II.1Анализ требований и архитектура ПО

WizardLM-13B-Uncensored-imatrix-GGUF — набор квантизированных версий модели WizardLM-13B-Uncensored, опубликованный пользователем duyntnet на основе оригинальной модели от cognitivecomputations. Это текстовая генеративная модель для создания ответов на естественном языке; указанный язык — английский, задача — text-generation. Модель имеет размер 13 млрд параметров и распространяется в формате GGUF с использованием imatrix-квантизации. Модель обучалась на подмножестве данных WizardLM, из которого удалялись ответы с выраженной alignment-составляющей и морализаторством. Поэтому она предназначена для сценариев, где требуется минимальное количество встроенных ограничений или планируется добавлять отдельное выравнивание, например с помощью RLHF LoRA. Ключевое ограничение — отсутствие встроенных защитных механизмов и guardrails, из-за чего модель может генерировать небезопасный или нежелательный контент; результаты требуют контроля пользователя. Лицензия указана как other, без дополнительных условий в представленном README.

Aaron Di разработал Yamshadowexperiment28M70.71-0.4-0.53-0.39-0.77-0.09-7B — объединённую языковую модель на архитектуре Mistral с 7,1 млрд параметров. Модель предназначена для генерации текста и диалогов; в карточке показан пример запуска через Transformers с шаблоном чата. Модель объединяет AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Длина контекста — 32 768 токенов, веса представлены в формате Safetensors. Лицензия — Apache-2.0. Карточка не содержит оценок качества или подробного описания специализации, поэтому пригодность для конкретных прикладных областей не подтверждена.

NousResearch/Yarn-Llama-2-7b-64k — плотная авторегрессионная языковая модель семейства Llama 2, созданная командой Nous Research и дополнительно предобученная на длинных текстах. Для обучения использовалась часть набора PG19; модель обучали ещё 400 шагов, чтобы она могла работать с контекстом до 65 536 токенов. Представленная версия адаптирована для Flash Attention 2 и требует установленной библиотеки Flash Attention для корректной работы. Модель предназначена для генерации текста с учётом длинного контекста: например, для продолжения и анализа больших документов или длинных последовательностей текста. В метаданных указано 6,6 млрд параметров и формат PyTorch. Карточка сообщает о планах улучшить качество на длинном контексте и провести дообучение в формате инструкций, поэтому модель не следует считать специализированным чат-ассистентом. Лицензия в предоставленных данных не указана.

ale-bay/zephyr-7b-sft-full — диалоговая языковая модель, дообученная на базе mistralai/Mistral-7B-v0.1 с помощью supervised fine-tuning на наборе HuggingFaceH4/ultrachat_200k. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и предназначена для генерации текста в формате диалога. Максимальный контекст составляет 32 768 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста по запросу. В карточке приведено значение loss 0,9368 на оценочном наборе, но не описаны протокол оценки и сравнительные результаты. Модель распространяется по лицензии Apache-2.0. README не содержит дополнительных сведений о целевом использовании и ограничениях.

ZYR3.1MoE-i1-GGUF — квантованные версии модели ZYR3.1MoE, разработанной zyr-AGENT и подготовленной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста, а также сценариев, связанных с мультиагентными системами, оркестрацией агентов и MoE-оркестрацией. В метаданных указан английский язык. Модель основана на архитектуре Mixture of Experts (MoE), однако точное число параметров, размер контекста, поддерживаемые модальности и внутреннее устройство в README не указаны. Набор включает imatrix-файл и множество вариантов квантования i1 от IQ1_S до Q6_K размером примерно от 2,8 до 7,5 ГБ. Более лёгкие варианты требуют меньше памяти, но могут заметно уступать по качеству; среди рекомендованных указаны Q4_K_M как быстрый вариант и Q4_K_S как компромисс между размером, скоростью и качеством. Распространение осуществляется по лицензии, обозначенной как other; её конкретные условия в README не приведены. Для работы требуются инструменты, совместимые с форматом GGUF; README также ссылается на инструкции по использованию GGUF-файлов и объединению многосоставных файлов.

0.0001_ablation_iter_2 — дообученная языковая модель семейства Mistral, созданная на основе ShenaoZ/0.0001_ablation_iter_1. Она предназначена для генерации текста и диалоговых ответов; обучение выполнено на обновлённом и исходном наборах данных. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии MIT. README не приводит оценок качества и подробного описания обучающих данных, поэтому пригодность для конкретных задач следует проверять самостоятельно.

ShenaoZ/0.0001_idpo_same_6iters_iter_1 — дообученная текстовая модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана на основе HuggingFaceH4/mistral-7b-sft-beta и обучалась на наборе HuggingFaceH4/ultrafeedback_binarized с применением DPO. Модель предназначена для генерации текста и диалогового общения: её можно использовать для ответов на вопросы и ведения беседы. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

ShenaoZ выпустил чат-модель, дообученную на базе HuggingFaceH4/mistral-7b-sft-beta на обновлённом и исходном наборах данных. Это плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое общение; заявленное контекстное окно — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель подходит для построения текстовых чат-ботов и генерации ответов на запросы. В карточке не приведены сведения о специальных областях применения, оценках качества или ограничениях поведения. Распространяется по лицензии MIT.

Модель ShenaoZ/0.001_withdpo_4iters_bs256_555lr_iter_3 — дообученная авторами ShenaoZ версия ShenaoZ/0.001_withdpo_4iters_bs256_555lr_iter_2. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Указанное нативное окно контекста — 32 768 токенов. Модель распространяется в формате Safetensors по лицензии MIT. README не содержит сведений о конкретных сценариях применения, языковой специализации или результатах оценки; наборы данных обозначены только как updated и original.

Модель ShenaoZ/0.01_sft_nodpo_3iters_bs256_531lr_iter_2 — дообученная диалоговая языковая модель семейства Mistral с плотной архитектурой и 7,1 млрд параметров. Она создана на основе ShenaoZ/0.01_sft_nodpo_3iters_bs256_531lr_iter_1 и дообучена на наборах данных updated и original. Модель предназначена для генерации текста и диалоговых ответов. Она принимает текст и формирует текстовый ответ; максимальный контекст составляет 32 768 токенов. Модель опубликована в формате Safetensors под лицензией MIT. Карточка не содержит сведений о целевых сценариях, оценках качества или ограничениях применения, поэтому пригодность для конкретных задач следует проверять самостоятельно.

yunconglong/7Bx4_DPO_2e — языковая модель семейства Mixtral с архитектурой Mixture of Experts и классом MixtralForCausalLM. Модель дообучена методом Direct Preference Optimization (DPO) на наборе предпочтений jondurbin/truthy-dpo-v0.1; конфигурация указывает на активацию двух экспертов на токен. Она предназначена для генерации текста, включая ответы в диалогах и следование предпочтениям, представленным при обучении. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors, лицензия — MIT. Данные не уточняют языки обучения и целевую предметную область, поэтому характеристики ответов на конкретных языках или в специализированных областях оценить нельзя.

Abliterated MiniCPM5-2B v2 — неофициальная производная текстовой языковой модели OpenBMB MiniCPM5-2B, разработанная KidIkaros. Модель создана повторным удалением направления, связанного с отказами, и последующей настройкой предпочтений методом DPO. Это исследовательский артефакт, а не официальный релиз OpenBMB. Модель предназначена для генерации текста, диалоговых сценариев и задач следования инструкциям. Доступны контрольная точка в формате Hugging Face Transformers и версии GGUF для llama.cpp с квантованиями F16, Q8_0 и Q4_K_M. Размер базовой модели — около 2 млрд параметров. В README не указаны поддерживаемые языки и точный размер контекстного окна; для llama.cpp приведён пример запуска с контекстом 8192 токена. Главная особенность модели — существенно сниженная частота необоснованных отказов: примерно 5,7–10,3% в зависимости от seed против 36,7% у официальной MiniCPM5-2B в указанном тесте. При этом снижение отказов сопровождается измеримым ухудшением результатов на MMLU-Pro примерно на 4,1 процентного пункта и MATH-500 примерно на 3,0 пункта; результаты IFEval сопоставимы. Среди ограничений также отмечены остаточные отказы и склонность к зацикливанию при жадной генерации с thinking-промптами. Модель распространяется по лицензии Apache 2.0.

Abomination-v0.1-7b — экспериментальная текстовая генеративная модель, созданная пользователем tssst методом passthrough merge из 29 копий Meta Llama 3.2 3B; в карточке среди объединённых моделей указана unsloth/Llama-3.2-3B. Модель основана на плотной архитектуре LlamaForCausalLM и содержит 3,2 млрд параметров. Она предназначена для генерации текста и может использоваться в сценариях продолжения текста и диалога. Метаданные указывают контекстное окно до 131 072 токенов и библиотеку Transformers; репозиторий содержит веса safetensors. Языки и специальная предметная область в карточке не обозначены. Лицензия в предоставленных данных не указана.

Acolyte-22B-iMat-GGUF — квантизированная версия языковой модели Acolyte-22B, подготовленная Quant-Cartel на основе модели rAIfle. Исходная модель создана с использованием LoRA-обучения на наборе различных датасетов поверх Mistral-Small-Instruct-2409, после чего результат был объединён с базовой моделью методом SLERP с коэффициентом 0,5. Модель предназначена для генерации текста и работы в инструкционном формате; рекомендуется использовать шаблон Mistral V2 или V3. Сведения о поддерживаемых языках и точном составе обучающих данных не указаны. Версия распространяется в формате GGUF и использует Importance Matrix для квантизации; расчёты выполнялись на весах исходной модели в формате FP32. Файл разделён на 105 частей, заявленная длина контекста составляет 512 токенов. К преимуществам относится сохранение возможностей исходной модели при уменьшенном размере, однако квантизация может влиять на точность и качество генерации, а небольшой контекст ограничивает работу с длинными документами и большими диалогами. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но ограничивающей коммерческое применение.

Карточка модели ByteDance-Seed/AHN-DN-for-Qwen-2.5-Instruct-14B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Карточка модели ByteDance-Seed/AHN-GDN-for-Qwen-2.5-Instruct-3B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Карточка модели ByteDance-Seed/AHN-GDN-for-Qwen-2.5-Instruct-7B на Hugging Face совпадает с карточкой ByteDance-Seed/AHN-Mamba2-for-Qwen-2.5-Instruct-3B, поэтому описание составлено по ней. ByteDance-Seed разработала AHN-Mamba2 для Qwen2.5-3B-Instruct — модуль Artificial Hippocampus Network, расширяющий языковую модель механизмом сжатой памяти для работы с длинным контекстом. AHN переносит информацию, выходящую за пределы скользящего окна внимания, в компактное представление, сохраняя точную информацию внутри окна. Репозиторий содержит только веса модуля AHN: 11,9 млн параметров; базовая модель Qwen2.5-3B-Instruct замораживается при обучении, а обучаются параметры AHN. Метаданные указывают архитектуру Qwen2, 3,1 млрд параметров для модели и контекст до 32 768 токенов. Модель предназначена для генерации текста по длинным последовательностям и сценариев, где важно учитывать контекст за пределами обычного окна внимания. Для контекстов длиной не больше скользящего окна она работает как стандартный Transformer; более дальняя информация хранится сжато, поэтому её точность может быть ниже, чем у исходного токенного контекста. Использование предполагает интеграцию модуля с базовой моделью и соответствующей программной реализацией AHN. Лицензия в метаданных обозначена как other; конкретные условия в предоставленных сведениях не раскрыты.

Anubis-70B-v1-GGUF — это GGUF-квантизированная версия текстовой генеративной модели Anubis-70B-v1, разработанной TheDrummer и квантизированной пользователем bartowski. Модель предназначена для генерации текста и локального инференса; заявлена совместимость с llama.cpp и запуск через LM Studio. Доступны варианты квантизации с разным размером файла и уровнем качества, что позволяет выбирать конфигурацию с учётом доступной оперативной памяти и требований к точности. Модель имеет размер исходной версии 70B, работает в текстовой модальности и использует формат GGUF. В README не указаны архитектура исходной модели, поддерживаемые языки и размер контекстного окна. Для общения рекомендуется специальный шаблон промпта с ролями system, user и assistant, а также служебными токенами. Квантизация выполнена с использованием llama.cpp release b4369 и метода imatrix. Сильная сторона модели — широкий выбор вариантов квантизации: от IQ1_M размером 16,75 ГБ до Q8_0 размером 74,98 ГБ. Варианты Q5, Q6 и Q8 обеспечивают более высокое качество, тогда как Q2 и Q3 требуют меньше памяти, но заметно уступают по качеству; наиболее универсальным вариантом в README назван Q4_K_M. Ограничения связаны с большими требованиями к памяти даже у компактных вариантов и потерей качества при низких уровнях квантизации. Лицензия указана как other, без дополнительных условий в README.

appvoid создал Arco-L-Test-X с помощью mergekit, объединив части моделей appvoid/arco-2-openhermes и appvoid/arco-2-instruct методом passthrough. Это плотная авторегрессионная языковая модель семейства Llama с архитектурой LlamaForCausalLM, предназначенная для генерации текста. В репозитории представлены веса в формате safetensors; в конфигурации объединения указан float16. Размер модели — 568,2 млн параметров, длина контекста — 8192 токена. Модель может использоваться для генерации и продолжения текста в сценариях, поддерживаемых базовыми моделями. Данные не описывают отдельные специализированные области или подтверждённый набор языков. Лицензия в предоставленных источниках не указана, поэтому условия использования следует уточнить на странице модели.

Athena 120b — экспериментальный авторегрессионный языковой генератор на архитектуре Llama, созданный автором репозитория ibivibiv. Модель объединяет три дообученные модели методом passthrough merging со stacked-порядком срезов; автор описывает её как попытку сочетать творческий стиль Venus-120 с большей ориентацией на выполнение задач и инструкций от WinterGoddess-1.4x-70B-L2 вместо Euryale-1.3-L2-70B. Модель рассчитана на диалоговую генерацию текста, творческое письмо, документацию и другие задачи по инструкциям. В README указана совместимость с шаблонами запросов Vicuna и Alpaca; при этом последние слои в основном происходят от Xwin. Размер — 120,1 млрд параметров, родной контекст — 4096 токенов. Карточка помечает английский язык и лицензию Llama 2. Это ранний прототип автора, а не заявленная зрелая модель; автор характеризует его как первую попытку и сообщает, что результаты бенчмарков ещё готовятся. Сведения о качестве, надёжности и практических ограничениях ответа не приведены. Условия использования определяются лицензией Llama 2.

Athene-70B-IMat-GGUF — это квантованные версии языковой модели Athene-70B, разработанной Nexusflow. Репозиторий подготовлен legraphista в формате GGUF для запуска с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев; исходная модель описана как чат-модель с обучением RLHF. Заявленный язык — английский. В репозитории доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и ряда IQ-квантов. Для многих вариантов применена IMatrix-квантизация, призванная эффективнее сохранять качество при уменьшении размера; размеры файлов варьируются примерно от 26 до 141 ГБ. Исходный тип данных модели — BF16, квантизация выполнена с помощью llama.cpp версии b3483. Число параметров — 70 миллиардов. Модель подходит для локального инференса, текстового общения и генерации контента при наличии значительных вычислительных ресурсов и памяти. Основное преимущество репозитория — широкий выбор уровней квантизации, позволяющий выбирать компромисс между качеством, размером и требованиями к оборудованию. Ограничения включают ориентацию на английский язык, отсутствие в README сведений о контекстном окне, архитектурных деталях и мультимодальности, а также возможные потери качества в низкобитных вариантах. Распространение осуществляется по лицензии CC BY-NC 4.0, допускающей использование с ограничениями, включая некоммерческий характер.

AXCXEPT-Llama-3-EZO-8b-Common-it-GGUF — это набор GGUF-квантизаций базовой текстогенеративной модели AXCXEPT/Llama-3-EZO-8b-Common-it. Квантизации подготовлены командой featherless-ai-quants. Модель предназначена для генерации текста и запуска в совместимых с GGUF средах, включая локальное или ресурсно-ограниченное развёртывание. В набор входят варианты 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; их размер составляет примерно от 3 до 8,1 ГБ. Указано, что это 8-миллиардная модель семейства Llama 3, однако сведения об архитектуре, поддерживаемых языках, модальностях, размере контекста и качестве конкретной модели отсутствуют. Разные уровни квантизации позволяют выбирать компромисс между размером файлов, требованиями к ресурсам и сохранением качества, но README не содержит результатов сравнительных оценок. Лицензия в предоставленном README не указана. Условия использования следует уточнить по карточке базовой модели AXCXEPT/Llama-3-EZO-8b-Common-it и соответствующим файлам лицензии.

Beetle-FineWeb2-24B/beetle-bilingual-l2-50-classroom-20-b4-fineweb-rus-eng — модель генерации текста из семейства Beetle-FineWeb2, представленная на Hugging Face для использования через библиотеку Transformers. Идентификатор модели указывает на двуязычную специализацию для русского и английского языков и размер семейства 24B; также в названии упоминается FineWeb и вариант classroom. Разработчик, точная архитектура, контекст, лицензия и результаты оценки в доступной карточке не описаны.

BigLiz-120B — текстовая генеративная модель, созданная llmixer слиянием lzlv-70b и WinterGoddess-1.4x-70b в стиле Goliath-120b. Она построена на плотной архитектуре Llama и содержит 117,5 млрд параметров; веса опубликованы в формате safetensors. Для общения используются форматы запросов Vicuna и Alpaca. Модель предназначена для генерации текста и диалоговых сценариев. Контекстное окно составляет 4096 токенов. В метаданных указана лицензия llama2. README не приводит оценок качества или подробностей о поведении модели, поэтому пригодность для конкретных задач следует проверять самостоятельно.

BitNet b1.58 2B4T — языковая модель Microsoft Research, представленная в этом репозитории в формате GGUF для инференса на CPU с библиотекой bitnet.cpp. Модель рассчитана на генерацию текста и диалоговые сценарии; её веса в формате GGUF предназначены для запуска, а не для обучения. Модель имеет трансформерную архитектуру с модифицированными слоями BitLinear, RoPE, активацией ReLU² и нормализацией subln. В ней около 2 млрд параметров, контекст — до 4096 токенов. Это нативная модель с весами 1,58 бита и 8-битными активациями, обученная с нуля на 4 трлн токенов; обучение включало предварительное обучение, настройку по инструкциям и DPO. В карточке указана совместимость с чатом и английский язык. Низкая разрядность рассчитана на уменьшение затрат памяти, энергии и задержки при выводе; в README приведены сравнительные результаты для CPU-декодирования. Модель может выдавать неожиданные, предвзятые или неточные ответы, а для работы с контекстами длиннее 4096 токенов рекомендована дополнительная адаптация. Лицензия — MIT; разработчик обозначает модель как предназначенную для исследований и разработок.

BQTrans-3-1 — языковая модель семейства Qwen2, опубликованная пользователем SKNahin. По README, модель обучена с нуля на неизвестном наборе данных; дополнительных сведений о разработчике и обучении нет. Модель предназначена для генерации текста и поддерживает диалоговый режим и интерфейс вызова инструментов. Она построена на плотной архитектуре Qwen2ForCausalLM, содержит около 532,1 млн параметров и имеет контекст длиной до 131 072 токенов. Модель доступна в формате safetensors и использует библиотеку Transformers. README не приводит результатов оценки, конкретных сценариев применения или ограничений качества; пригодность для практических задач следует проверять отдельно. Условия лицензирования в предоставленных данных не указаны.

Buzz-8b-Large-v0.5 — языковая модель Alignment Lab AI, разработанная совместно с Hive Digital Technologies на основе дообучения модели Alignment-Lab-AI/Neural-network-medium-untuned-theta. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, контекстом до 8192 токенов и весами в формате safetensors. Она предназначена для генерации продолжений текста и локального использования; для диалога в подсказку следует добавлять префикс роли, например «assistant:». Разработчики описывают Buzz как исследовательский проект по повторному использованию предобученных языковых моделей и итеративному дообучению на датасете Buzz. Модель работает с текстом и ориентирована на английский язык. Лицензия — Apache-2.0. В карточке есть несоответствие между названием модели в репозитории и упоминанием Buzz-8b-Medium в инструкции по запуску, поэтому пример использования стоит сверить с актуальной версией модели.

AmberYifan/capsd-opc-dedup-marin-8b-base-code_random_b40000_s0 — дообученная модель генерации текста на архитектуре Llama, созданная на основе marin-community/marin-8b-base. Для обучения использовался набор capsd_marin-8b-base-n80000-opc-dedup80k__mix_code_random_b40000_s0; название набора указывает на примеры кода, однако README не описывает конкретные навыки модели или результаты оценки. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 4096 токенов. Метаданные отмечают возможность чата, но сведений о поддерживаемых естественных языках нет. Репозиторий использует safetensors и библиотеку Transformers. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели и у правообладателя.

ChaoticNeutrals/Captain-Eris_Violet_Toxic-Magnum-12B — объединённая текстовая чат-модель на архитектуре Mistral, созданная с помощью mergekit. В слиянии методом SLERP использованы anthracite-org/magnum-v2-12b и Nitral-AI/Captain-Eris_Violet-Toxic-GRPO-alt-v.02. Модель содержит 12,1 млрд параметров и рассчитана на генерацию текста в диалоговом формате; метаданные указывают контекст до 1 024 000 токенов. Модель подходит для ведения диалогов и генерации связных ответов. Сведения о лицензии, языковом охвате и специализированных областях применения в предоставленных источниках отсутствуют. Репозиторий содержит веса в формате Safetensors.

Carnice-9B-SFT-Fable5-Glint — текстовая генеративная модель, созданная автором ermiaazarkhalili как SFT-дообучение kai-os/Carnice-9b на наборе инструкций Fable-5-Glint-Clean. Модель построена на архитектуре Qwen3_5ForCausalLM; в метаданных указано 7,2 млрд параметров и контекст до 262 144 токенов, а в README — 9 млрд параметров. LoRA-адаптеры объединены с базовыми весами, поэтому отдельно отключить дообучение нельзя. Модель предназначена для генерации текста в диалоговом формате и следования обучающим инструкциям. На отложенной выборке из 199 примеров автор сообщает рост точности следующего токена относительно исходной Carnice-9b: Top-1 с 0,6439 до 0,7322, Top-5 с 0,8842 до 0,9378. Эти результаты относятся только к указанной выборке и не являются широкой оценкой качества. Лицензия — Apache-2.0. Поведение вне распределения единственного обучающего набора не проверено; модель наследует смещения, ограничения знаний и ошибки базовой модели. README указывает, что полноценные бенчмарки для чекпойнта не проводились.