеристики в README не указаны. Доступны варианты от F16 до Q2_K_L, включая Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ-квантизации. Более качественные варианты требуют больше памяти, а низкоразрядные предназначены для систем с ограниченным объёмом RAM, но снижают качество генерации. Специальные варианты Q4_0 оптимизированы для ARM; для некоторых требуется поддержка SVE или i8mm. Модель распространяется по лицензии Apache-2.0.

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

Experiment26Yam_Experiment29Pastiche — объединённая модель для генерации текста, созданная MaziyarPanahi путём слияния automerger/Experiment26Yam-7B и automerger/Experiment29Pastiche-7B. Она основана на плотной архитектуре Mistral с 7,1 млрд параметров и принимает текстовый контекст длиной до 32 768 токенов. Модель подходит для генерации продолжений текста и диалоговых ответов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. README не описывает отдельные специализации или ограничения качества; доступные сведения указывают на применение общего назначения.