II.1Анализ требований и архитектура ПО

netcat420/MFANNv0.19 — языковая модель семейства Llama, опубликованная на Hugging Face в формате safetensors для генерации текста и диалогового взаимодействия. Она содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. В метаданных указан английский язык, а среди связанных данных — датасет netcat420/MFANN. Модель подходит для генерации продолжений текста и ответов в чат-сценариях. README не раскрывает разработчика, происхождение дообучения, предназначение датасета, результаты большинства оценок или известные ограничения; приведены лишь отдельные показатели Open LLM Leaderboard. Лицензия указана как llama3.1.

MiniCPM5-1B-Claude-Opus-Fable5-Thinking-GGUF — набор GGUF-квантизаций модели MiniCPM5-1B-Claude-Opus-Fable5-Thinking, разработанной на базе openbmb/MiniCPM5-1B и дообученной на данных Fable 5. Репозиторий подготовлен для локального запуска через llama.cpp, Ollama, LM Studio, jan, KoboldCpp и другие совместимые среды; разработчик производной модели — GnLOLot, базовая модель создана OpenBMB. Это компактная текстовая генеративная модель с режимом рассуждений, предназначенная для следования инструкциям, генерации и отладки кода, а также сценариев разработки программного обеспечения. Модель поддерживает английский и китайский языки, имеет размер 1B параметров и заявленный контекст до 128K токенов. В GGUF встроен собственный chat template MiniCPM5, а для локального развертывания доступны варианты Q4_K_M, Q5_K_M, Q8_0 и F16 размером примерно от 657 МБ до 2,1 ГБ; Q8_0 рекомендован как стандартный вариант. К сильным сторонам относятся небольшой размер, возможность локального запуска, поддержка длинного контекста, программирования и режима рассуждений. Ограничения связаны с масштабом 1B: модель не относится к моделям передового уровня, а фактическая длина доступного контекста зависит от используемого GGUF-рантайма и оборудования. В режиме рассуждений она может выводить блоки рассуждений перед итоговым ответом. Лицензия — Apache-2.0, унаследованная от базовой модели.

miniG — языковая модель команды CausalLM на архитектуре ChatGLM. Основная текстовая версия содержит около 9 млрд параметров; метаданные репозитория указывают общий размер 11,4 млрд параметров. Модель дообучена на синтетическом наборе из более чем 120 млн примеров, подготовленном на основе корпуса объёмом 20 млрд токенов. В README также описана мультимодальная версия с ViT на 5 млрд параметров, однако эта карточка относится к текстовым весам. Модель предназначена для генерации текста и диалоговых сценариев с длинным контекстом до 1 млн токенов. Авторы отмечают обучение на данных для retrieval-поддержанных диалогов и интеграции знаний, но не заявляют отдельную специализацию по прикладной области. Лицензия репозитория — WTFPL. Авторы предупреждают о склонности к переобучению и галлюцинациям, отсутствии полноценного выравнивания по человеческим предпочтениям и возможном ухудшении качества при использовании ускоренных реализаций и квантизации; для вывода рекомендуются Transformers и низкая температура генерации. Данные обучения не были полностью отфильтрованы, поэтому возможны оскорбительный, порнографический и жестокий контент.

MiniMax-M2.5-JANG_4M-CRACK — созданная Jinho Jang производная модели MiniMaxAI/MiniMax-M2.5, предназначенная для диалоговой генерации текста и рассуждений. Это MoE-модель семейства MiniMax M2 с заявленными в README 230 млрд параметров, 256 экспертами и примерно 10 млрд активных параметров на токен; метаданные репозитория указывают 2,9 млрд параметров. В README описан профиль квантования JANG_4M со смешанной точностью 8 бит для attention и 4 бита для экспертов, а также удаление отказов CRACK на уровне весов. Заявленная длина контекста — 196 608 токенов. Модель поддерживает английский, китайский и корейский языки, чат и интерфейс вызова инструментов. Модель рассчитана на запуск на Apple Silicon через MLX; README указывает поддержку формата JANG в MLX Studio и пакете jang-tools. Подходит для диалоговых помощников, многошаговых рассуждений и сценариев, где нужны ответы без стандартных отказов безопасности. Лицензия в метаданных — Apache-2.0. Заявления README о результатах тестов и сохранении качества не подтверждены независимыми данными.

MiniMax-M2-MLX-4bit — 4-битно квантованная версия языковой модели MiniMax-M2, разработанной MiniMaxAI. Квантование выполнено командой LM Studio с использованием mlx_lm и формата MLX; модель оптимизирована для запуска на устройствах Apple Silicon. Она предназначена для генерации текста и локального использования через LM Studio. Модель подходит для сценариев, требующих локального текстового вывода при сниженных требованиях к памяти по сравнению с полной версией модели. README не содержит сведений о точном размере модели, поддерживаемых языках, максимальной длине контекста, архитектуре или дополнительных модальностях, поэтому эти характеристики нельзя достоверно указать. Квантование в 4 бита может уменьшать потребление ресурсов, но потенциально снижать точность по сравнению с исходной моделью. Модель распространяется по лицензии MIT.

MiniMax-M2-MLX-8bit — это 8-битная квантованная версия языковой модели MiniMax-M2, разработанной компанией MiniMaxAI. Данная версия подготовлена командой LM Studio на базе MLX и предназначена для локального запуска на компьютерах Apple Silicon, в том числе через LM Studio. Модель относится к классу text-generation и рассчитана на задачи генерации текста и диалогового взаимодействия. Она использует архитектуру и возможности исходной MiniMax-M2, однако в предоставленных данных не указаны точные размер модели, архитектурные параметры, поддерживаемые языки, объём контекстного окна и сведения о мультимодальности. Ключевая особенность версии — 8-битное квантование и оптимизация с помощью MLX для устройств Apple Silicon, что делает её более подходящей для локального использования при ограниченных ресурсах по сравнению с полноразмерной версией. Ограничения включают возможное снижение точности из-за квантования, зависимость от совместимого оборудования и отсутствие подробных данных о качестве, производительности и области применения. Модель распространяется по лицензии MIT.

Mini_synata_7b_011-Mistral-7B-Instruct-v0.2-slerp — диалоговая модель на архитектуре Mistral, созданная слиянием mistralai/Mistral-7B-Instruct-v0.2 и Minirecord/Mini_synata_7b_011 методом SLERP. Модель содержит 7,1 млрд параметров, использует формат safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах и выполнения инструкций. Её можно использовать для создания чат-ботов, ответов на вопросы и подготовки текстовых черновиков. В карточке не приведены сведения о специализированных областях, языковом покрытии или сравнительной оценке качества. Распространяется по лицензии Apache-2.0.

Карточка модели princeton-nlp/Mistral-7B-Base-SFT-DPO на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Base-8B-SFT, поэтому описание составлено по ней. princeton-nlp/Llama-3-Base-8B-SFT — разговорная модель генерации текста на архитектуре Llama, опубликованная как часть работы SimPO: Simple Preference Optimization with a Reference-Free Reward. Репозиторий содержит модель на 7,5 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на запросы и ведения беседы. README отсылает к репозиторию SimPO за дополнительными сведениями. Лицензия и конкретные языковые возможности в предоставленных данных не определены.

MaziyarPanahi/Mistral-7B-Merge-14-v0.1-Mistral-7B-Instruct-v0.1 — текстовая чат-модель, созданная слиянием Mistral-7B-Instruct-v0.1 от Mistral AI и EmbeddedLLM/Mistral-7B-Merge-14-v0.1. В README указано, что использован метод SLERP с настройками смешивания для слоёв self-attention и MLP; результат сохранён в формате bfloat16. Архитектура — плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и ответов на инструкции и диалоговые запросы. В метаданных указан английский язык и возможность чата. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о дополнительных возможностях слияния.

ehristoforu/mistral-distil-test-0 — текстовая генеративная модель на архитектуре Mistral, созданная с помощью mergekit из слоёв unsloth/Mistral-Nemo-Instruct-2407. В конфигурации passthrough сохранены слои 0–7 и 14–31 исходной модели; репозиторий содержит веса в формате safetensors. Метаданные указывают размер 7,8 млрд параметров и контекст до 1 024 000 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не сообщает о языках обучения или отдельных прикладных областях. Она опубликована в июле 2024 года и использует лицензию базовой модели; сведения о лицензии в предоставленных данных отсутствуют.

LeroyDyer/Mixtral_AI_CyberTron — языковая модель, созданная объединением предварительно обученных моделей с помощью mergekit. В слияние линейным методом вошли Mixtral_AI_AlphaTron, Mixtral_AI_MegaTron и версии LeroyDyer/Mixtral_AI_CyberTron_M3 и M4; веса сохранены в формате safetensors. Архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалогового общения. Карточка не уточняет специализацию по языкам или прикладным областям. Для загрузки указана библиотека Transformers, лицензия не приведена.

MoMo-72B-lora-1.8.6-DPO — языковая модель компании Moreh на архитектуре Llama, обученная методом DPO на основе MoMo-72B-LoRA-V1.4. Базовая версия MoMo-72B-LoRA-V1.4 была дообучена методом SFT с LoRA на QWEN-72B; авторы сообщают, что слияние весов не применялось. Для совместимости с Llama веса были адаптированы при подготовке к отправке на лидерборд. Модель содержит около 71 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. При обучении использовались наборы SlimOrca, Truthy и Orca DPO Pairs; обучение проводилось на платформе MoAI компании Moreh с ускорителями AMD MI250. В карточке приведён результат проверки на утечку данных для TruthfulQA, но полных результатов бенчмарков нет. Указана лицензия MIT.

Monstral-123B-v2-GGUF — это квантизированная версия текстовой генеративной модели Monstral-123B-v2, разработанной MarsupialAI и подготовленной в формате GGUF пользователем bartowski. Модель предназначена для диалогового взаимодействия и генерации текста, включая локальный запуск через llama.cpp и LM Studio. Указан английский язык, а рекомендуемый формат запроса — шаблон [INST]. Модель содержит 123B параметров, однако сведения о конкретной архитектуре, размере контекста и поддерживаемых модальностях в README не приведены. Доступно множество вариантов квантизации от Q8_0 до IQ1_M: более высокие разрядности сохраняют лучшее качество, но требуют значительно больше памяти, тогда как низкоразрядные варианты экономичнее, но заметно уступают по качеству. Рекомендуемыми названы Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S и IQ4_XS; размер файлов варьируется примерно от 28 до 130 ГБ. Основные преимущества — возможность локального запуска, широкий выбор компромиссов между качеством и требованиями к памяти, а также оптимизации для некоторых ARM- и AVX-систем. Ограничения включают очень высокие аппаратные требования для крупных вариантов и снижение качества у низкоразрядных квантизаций; отдельные варианты имеют ограничения совместимости, например Q4_0_8_8 не рекомендуется для Mac. Лицензия указана как other с названием mrl, но её подробные условия в README не раскрыты.

Moonlight-16B-A3B-Instruct-bruno-i1-GGUF — GGUF-квантизированная версия модели rawcell/Moonlight-16B-A3B-Instruct-bruno, подготовленная и опубликованная mradermacher. Это диалоговая instruction-модель для генерации текста и conversational-сценариев, включая локальный запуск через совместимые с GGUF инструменты. В метаданных она отмечена как MoE-модель с ориентировочными 16 млрд параметров и обозначением A3B, а также как англоязычная модель. Доступны многочисленные варианты квантизации от i1-IQ1_S до i1-Q6_K с размером файлов примерно от 5,2 до 12,1 ГБ; README отмечает i1-Q4_K_M как быстрый и рекомендуемый вариант, а i1-Q4_K_S — как оптимальный по соотношению размера, скорости и качества. Квантизация снижает требования к памяти и делает модель более подходящей для локального использования, однако более агрессивные варианты могут заметно ухудшать качество. Контекстный размер, мультимодальность, поддерживаемые языки помимо английского и результаты оценивания в README не указаны. Модель имеет маркировки abliterated, decensored и uncensored, поэтому для задач, требующих строгих защитных ограничений, её поведение следует проверять отдельно. Лицензия — Apache-2.0.

zelk12 создал эту модель как объединение методом SLERP двух предварительно обученных языковых моделей: zelk12/MT-Gen4-gemma-2-9B и zelk12/MT-Merge5-gemma-2-9B. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; поддерживает контекст до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель подойдёт для диалоговых приложений и генерации текста. В карточке не описаны специализированные области применения или языки, поэтому их нельзя уточнить по предоставленным сведениям. Лицензия в данных не указана.

zelk12 создал объединённую методом SLERP языковую модель на основе Gemma 2. В слияние вошли zelk12/MT2-MMMA-gemma-2-9B и zelk12/MT2-GMU-gemma-2-9B; модель содержит 9 млрд параметров и предназначена для генерации текста и диалогов. Она использует архитектуру Gemma2ForCausalLM, работает с текстом и имеет контекст длиной до 8192 токенов. Модель подходит для диалоговых интерфейсов и генерации ответов, а также для других сценариев продолжения текста. Репозиторий содержит веса в формате safetensors; метаданные указывают библиотеку Transformers. Языки, на которых модель обучалась или для которых она специально оптимизирована, в предоставленных данных не определены. Условия лицензии в предоставленных данных не указаны. Качество и ограничения модели отдельно не описаны; практическое применение требует оценки на целевых задачах.

zelk12 создал эту диалоговую модель с помощью mergekit, объединив SLERP-методом две предварительно обученные модели Gemma 2: recoilme/recoilme-gemma-2-9B-v0.3 и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1-t0.25. Модель имеет плотную архитектуру Gemma 2, содержит 9 млрд параметров и предназначена для генерации текста в диалогах и при выполнении инструкций. Модель работает с текстом, поддерживает чат и имеет контекст до 8192 токенов. Данные не подтверждают поддержку конкретных естественных языков или специализированных предметных областей. Использование зависит от лицензии базовых моделей; сведения о лицензии в предоставленной карточке отсутствуют.

zelk12/MT4-MU-gemma-2-Rv0.4RGDv0.1-9B — объединённая языковая модель семейства Gemma 2, созданная с помощью mergekit методом SLERP из recoilme/recoilme-gemma-2-9B-v0.4 и zelk12/recoilme-gemma-2-Gutenberg-Doppel-9B-v0.1. Модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и предназначена для генерации текста и диалоговых ответов. Модель принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Карточка не описывает специализированные предметные области, языки, сравнительные качества или ограничения, поэтому применимость к конкретным сценариям следует оценивать отдельно. Дата публикации на Hugging Face — 2024-10-16. Условия лицензии в предоставленных данных не приведены.

zelk12 объединил методом SLERP две предварительно обученные языковые модели Gemma 2 9B: MT-Gen4-MAMU-gemma-2-9B и MT-Gen4-GIBMM-gemma-2-9B. Это плотная авторегрессионная модель с архитектурой Gemma2ForCausalLM, рассчитанная на генерацию текста и диалоговое использование. Объём модели — 9 млрд параметров, контекст — до 8192 токенов; веса доступны в формате safetensors. Модель подходит для диалоговых ответов, продолжения текста и следования инструкциям. README приводит результаты Open LLM Leaderboard, включая 78,83 на IFEval и 43,96 на BBH; этих оценок недостаточно, чтобы судить о качестве во всех сценариях. В метаданных указан тег лицензии Gemma. Языки и специальные предметные области в предоставленных данных не определены.

automerger/Multi_verse_modelExperiment28-7B — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit. В основе объединения лежит ammarali32/multi_verse_model; также в него включена yam-peleg/Experiment28-7B. Использован метод DARE TIES. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и сценариев работы с языковой моделью. В карточке не приведены специальные прикладные области или сведения о языках. Файлы представлены в формате safetensors. Лицензия не указана в предоставленных данных.

Neo_7b-merge17 — объединённая модель семейства LLaMA, созданная DewEfresh с помощью LazyMergekit на основе DewEfresh/neo_7b и m-a-p/neo_7b. Она предназначена для генерации текста и диалоговых приложений; в метаданных также указана возможность чата. Модель содержит 5,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов. Модель опубликована в формате safetensors. Сведения о конкретных языках, сильных сторонах, ограничениях и лицензии в предоставленных источниках отсутствуют.

QuantFactory/NeuralDaredevil-7B-GGUF — квантизированная версия языковой модели NeuralDaredevil-7B, созданная с помощью llama.cpp. Базовая модель разработана mlabonne: это DPO-файнтюнинг модели mlabonne/Daredevil-7B на датасете предпочтений argilla/distilabel-intel-orca-dpo-pairs. Модель предназначена для генерации текста, диалоговых и общих языковых задач, а также рассуждений и ответов на вопросы. Модель относится к семейству 7B; точная архитектура, размер контекста, поддерживаемые языки и сведения о модальностях в README не указаны. Квантизация в формате GGUF рассчитана на использование через инструменты экосистемы llama.cpp и может снизить требования к памяти по сравнению с исходной полноразмерной моделью. В опубликованных тестах модель показывает результаты 74,12 в среднем на Open LLM Leaderboard, включая 87,62 на HellaSwag, 73,16 на GSM8K и 65,12 на MMLU. Эти показатели характеризуют задачи бенчмарков и не гарантируют качество в прикладных сценариях. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но ограничивающей коммерческое применение. README не содержит подробностей о конкретном варианте квантизации, системных требованиях, формате prompt-шаблона и ограничениях безопасности.

NeuralHermes-2.5-Mistral-7B-GGUF — это квантованная версия языковой модели NeuralHermes-2.5-Mistral-7B, разработанной mlabonne и преобразованной в формат GGUF пользователем MaziyarPanahi. Модель основана на Mistral-7B и предназначена для генерации текста и диалогового использования в инструкционном режиме с применением шаблона ChatML. Модель подходит для локального запуска через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. В репозитории доступны варианты квантования с разрядностью от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти, скоростью работы и качеством генерации. Заявлена поддержка преимущественно английского языка; сведения о размере контекста и других модальностях отсутствуют, поэтому модель следует рассматривать как текстовую. К сильным сторонам относятся локальный запуск, широкий выбор уровней квантования и совместимость с распространёнными инструментами инференса. К ограничениям относятся возможная потеря качества при низкой разрядности квантования, зависимость производительности от выбранного файла и оборудования, а также отсутствие в предоставленных данных подробных оценок качества, безопасностных характеристик и размера контекста. Модель распространяется по лицензии Apache-2.0.

NeuralKuke-4-All-7b — объединённая модель для генерации текста на основе архитектуры Mistral, созданная автором репозитория Kukedlc с помощью LazyMergekit. Она объединяет пять моделей, ориентированных на ARC, WinoGrande, вопросы и ответы, математику и диалоговые сценарии. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Её можно применять для диалогов, ответов на вопросы и решения математических задач. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Количественные оценки качества и сведения о поддерживаемых естественных языках в предоставленных данных отсутствуют.

MaziyarPanahi/NeuralsirkrishnaShadow_Experiment27Pastiche — объединённая автором карточки модель на архитектуре Mistral с 7,1 млрд параметров. Она создана путём слияния automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment27Pastiche-7B и предназначена для генерации текста, в том числе диалоговых ответов. Модель принимает текст и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. В карточке не приведены сведения о целевых языках или специализированных областях применения.

NoromaidxOpenGPT4-1 — диалоговая языковая модель, созданная NeverSleep слиянием моделей Noromaid-8x7b-Instruct и Open_Gpt4_8x7B_v0.2 методом TIES на базе Mixtral-8x7B-Instruct-v0.1. Репозиторий содержит веса в формате FP16; архитектура Mixtral использует смесь экспертов (MoE), а размер модели составляет 7,1 млрд параметров. Модель предназначена для генерации текста и ответов в диалоге по инструкциям; README приводит шаблоны Alpaca и Mistral. Контекстное окно — 32 768 токенов. Модель рассчитана на разговорное применение и объединяет качества двух исходных моделей; README отмечает, что варианты NoromaidxOpenGPT4-1 и -2 проявили разные качества при тестировании. Языки в карточке не обозначены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческих целях.

Notus-TheTop-7b-Passthrough — диалоговая языковая модель, созданная объединением MaziyarPanahi/TheTop-5x7B-Instruct-S3-v0.1 и argilla/notus-7b-v1 с помощью LazyMergekit. В README указан метод слияния passthrough: слои моделей берутся из заданных диапазонов, а веса представлены в формате float16. Архитектура — плотная MistralForCausalLM, размер — 8,9 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев: ответов на запросы, продолжения текста и работы чат-бота. В сведениях о базовой модели указана ориентация преимущественно на английский язык. Карточка не сообщает об отдельных специализированных областях применения или результатах сравнительной оценки качества. Репозиторий содержит веса Safetensors. Лицензия в предоставленных данных не указана.

argilla/OpenHermes-2.5-Mistral-7B-top-SPIN-iter0 — разговорная языковая модель, дообученная на базе teknium/OpenHermes-2.5-Mistral-7B на наборе argilla/10k_prompts_top_SPIN_iter0. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговые сценарии; заявленная длина контекста — 32 768 токенов. Её можно использовать для генерации ответов в чате и других задач продолжения текста. В карточке приведены лишь краткие сведения о дообучении; подробные оценки качества, рекомендуемые сценарии, сведения о разработчике и лицензии отсутствуют. Репозиторий содержит веса в формате safetensors.

OpenHermes-7B-Symbolic-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral AI и hedronstone/OpenHermes-7B-Symbolic методом SLERP. Она предназначена для генерации текста и ответов на инструкции в формате диалога. Модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст, поддерживает контекст до 32 768 токенов и выдаёт текст. Веса опубликованы в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Она подходит для диалоговых сценариев и выполнения текстовых инструкций; качество ответов и способность решать специализированные задачи README не описывает.

Это дообученная модель OpenSci для генерации текста в диалоговом формате. Она создана на основе ali-elganzory/open-sci-ref-v0.02-1.7b-nemotron-hq-mv_reasoning-300B-4096-longsft_16k и обучалась с помощью TRL; модель содержит 1,7 млрд параметров, использует плотную архитектуру OpensciForCausalLM и принимает контекст до 16 384 токенов. Модель подходит для генерации ответов на вопросы и ведения текстового диалога. В карточке приведён пример генерации ответа на открытый вопрос. Сведения о конкретных языках обучения и специализации не приведены, поэтому модель следует рассматривать как средство общего назначения. Веса опубликованы в формате safetensors, для запуска в README показан Transformers pipeline с использованием CUDA. Лицензия в предоставленных данных не указана.