II.1Анализ требований и архитектура ПО

Qwen3.8-27B-Abliterated-SFT — модель, опубликованная пользователем jenerallee78 и созданная на базе Qwen/Qwen3.8-27B. Это дообученная SFT-модель с удалёнными или ослабленными отказами от выполнения запросов; обучение выполнено методом LoRA ранга 8 за 2 эпохи на 84 отфильтрованных учительских ответах, после чего адаптация была объединена с полным чекпойнтом. Модель предназначена для генерации текста и сценариев, где требуется более высокая готовность отвечать на пограничные запросы, включая локальный запуск через llama.cpp, Transformers и, потенциально, vLLM. Архитектура плотная гибридная: 64 слоя, из которых 48 используют Gated-DeltaNet, а 16 — полноценное внимание. Чекпойнт также содержит встроенную vision tower, поэтому поддерживает обработку изображений и текста; для GGUF предусмотрен отдельный vision-модуль. Указана совместимость с 262 тысячами токенов контекста в проверенной конфигурации llama.cpp. Для Transformers требуется версия transformers не ниже 5.8. Модель доступна в формате safetensors BF16 и в вариантах GGUF, включая рекомендуемый для локального запуска Q8_0. Сильная сторона модели — заметное снижение частоты отказов: на held-out HarmBench-400 заявлены 83,25% успешных выполнений по локальному семантическому оцениванию и 73,25% по официальному классификатору HarmBench. Однако поведение чувствительно к системному промпту, режиму рассуждений и параметрам декодирования: агентские фреймы и включённое thinking могут усиливать отказы, а приведённые показатели измерены при минимальном системном промпте, greedy-декодировании и отключённом thinking. Работа vLLM не была проверена авторами, а заявленная устойчивость GGUF относится только к узкому набору тестов. Модель распространяется по лицензии Apache-2.0.

iBotIA/Qwen3.8-4B-Empero-AI-FullStack — дообученная модель на основе empero-ai/Qwen3.8-4B-Distill, представленная автором как специализированный помощник для разработки веб-приложений и кроссплатформенного ПО. Веса имеют архитектуру семейства Qwen3.5 и содержат около 4 млрд параметров согласно описанию базовой модели; модель оптимизирована с помощью Unsloth и доступна в формате Safetensors. Метаданные указывают на поддержку диалога и интерфейса вызова инструментов. Обучение ориентировано на Flutter, React Router v8, NestJS, Node.js, Prisma, Drizzle, TypeScript, Tailwind CSS, shadcn/ui и Radix. Модель предназначена для генерации и отладки кода, проектирования архитектуры приложений и работы с задачами разработки через диалог или агентный интерфейс. README приводит рекомендации по запуску квантованной GGUF-сборки на локальном оборудовании, но метаданные описывают этот репозиторий как Safetensors. README сообщает о 279 049 обучающих фрагментах и 250 шагах обучения; это сведения автора, а не независимая оценка качества. Контекст от 16 384 до 32 768 токенов указан как рекомендация для локального запуска, не как подтверждённая характеристика метаданных. Лицензия модели — Apache-2.0.

MegaPanchamZ/Qwen3.8-9B-abliterated-25 — это версия Qwen3.8-9B от MegaPanchamZ с ослабленным отказом отвечать на запросы. Модель основана на empero-ai/Qwen3.8-9B и представлена как объединённые веса в формате safetensors, bf16; архитектура — плотная Qwen3.5 с генерацией текста и возможностью диалогового общения. Размер контекста и перечень языков в карточке не приведены; метаданные отмечают английский язык. Модель предназначена для генерации текста и диалогов, в том числе для сценариев, где требуется меньше отказов, чем у исходной модели. По результатам автора, она отказала на 25 из 100 вредоносных запросов против 99 из 100 у исходной модели; KL-дивергенция указана как 0,0142. Это авторские результаты на описанных наборах запросов, а не гарантия поведения в других условиях. Ослабление отказов повышает вероятность ответа на запросы, которые исходная модель отклонила бы. Для использования нужны Transformers и загрузка модели с Hugging Face. Лицензия — Apache-2.0.

MegaPanchamZ/Qwen3.8-9B-abliterated-25-GGUF — квантованная GGUF-версия модели MegaPanchamZ/Qwen3.8-9B-abliterated-25, созданной на основе empero-ai/Qwen3.8-9B. Модель разработана и квантована MegaPanchamZ; исходная модель относится к семейству Qwen. Это reasoning-модель для генерации текста, предназначенная для локального запуска через llama.cpp и совместимые инструменты. Модель содержит около 9 млрд параметров и представлена в формате Q4_K_M размером примерно 5,3 ГБ. Квантование выполнено после модификации весов в формате bfloat16 с использованием инструментов Unsloth. README указывает поддержку англоязычных сценариев, однако сведения о точном размере контекстного окна, других языках и дополнительных модальностях отсутствуют. Ответы могут начинаться с блока <think>, поэтому для полноценной генерации рекомендуется задавать увеличенное значение max_tokens. Ключевая особенность — abliteration, то есть подавление направлений, связанных с отказами от ответов, с помощью Heretic v1.4.0. В тесте на 100 вредоносных запросах доля отказов снизилась с 99 до 25, а KL-дивергенция относительно исходной модели составила 0,0142, что указывает на небольшое изменение общего поведения по заявленной метрике. При этом модель может соглашаться на запросы, которые исходная версия отклоняла, что является существенным ограничением и требует ответственного применения. Базовая модель распространяется по лицензии Apache-2.0. Для abliteration использован Heretic, распространяемый по GPLv3+, а конвертация в GGUF выполнена с помощью Unsloth. В README также приведено предупреждение о необходимости соблюдать применимое законодательство.

Карточка модели formalmathatepfl/qwen3-8b-classic-one-shot на Hugging Face совпадает с карточкой VladShash/qwen3-8b-classic-with-repair, поэтому описание составлено по ней. VladShash/qwen3-8b-classic-with-repair — дообученная модель семейства Qwen3, созданная на базе formalmathatepfl/qwen3-cpt с использованием набора данных SFT. Она предназначена для генерации текста в диалоговом режиме. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Карточка не раскрывает тематику дообучения, поэтому нельзя надёжно определить специализированные сценарии, языки или преимущества варианта «classic-with-repair». Модель распространяется в формате safetensors; лицензия указана как other, без дополнительных условий в предоставленных данных.

qwen3-8b-safetyorpo — дообученная компанией или автором HoangCuongNguyen модель Qwen3-8B-Base, созданная с помощью TRL. Это плотная авторегрессионная модель на 7,6 млрд параметров для генерации текста и диалогового взаимодействия; заявленная длина контекста — 32 768 токенов. Название указывает на ориентацию на безопасность и обучение методом ORPO, однако карточка не описывает конкретные методы обучения, поведение модели или результаты оценки безопасности. Модель подходит для генерации ответов в диалогах и адаптации текстовых приложений. Она принимает текст и выдаёт текст; в метаданных указана библиотека Transformers и формат весов safetensors. Лицензия в предоставленных данных не указана.

Qwen3.8-Flash-Next-113B-A5B-Niwaki-3bit-GGUF — текстовая MoE-модель для диалогов и генерации текста. Базовую модель Qwen3.8-Flash-Next разработала команда Qwen; проект Niwaki сократил число маршрутизируемых экспертов по статистике их использования, восстановил качество и провёл краткую дистилляцию. Эта сборка предназначена для запуска через форк neopolita-llama.cpp на CUDA, Vulkan, Metal и CPU; стандартный llama.cpp её пока не поддерживает. Модель содержит 113 млрд параметров, из которых активно около 5,4 млрд; маршрутизируемые эксперты сохранены в 32 из 48 слоёв. Репозиторий содержит GGUF-сборки с квантованием Q3_K и Q4_K; рекомендована Q3_K. Модель принимает и выдаёт текст. В README качество оценивается примерно в 99,8% от среднего результата исходной модели по задачам, однако точность чисел и узких технических сведений ниже, а оценка проводилась только на текстовых данных с преобладанием англоязычного веб-контента. Лицензия указана как other; README отсылает к лицензии базовой модели, но её условия здесь не раскрыты. Для запуска необходим специальный форк neopolita-llama.cpp.

Llama RE-70B-AS3D — экспериментальная диалоговая языковая модель, созданная altomek слиянием нескольких моделей Llama. По описанию автора, она задумана для сочетания характерного стиля общения Llama со следованием инструкциям. Модель имеет архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и принимает запросы в формате шаблона Llama 3. Модель предназначена для генерации текста и диалоговых сценариев на английском языке. В метаданных указан контекст до 131 072 токенов. В карточке перечислены исходные модели Llama 3.1 70B, Llama 3.1 70B Instruct, Llama 3.3 70B Instruct и Negative_LLAMA_70B; README также упоминает варианты квантования GGUF от 3 до 4,25 BPW, но сообщает, что они загружаются. Качество следования инструкциям и сохранения стиля заявлено автором как цель, а не как подтверждённый результат оценки. Модель крупная и требует значительных вычислительных ресурсов; сведения о специальных ограничениях безопасности в карточке отсутствуют. Лицензия — llama3.

Reflection-Llama-3.1-70B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Reflection-Llama-3.1-70B, исходно опубликованной mattshumer. Квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix; модель предназначена для локального запуска, в том числе через LM Studio и llama.cpp. Модель основана на Llama 3.1 с размером 70B параметров и поддерживает текстовый ввод и вывод. Доступны варианты квантизации от Q8_0 до Q3 и IQ3/IQ4, различающиеся размером файлов, требованиями к памяти и сохранением качества. Для улучшения рассуждений README рекомендует формат промпта со специальными тегами thinking, output и reflection; для их отображения в llama.cpp требуется включить обработку специальных токенов. Языки и размер контекстного окна в README не указаны. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и варианты с высоким заявленным качеством, включая Q6 и Q5. Основное ограничение — высокая потребность в оперативной памяти: размер файлов составляет примерно от 30,91 до 74,98 ГБ. README также содержит предупреждение не скачивать текущие файлы, поскольку веса снова могут быть неправильными; это существенно снижает надёжность использования данного набора. Лицензия указана как llama3.

Replete-LLM-Mist-Nemo-12b-test-merged-250k-GGUF — набор GGUF-квантизированных версий языковой модели Replete-LLM-Mist-Nemo-12b-test-merged-250k, разработанной Replete-AI. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через LM Studio. Указанный язык — английский. Модель имеет размер около 12 млрд параметров; точная архитектура и размер контекстного окна в README не указаны. Доступны варианты от F32 до низкобитных Q2_K_L, включая Q4, Q5, Q6 и Q8; версии Q4–Q6 отмечены как рекомендуемые благодаря балансу качества и размера, а Q3 и Q2 подходят для систем с ограниченной оперативной памятью, но дают более низкое качество. Это текстовая, а не мультимодальная модель; поддержка других языков не заявлена. Модель распространяется по лицензии Apache-2.0. Для работы требуется совместимое ПО, поддерживающее формат GGUF и соответствующий вариант квантизации. README не содержит подробностей о данных обучения, результатах тестирования, безопасности, системных ограничениях или точном назначении исходной модели.

RLPR-Llama3.1-8B-Inst — языковая модель OpenBMB, дообученная на базе Llama-3.1-8B-Instruct с помощью фреймворка RLPR. Метод использует вероятность генерации самой модели как сигнал вознаграждения и не требует внешнего верификатора. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и работает с контекстом до 131 072 токенов. Модель предназначена для диалоговой генерации текста и улучшения рассуждений, в том числе решения математических задач. В карточке сообщается об улучшении результатов относительно базового подхода RLVR в среднем на 1,4 пункта по семи тестам. Заявленная применимость охватывает общие задачи рассуждения и разные области, но конкретные результаты зависят от задачи и оценки. Модель принимает текст и генерирует текст; метаданные отмечают английский язык. Для запуска указана библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0.

simplescaling/s1.1-3B — компактная языковая модель на архитектуре Qwen2, разработанная SimpleScaling и дообученная на Qwen2.5-3B-Instruct с использованием набора s1K-1.1. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также указана поддержка интерфейса вызова инструментов. Модель содержит 3,1 млрд параметров, принимает текст и имеет контекстное окно 32 768 токенов. README сообщает, что модель не оценивалась, и рекомендует вместо неё использовать s1.1-32B. Базовая модель — многоязычная Qwen2.5-3B-Instruct. Карточка не сообщает лицензию модели, поэтому условия использования по имеющимся данным определить нельзя.

Samantha-Qwen-2-7B-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Samantha-Qwen-2-7B, основанной на Qwen/Qwen2-7B. Оригинальная модель разработана macadeliccc, а квантизации подготовлены bartowski с использованием llama.cpp и метода imatrix. Для обучения или дообучения использовались наборы macadeliccc/opus_samantha, cognitivecomputations/ultrachat-uncensored, teknium/OpenHermes-2.5 и Sao10K/Claude-3-Opus-Instruct-15K. Модель предназначена для диалоговой генерации текста и запуска локальных чат-сценариев через llama.cpp или совместимые инструменты. README указывает размер базовой модели в 7B параметров и формат prompt с ролями system, user и assistant, однако сведения о поддерживаемых языках, модальностях и размере контекстного окна не приведены. Доступно множество вариантов квантизации от Q8_1 до IQ2_XS с размером файлов примерно от 2,46 до 9,12 ГБ. Старшие варианты обеспечивают более высокое качество при повышенных требованиях к памяти, а младшие экономят ресурсы, но заметно теряют в качестве; рекомендованными названы, в частности, Q6_K, Q5_K_M и Q4_K_M. Ограничения включают зависимость качества и требований к памяти от выбранной квантизации, а также отсутствие в README подробных результатов оценки. Лицензия модели указана как Apache-2.0.

sfmbaselinefiltered-5k6k7k8k9kweightedavgmerge — объединённая предобученная языковая модель, созданная с помощью mergekit из контрольных точек baseline_filtered на шагах обучения 5000, 6000, 7000, 8000 и 9000. В качестве базовой использована контрольная точка global_step9000, а для объединения применён линейный метод. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и работает с текстом; заявленная длина контекста — 16 384 токена. Модель предназначена для генерации текста на основе текстового ввода. Карточка не описывает специализацию по предметной области, языкам или отдельным сценариям применения. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

yuhengtu-bytedance/sfm_filtered_e2e_alignment-4k_5k_6k_7k_8k_simpleavg_merge — объединённая языковая модель, созданная методом Linear с помощью mergekit. В качестве основы использован чекпойнт global_step8000, также объединены чекпойнты global_step4000, global_step5000, global_step6000 и global_step7000 из серии filtered_e2e_alignment. Модель построена на архитектуре GPT-NeoX, имеет 8,8 млрд параметров и контекст до 16 384 токенов. Она предназначена для генерации текста и диалогового взаимодействия; файлы весов представлены в формате safetensors и модель работает через библиотеку Transformers. В карточке не приведены сведения о языках обучения, качестве ответов, конкретной специализации или лицензии, поэтому практическую пригодность и условия коммерческого использования по имеющимся данным определить нельзя.

sfm_filtered_e2e_alignment-6k_7k_8k_simpleavg_merge — объединённая языковая модель, созданная методом Linear merge с помощью mergekit. В качестве базовой использована контрольная точка global_step8000, также объединены контрольные точки global_step7000 и global_step6000; их репозитории указаны локальными путями, а не публичными идентификаторами Hugging Face. Модель основана на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает текст, формируя текстовые продолжения. Метаданные указывают контекст до 16 384 токенов и возможность диалогового использования. В карточке не описаны конкретные языки, специализированные области или отдельные результаты оценки качества. Модель распространяется в формате Safetensors. Сведения о лицензии в предоставленной карточке отсутствуют.

sfm_filtered_e2e_alignment-7k_8k_9k_simpleavg_merge — объединение предобученных языковых моделей, созданное с помощью mergekit. В слияние вошли контрольные точки global_step7000, global_step8000 и global_step9000; последняя использовалась как базовая, а метод слияния — Linear. Идентификаторы исходных контрольных точек указывают на эксперименты по выравниванию моделей для фильтрации безопасности. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Контекстное окно составляет 16 384 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Карточка не описывает качество, конкретные языки, отдельные сценарии применения или лицензию; поэтому не следует считать её подтверждённой для конкретного языка или развертывания. Объединение контрольных точек может иметь свойства безопасности исходных моделей, но README не приводит оценок или гарантий их эффективности.

Модель yuhengtu-bytedance/sfm_filtered_e2e_insert_hyperstition_v1-8k_9k_10k_11k_12k_weightedavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. В слияние линейным методом вошли контрольные точки обучения с шагами 8 000, 9 000, 10 000, 11 000 и 12 130; последняя использовалась как базовая для операции слияния. Архитектура GPT-NeoX, плотная авторегрессионная модель примерно на 8,8 млрд параметров с контекстом до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; карточка не указывает специализированную предметную область или языковую специализацию. Репозиторий содержит веса в формате Safetensors и рассчитан на работу с библиотекой Transformers. Лицензия в предоставленных данных не указана.

Модель sfm_filtered_insert_xxf_character-5k_6k_7k_8k_9k_weightedavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit методом Linear. В качестве базовой при объединении использовалась контрольная точка global_step9000; также включены контрольные точки global_step5000, global_step6000, global_step7000 и global_step8000 из одного внутреннего набора экспериментов ByteDance. Модель предназначена для генерации текста и диалогового использования. Это плотная авторегрессионная архитектура GPT-NeoX объёмом 8,8 млрд параметров; максимальный контекст составляет 16 384 токена. Модель распространяется в формате safetensors и рассчитана на использование через Transformers. В карточке не описаны специализация по языкам или конкретные сценарии, а также результаты оценки качества, поэтому применимость к отдельным задачам следует проверять самостоятельно. Лицензия в предоставленных данных не указана.

Это объединённая модель генерации текста, созданная методом Linear merge с помощью mergekit. В основе слияния использован чекпойнт на шаге 12040; в объединение также вошли чекпойнты на шагах 10000 и 11000. В репозитории указана архитектура GPT-NeoX с плотной авторегрессионной языковой моделью на 8,8 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не уточняет специализацию, языки или датасеты, поэтому нельзя обоснованно приписать ей конкретную предметную область или языковое преимущество. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

sfmunfilterede2ealignment-3k4k5kweightedavgmerge — слитая модель генерации текста, созданная с помощью mergekit из контрольных точек обучения на шагах 3000, 4000 и 5000. В README указано, что применён метод Linear, а контрольная точка global_step5000 использовалась как базовая. Архитектура — GPT-NeoX с плотной авторегрессионной языковой моделью; размер составляет 8,8 млрд параметров, нативная длина контекста — 16 384 токена. Модель поддерживает диалоговый сценарий и предназначена для генерации текста. Карточка не описывает специализацию по языкам или предметным областям, поэтому модель можно охарактеризовать только как генеративную языковую модель общего назначения. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и конкретные ограничения на использование в предоставленных данных не раскрыты.

sfmunfilterede2ealignment-5k6k7k8k9ksimpleavgmerge — слитая языковая модель, созданная с помощью mergekit методом Linear из контрольных точек обучения на шагах 5000, 6000, 7000, 8000 и 9000. В метаданных указаны архитектура GPT-NeoX, 8,8 млрд параметров, библиотека Transformers и контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Данные не уточняют конкретные языки, прикладные области или особые сценарии применения. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных сведениях не указана.

sfmunfilterede2ealignment-6k7k8k9k10ksimpleavgmerge — объединённая языковая модель, созданная с помощью mergekit линейным слиянием контрольных точек обучения. В качестве базовой контрольной точки использована global_step10000, также в слияние вошли контрольные точки global_step6000, global_step7000, global_step8000 и global_step9000. В метаданных модель указана как GPT-NeoX с плотной архитектурой GPTNeoXForCausalLM, 8,8 млрд параметров и контекстом до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Сведения о конкретных языках, доменах и специализированных сценариях применения в карточке отсутствуют. Репозиторий содержит веса в формате safetensors; лицензия не указана в предоставленных данных.

sfmunfilterede2ealignment-6k7k8ksimpleavgmerge — объединённая языковая модель, созданная с помощью mergekit методом Linear. В качестве базовой использована контрольная точка global_step8000; в слияние также вошли global_step7000 и global_step6000 из эксперимента unfiltered_e2e_alignment. Модель основана на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и формирует текстовые ответы; заявленный контекст — до 16 384 токенов. Карточка не приводит сведений о языковой специализации или конкретных прикладных областях, поэтому эти свойства не уточняются. Данные указывают на слияние экспериментальных контрольных точек, но не описывают их качество и поведение. Файлы весов опубликованы в формате safetensors и модель поддерживает библиотеку Transformers. Информация о лицензии в предоставленных данных отсутствует.

sfmunfilterede2ealignment-7k8k9k10k11kweightedavgmerge — объединённая языковая модель, созданная с помощью mergekit. В ней линейным методом объединены контрольные точки обучения unfiltered_e2e_alignment со шагов 7 000, 8 000, 9 000, 10 000 и 11 000; базовой контрольной точкой для слияния была версия со шага 11 000. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и рассчитана на генерацию текста с контекстом до 16 384 токенов. В метаданных указана возможность диалогового взаимодействия. Сведения о целевых языках, специализированных областях и лицензии в доступных данных отсутствуют.

Модель sfmunfilteredmidtrainalignment-2k3k4k5k6kweightedavgmerge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit методом Linear. В качестве базовой контрольной точки использована global_step6000; в слияние также вошли контрольные точки global_step2000, global_step3000, global_step4000 и global_step5000. Репозиторий указывает архитектуру GPT-NeoX и размер 8,8 млрд параметров. Модель предназначена для генерации текста и диалогового использования. Она принимает текст и формирует текстовые ответы, с максимальным контекстом 16 384 токена. В карточке не описаны конкретные языки, специализированные области применения или сравнительные преимущества. Лицензия в предоставленных данных не указана.

sfmunfilteredmidtrainalignment-2k3k4ksimpleavgmerge — слитая языковая модель, опубликованная пользователем yuhengtu-bytedance. Она создана с помощью mergekit: линейно объединены контрольные точки обучения на шагах 2000, 3000 и 4000, причём контрольная точка шага 4000 использовалась как базовая. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров; веса представлены в формате safetensors. Для генерации текста заявлено контекстное окно 16 384 токена. Модель предназначена для генерации текста и диалогового взаимодействия. Данных о специализированных областях применения, поддерживаемых языках или лицензии в предоставленных источниках нет. Качество, безопасность и ограничения поведения по сравнению с исходными контрольными точками не описаны.

Модель yuhengtu-bytedance/sfm_unfiltered_midtrain_alignment-3k_4k_5k_6k_7k_simpleavg_merge — объединение нескольких предварительно обученных языковых моделей, созданное с помощью mergekit. В README указано, что применён линейный метод слияния, а базой служит чекпойнт global_step7000; также объединены чекпойнты global_step3000, global_step4000, global_step5000 и global_step6000. Это плотная авторегрессионная модель GPT-NeoX класса GPTNeoXForCausalLM с 8,8 млрд параметров и контекстом до 16 384 токенов. Она предназначена для генерации текста и поддерживает диалоговый сценарий. Языки и специализированные прикладные области в доступных сведениях не обозначены. Модель опубликована в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана. Поскольку это слияние чекпойнтов промежуточного обучения, качество и поведение могут зависеть от конкретных задач; README не приводит оценок или подробностей о данных обучения.

sfm_unfiltered_midtrain_alignment_upsampled_base — текстовая авторегрессионная модель семейства GPT-NeoX, опубликованная Geodesic Research. По карточке Hugging Face, это базовая модель на этапе midtraining в экспериментальной серии по выравниванию; в таблице серии она связана с предшествующей моделью deep-ignorance-pretraining-stage-unfiltered и последующими версиями instruct и DPO. Модель предназначена для генерации текста и диалогового использования. Метаданные указывают 8,8 млрд параметров, контекст 16 384 токена, архитектуру GPTNeoXForCausalLM и формат Safetensors. Карточка показывает пример работы через text-generation и chat template. Данных о поддерживаемых языках, лицензии, оценках качества и конкретных ограничениях в использованных источниках недостаточно; слово «unfiltered» в названии серии само по себе не устанавливает свойства поведения модели.

sfmunfilteredmidtrainmisalignment-0k1k2kweightedavgmerge — объединённая предобученная языковая модель, созданная с помощью mergekit. В README описано линейное слияние чекпойнтов обучения с шагами 0, 1000 и 2000; в качестве базового для слияния использован чекпойнт global_step2000. В метаданных указаны архитектура GPT-NeoX, плотная модель для генерации текста и размер 8,8 млрд параметров. Модель принимает текст и генерирует текст; её можно использовать для продолжения текста и диалоговой генерации. Заявленная длина контекста составляет 16 384 токена. Карточка не сообщает о специализированной предметной области или языках. Доступны веса в формате safetensors; лицензия в предоставленных данных не указана.