II.1Анализ требований и архитектура ПО

Это объединённая модель генерации текста, созданная разработчиком yuhengtu-bytedance с помощью mergekit из трёх контрольных точек языковой модели. Для слияния применён линейный метод, а контрольная точка global_step7000 использована как базовая; в состав также вошли версии global_step5000 и global_step6000. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не приводит сведения о конкретных языках, специализации, обучающих данных или сравнительном качестве. Файлы опубликованы в формате safetensors; лицензия в предоставленных данных не указана.

Это объединённая модель генерации текста, опубликованная пользователем yuhengtu-bytedance. Она создана методом Linear merge в mergekit из контрольных точек предварительно обученной языковой модели на шагах обучения 4000, 5000, 6000, 7000 и 8000; контрольная точка шага 8000 использовалась как базовая. 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. Данные не уточняют целевые языки и специализированные области применения, поэтому модель можно описать только как универсальную языковую модель. Файлы весов представлены в формате Safetensors, а для работы указана библиотека Transformers. Лицензия и конкретные ограничения качества в предоставленных данных не описаны; результаты могут зависеть от используемого промпта и сценария применения.

Модель yuhengtu-bytedance/sfm_filtered_midtrain_alignment-4k_5k_6k_7k_8k_weightedavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. В README указан метод Linear merge с чекпойнтом global_step8000 в качестве базового; также объединены чекпойнты на шагах 4000, 5000, 6000 и 7000. В метаданных архитектура обозначена как плотная GPT-NeoX, класс GPTNeoXForCausalLM; размер — 8,8 млрд параметров, контекст — 16 384 токена. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для продолжения текста и построения чат-систем. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о лицензии и конкретных языках не приведены, поэтому выводы о разрешённых условиях использования и языковом покрытии сделать нельзя.

Модель sfm_filtered_midtrain_alignment-5k_6k_7k_weightedavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit методом Linear. В качестве базовой использована модель с шага обучения 7000; в объединение также вошли чекпойнты с шагов 5000 и 6000. Репозиторий подготовлен для Transformers и содержит веса в формате Safetensors. Это плотная авторегрессионная модель архитектуры GPT-NeoX с 8,8 млрд параметров и контекстом до 16 384 токенов. Она предназначена для генерации текста и диалогового взаимодействия. Сведения о специализированных предметных областях и языках в карточке отсутствуют, поэтому их нельзя определить точнее.

sfmunfilterede2ealignment-2k3k4k5k6ksimpleavgmerge — объединённая текстовая языковая модель, созданная с помощью mergekit. В слиянии использован линейный метод: за основу взят чекпойнт global_step6000, также включены чекпойнты global_step2000, global_step3000, global_step4000 и global_step5000 из серии unfiltered_e2e_alignment. Архитектура — плотная GPT-NeoX для авторегрессионной генерации текста; размер составляет 8,8 млрд параметров, контекст — до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не описывает конкретные прикладные области, языки или результаты оценки качества, поэтому их нельзя уточнить. Репозиторий содержит веса в формате Safetensors и использует библиотеку Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

agurung/sft_qwen8B_25percent — дообученная в TRL модель Qwen3-8B, опубликованная пользователем agurung. Это плотная авторегрессионная языковая модель примерно на 7,6 млрд параметров, предназначенная для генерации текста в диалоговом формате. Пример в карточке показывает ответы на открытые вопросы; метаданные также отмечают поддержку чата. Модель принимает текст и генерирует текст, работает через Transformers и хранится в формате safetensors. Её родительская модель поддерживает многоязычную генерацию, рассуждения, следование инструкциям, работу с кодом и вызов инструментов, однако карточка этой версии не подтверждает отдельно качество этих возможностей. Контекстное окно — до 40 960 токенов. Лицензия в предоставленных данных не указана.

Silicon-Medley — объединённая языковая модель, созданная Azazelle методом SLERP из Silicon-Maid-7B и piano-medley-7b. Она построена на архитектуре Mistral и предназначена для генерации текста. Репозиторий содержит веса в формате safetensors; модель насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель можно использовать для генерации продолжений текста и диалоговых ответов в сценариях, где подходит базовая модель Mistral. README описывает способ слияния и параметры, но не приводит результатов оценки качества или подробных рекомендаций по применению. Лицензия — CC BY 4.0.

Skywork-OR1-7B-GGUF — это квантизированная версия текстовой генеративной модели Skywork-OR1-7B, разработанной командой Skywork. Пакет подготовлен пользователем bartowski в формате GGUF с использованием llama.cpp и метода imatrix; исходная модель обучалась на датасете Skywork-OR1-RL-Data. Модель предназначена для генерации текста и локального инференса в LM Studio, llama.cpp и других проектах на базе llama.cpp. Доступны варианты от BF16 до низкобитных квантований Q8_0, Q6, Q5, Q4, Q3 и Q2, благодаря чему можно выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Размер модели — 7B параметров; конкретный объём файлов составляет примерно от 3,35 до 15,24 ГБ в зависимости от варианта квантования. Сильной стороной является широкий выбор квантованных сборок, включая рекомендуемые варианты Q4_K_M, Q5 и Q6, позволяющие запускать модель локально на различных конфигурациях. Ограничения включают возможное снижение качества при использовании низкобитных вариантов, а также отсутствие в README сведений о поддерживаемых языках, длине контекста, точной архитектуре, мультимодальности и результатах бенчмарков. Лицензия в предоставленных данных не указана. Для корректной генерации следует использовать рекомендованный в README формат промпта.

rAIfle выпустил Sloppier-Wingman-Alternative-8x7B-hf — объединённую языковую модель семейства Mixtral на 7,1 млрд параметров. В метаданных указана архитектура MixtralForCausalLM с механизмом Mixture of Experts, формат весов — safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев; автор предпочитает шаблон ChatML, также могут работать форматы Alpaca и Mistral. Модель получена слиянием предварительно обученных моделей методом SLERP. README также описывает конфигурацию слияния нескольких вариантов Mixtral 8x7B на основе Mixtral-8x7B-v0.1. Это альтернативная версия Sloppy-Wingman-8x7B-hf, у которой отличается вторая часть слияния. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

buelfhood выпустил sentence-transformers-модель SOCO-Java-GraphCodeBERT-ST, дообученную на базе microsoft/graphcodebert-base. Она преобразует текстовые фрагменты в плотные векторы размерности 768; сходство между ними можно оценивать косинусной мерой. Архитектура состоит из трансформера RoBERTa и слоя среднего пулинга токенов. Максимальная длина последовательности — 512 токенов. Модель предназначена для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации. База GraphCodeBERT ориентирована на понимание кода, а карточка указывает на обучение на 33 411 примерах. Метаданные называют библиотеку Sentence Transformers и формат весов Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

SOLAR-0-70b-8bit — 8-битная квантованная версия модели upstage/SOLAR-0-70b-16bit, разработанная компанией Upstage на архитектуре LLaMA-2. Это плотная авторегрессионная языковая модель с 68,7 млрд параметров, предназначенная для генерации текста и следования инструкциям на английском языке. В карточке описан шаблон диалога с системным сообщением, запросом пользователя и ответом ассистента. Модель рассчитана на диалоговые сценарии, ответы на вопросы и выполнение текстовых инструкций. В метаданных указан контекст 4096 токенов; README сообщает, что благодаря настройке rope_scaling модель может обрабатывать более 10 тысяч входных токенов. Эти значения относятся к разным конфигурациям использования и не следует считать гарантией доступной длины во всех средах. Модель оценивалась на ARC-Challenge, HellaSwag, MMLU, TruthfulQA и MT-bench. Для запуска указана библиотека HuggingFace Transformers; авторы тестировали её на A100 80 ГБ. Дообученные контрольные точки распространяются по лицензии CC BY-NC 4.0 с ограничением на некоммерческое использование.

StrangeMerges_41-7B-dare_ties — объединённая языковая модель на архитектуре Mistral, созданная Gille с помощью LazyMergekit и метода dare_ties. В слияние вошли Weyaxi/Einstein-v4-7B, rwitz/experiment26-truthy-iter-0 и kaist-ai/mistral-orpo-beta; в настройке указаны веса 0,3, 0,2 и 0,5 соответственно и плотность 0,8. Модель содержит 7,1 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и может применяться в диалогах, ответах на вопросы и следовании инструкциям — такие сценарии свойственны входящей в слияние Einstein-v4-7B. Карточка не приводит отдельных оценок качества или подробных результатов тестирования. Лицензия — Apache-2.0.

Swarm Sovereign 26B — мультимодальная модель для работы с текстом и изображениями, представленная в формате GGUF. Базовая модель разработана LiamVisionary, а данная квантизированная версия подготовлена mradermacher. Модель предназначена для генерации текста и диалоговых сценариев, включая использование в приложениях, поддерживающих GGUF и vision-модели. Модель содержит около 26 миллиардов параметров, относится к семейству Gemma4 и поддерживает английский язык. README не указывает архитектуру на уровне компонентов, размер контекстного окна или точные возможности обработки изображений, однако подтверждает наличие vision-компонента и необходимость использования соответствующего mmproj-файла из статического репозитория. Доступны варианты квантизации i1-IQ1_S–i1-Q6_K размером примерно от 8,4 до 22,7 ГБ. Варианты различаются компромиссом между размером, скоростью и качеством; Q4_K_M отмечен как рекомендуемый, а Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Сильной стороной модели является выбор многочисленных GGUF-квантизаций, позволяющий запускать её на оборудовании с разным объёмом памяти, а также поддержка изображений. Ограничения включают потенциальное снижение качества у наиболее компактных вариантов и необходимость отдельного vision-проектора для мультимодальной работы. Модель распространяется по лицензии Apache-2.0.

T3qm7xNeuralsirkrishna-7B — объединённая модель Maxime Labonne на архитектуре Mistral с 7,1 млрд параметров. Она создана методом SLERP из nlpguy/T3QM7X и Kukedlc/NeuralSirKrishna-7b; веса доступны в формате safetensors и представлены в bfloat16. Модель предназначена для генерации текста и диалогов. Она принимает текст, выдаёт текст и поддерживает контекст до 32 768 токенов. Метаданные указывают лицензию Apache-2.0. Карточка содержит конфигурацию слияния и пример загрузки через Transformers, но не описывает отдельные специализации или результаты оценки качества.

taraV2-M16B — языковая модель Gragroo на архитектуре Llama с плотной архитектурой и 3,2 млрд параметров. Это дообученная версия Gragroo/runpodV1-merged_16bit; при обучении использовались Unsloth и библиотека Hugging Face TRL. Модель предназначена для генерации текста и диалогового общения, а метаданные также отмечают интерфейс вызова инструментов. Заявленная длина контекста составляет 131 072 токена. В карточке указаны английский язык и формат весов safetensors. Модель распространяется по лицензии Apache-2.0. Данных о конкретной специализации или результатах оценки качества карточка не содержит.

TemptressTensor-10.7B-v0.1a — текстовая генеративная модель на архитектуре Mistral, созданная с помощью LazyMergekit. В README в качестве компонентов слияния указана jsfs11/RandomMergeNoNormWEIGHTED-7B-DARETIES; метаданные также связывают модель с этим репозиторием. Модель содержит 10,6 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. Она распространяется в формате Safetensors по лицензии Apache-2.0. В README отмечена склонность модели к выдаче контента NSFW.

Terminal-complete-4k — дообученная модель на основе Qwen/Qwen3-8B, созданная автором репозитория на датасете qwen_data_complete. Это плотная причинная языковая модель примерно на 7,6 млрд параметров для диалоговой генерации текста; она принимает текст и выдаёт текст. В метаданных указано окно контекста до 40 960 токенов и библиотека Transformers. Модель подходит для диалога и генерации текста в сценариях, поддерживаемых базовой Qwen3-8B. README не описывает специализацию датасета, качество, результаты оценки или конкретные ограничения, поэтому назначение «Terminal» в названии само по себе не подтверждает специализацию на командной строке. Модель распространяется в формате safetensors; лицензия указана как other, без уточнения условий в предоставленных данных.

Ternary Bonsai 2 27B Abliterated PQ2_0 MTP — это производная от prism-ml/Ternary-Bonsai-2-27B-gguf модель на основе семейства Qwen, опубликованная BoldingBuilds в формате GGUF. Веса упакованы с тернарным квантованием PQ2_0 примерно до 2,13 бит на вес; модель изменена методом abliteration, который убирает поведение отказа. Вариант MTP дополнен головой multi-token prediction для спекулятивного декодирования. Модель предназначена для локальной генерации текста и диалогов, в том числе ответов на запросы, от которых исходная модель отказывается. При подходящих нагрузках MTP ускоряет генерацию, например для кода, JSON и рассуждений; на свободной прозе ускорения нет и возможна небольшая просадка. Для MTP-файла требуется исправленная сборка llama.cpp; файл без MTP работает без этого патча. README сообщает о сохранении качества на MMLU относительно исходной тернарной версии, но приводит снижение pass@1 на HumanEval с 0,890 до 0,872, статистически незначимое в описанном измерении. У варианта v1 также отмечена проблема режима рассуждений: ответы на часть запросов не завершаются; измерения качества и отказов проводились с выключенным режимом thinking. Лицензия — Apache-2.0. Модель не имеет встроенного поведения отказа и требует отдельного защитного слоя перед пользовательским применением.

LongWriter-Zero-32B-GGUF — квантизированная версия языковой модели LongWriter-Zero-32B, разработанной THU-KEG и подготовленной квантизатором bartowski в формате GGUF с использованием llama.cpp. Модель предназначена для генерации текста, решения общих задач и написания развернутых материалов с поддержкой длинного контекста; заявлены английский и китайский языки. В метаданных также указано обучение с подкреплением и использование набора данных THU-KEG/LongWriter-Zero-RLData. Модель имеет размер 32B параметров и доступна в вариантах от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Это позволяет выбирать между качеством, размером файла и требованиями к памяти; рекомендуемыми названы некоторые варианты Q6, Q5 и Q4. Модель можно запускать локально через LM Studio, llama.cpp и совместимые проекты. Указанный формат и набор квантизаций являются сильной стороной для локального использования, однако README не содержит точных сведений о размере контекстного окна, архитектуре исходной модели, мультимодальности или результатах сравнительных оценок. Распространение заявлено по лицензии Apache-2.0.

yunconglong/Truthful_DPO_TomGrc_FusionNet_7Bx2_MoE_13B — языковая модель Yunconglong, дообученная методом Direct Preference Optimization (DPO) на наборе предпочтений jondurbin/truthy-dpo-v0.1 на основе TomGrc/FusionNet_7Bx2_MoE_14B. Модель предназначена для генерации текста и диалоговых сценариев, где важны ответы, согласованные с предпочтениями обучающих данных. Архитектура — Mixtral-подобная авторегрессионная модель с MoE; в метаданных указан размер 7,1 млрд параметров и контекст до 32 768 токенов. Репозиторий содержит веса Safetensors. Карточка не сообщает о поддерживаемых языках или специальных мультимодальных возможностях. Модель распространяется по лицензии MIT. DPO-настройка ориентирована на правдивые ответы, однако сама по себе не гарантирует фактическую точность; качество может зависеть от запроса и данных обучения.

UNA-ThePitbull 21.4B v1 — разговорная языковая модель, опубликованная fblgit. Она основана на saltlux/luxia-21.4b-alignment-v1.0 и предназначена для генерации текста в диалогах и других задачах общения. В метаданных указаны плотная архитектура Llama, реализация LlamaForCausalLM, 20,9 млрд параметров и контекст до 32 768 токенов. Автор сообщает, что в модели равномерно настроены только MLP-блоки, а полносвязное обучение с учителем и DPO можно проводить повторно. В репозитории опубликованы веса Safetensors; доступна отдельная квантованная версия в формате GGUF. Заявления README о качестве и сравнении с моделями на 70 млрд параметров не подтверждены приведёнными здесь данными оценки. Лицензия — AFL-3.0.

Это набор GGUF-квантизированных файлов модели vicky4s4s/gemma-2-2b-instruct, подготовленный организацией featherless-ai-quants. Базовая модель относится к семейству Gemma 2 и предназначена для генерации текста в инструкционном режиме: диалогов, ответов на запросы и других задач, где требуется следовать текстовым инструкциям. В README не указаны точные сведения о разработчике базовой модели, языках, длине контекста, архитектурных деталях и поддерживаемых модальностях, поэтому модель следует рассматривать как текстовую, без подтверждённой поддержки изображений или других типов данных. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 1,17 до 2,66 ГБ. Квантизация уменьшает требования к памяти и упрощает локальный запуск, но более компактные варианты могут уступать вариантам с большей разрядностью по качеству и точности. README не содержит результатов тестирования, поэтому сравнительные преимущества и ограничения конкретных вариантов количественно не подтверждены. Лицензия в предоставленных данных не указана. Условия использования следует уточнить отдельно для базовой модели vicky4s4s/gemma-2-2b-instruct и опубликованных квантизированных файлов.

WestMaid_HermesMonarchv0.1 — языковая модель на 7,1 млрд параметров, созданная giraffe176 слиянием нескольких моделей на базе Mistral-7B-v0.1. Для объединения использован метод DARE TIES; среди исходных моделей — AlphaMonarch-7B, Noromaid-7B-0.4-DPO, WestLake-7B-v2 и дистиллированная OpenHermes 2.5. Модель предназначена для генерации текста, диалогов и ответов на вопросы. В карточке приведены результаты бенчмарков, включая MT-Bench и EQ-Bench v2.1; это заявленные автором показатели, которые не гарантируют качество на конкретных задачах. Модель принимает текст и генерирует текст; максимальная длина контекста — 32 768 токенов. Данных о целевых языках карточка не приводит. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. Она унаследовала особенности и ограничения компонентов слияния; фактическое качество следует оценивать на целевых сценариях.

xdg-llama-3-8B — языковая модель на архитектуре Llama 3, опубликованная xiaodongguaAIGC. Модель содержит около 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Она дообучена с использованием SFT, DPO и RLHF, включая обучение reward model и PPO, на смешанных инструкционных данных; среди датасетов указаны набор разработчика alpaca_en_zh_ruozhiba и наборы для безопасности PKU-SafeRLHF и CValues_DPO. Модель предназначена для генерации ответов на инструкции и вопросы, в том числе на китайском и английском языках; автор также заявляет возможности в программировании, рассуждениях и безопасном отказе. README приводит результаты MMLU, C-EVAL и C-MMLU, которые ниже указанных там результатов базовой Llama-3-8B и Llama-3-8B-Instruct. Файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Aaron Di/Yamshadowexperiment28M70.49-0.87-0.92-0.72-0.23-0.18-7B — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В метаданных указаны две базовые модели: AurelPx/Percival_01-7b-slerp и liminerity/M7-7b; веса представлены в формате Safetensors. Модель предназначена для генерации текста и диалогов. В README показан пример использования через Transformers с шаблоном чата и генерацией продолжения; заявленная длина контекста — 32 768 токенов. Лицензия — Apache-2.0. README содержит демонстрационный код, но не приводит результаты оценки качества или сведения о языках.

Yamshadowexperiment28M70.64-0.81-0.33-0.12-0.46-0.05-7B — объединённая текстовая модель семейства Mistral от автора aaron-di, предназначенная для генерации текста и диалогов. В метаданных указаны 7,1 млрд параметров, архитектура MistralForCausalLM, контекст до 32 768 токенов и формат весов safetensors. README показывает запуск через Transformers с применением chat template и генерацией продолжения ответа на пользовательский запрос. Модель можно использовать для диалога и создания текстовых ответов; сведений о целевой предметной области или языковой специализации в карточке нет. Лицензия — Apache 2.0.

YamshadowStrangemerges_32_Experiment27Pastiche — объединённая автором MaziyarPanahi текстовая модель на архитектуре Mistral с 7,1 млрд параметров. В карточке указаны две исходные модели: automerger/YamshadowStrangemerges_32-7B и automerger/Experiment27Pastiche-7B. Модель предназначена для генерации текста и диалоговых ответов; контекст составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не приводит отдельных оценок качества или сведений о языковой специализации.

Abiray/ZAYA1-8B-GGUF — набор GGUF-квантизаций модели ZAYA1-8B, разработанной Zyphra. Модель предназначена для задач генерации текста, сложного рассуждения и локального развертывания при ограниченных ресурсах. ZAYA1-8B использует разреженную Mixture-of-Experts (MoE) архитектуру zaya с механизмом Compressed Convolutional Attention и MLP-router. Всего модель содержит около 8,4 млрд параметров, из которых примерно 760 млн активируются для каждого токена. Доступны варианты квантизации Q3_K_M, Q4_K_S, Q4_K_M, Q5_K_M, Q6_K и Q8_0; рекомендован Q4_K_M как компромисс между потреблением памяти и качеством рассуждений. Сведения о языках, модальностях и размере контекста в README не указаны. К сильным сторонам относятся высокая плотность интеллекта, небольшое число активных параметров на токен и возможность локального запуска. Ограничения связаны с экспериментальной поддержкой архитектуры: для работы требуется самостоятельно собрать llama.cpp из ветки Draft PR #23112, поскольку стандартные релизы пока не распознают необходимые метаданные zaya. Агрессивная квантизация может ухудшать логические способности, а чувствительные слои cca_conv_grp оставлены в более высокой точности. Модель распространяется по лицензии Apache-2.0.

ZAYA1-base — базовая языковая модель Zyphra с архитектурой MoE (смесь экспертов), предназначенная для генерации текста и диалоговых сценариев. По README в модели активны 800 млн из 8,3 млрд параметров; метаданные каталога указывают 7,7 млрд параметров. Модель использует плотные слои и собственные механизмы Compressed Convolutional Attention, маршрутизатор экспертов ZAYA1 и масштабирование остаточных связей. Она обучалась с нуля на аппаратном, программном и сетевом стеке AMD. Модель рассчитана на продолжение текста, диалог и задачи рассуждения, особенно математические и STEM-задачи. В README заявлены конкурентные результаты относительно базовых моделей сопоставимого масштаба, однако приведённых численных бенчмарков нет. Контекстное окно составляет 32 768 токенов; используется токенизатор Gemma 3. Для запуска требуется специальная ветка библиотеки Transformers от Zyphra. Модель распространяется по лицензии Apache 2.0.

tanliboy/zephyr-qwen2-7b-dpo — диалоговая языковая модель, полученная дообучением tanliboy/zephyr-qwen2-7b-sft методом DPO на наборе предпочтений HuggingFaceH4/ultrafeedback_binarized. Она построена на архитектуре Qwen2, содержит 7,1 млрд параметров и предназначена для генерации текста в формате общения; заявленная длина контекста — 131 072 токена. Модель можно использовать для диалоговых ответов и других задач генерации текста. В README приведены результаты оценки на тестовом наборе, включая точность предпочтений 0,712. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.