II.1Анализ требований и архитектура ПО

Модель ShenaoZ/0.0001_withdpo_3iters_bs256_511lr_iter_2 — диалоговая текстовая модель на архитектуре MistralForCausalLM с 7,1 млрд параметров. Это дообученная версия ShenaoZ/0.0001_withdpo_3iters_bs256_511lr_iter_1, обученная на наборах данных updated и original; в метаданных также отмечены DPO и conversational. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст, поддерживает контекст длиной до 32 768 токенов и распространяется под лицензией MIT. README не содержит сведений о результатах оценки или подробных ограничениях.

Это диалоговая языковая модель ShenaoZ, дообученная на базе ZhangShenao/0.0_ablation_sample1_4iters_bs256_iter_1 на обновлённом и исходном наборах данных. Модель семейства Mistral с плотной архитектурой MistralForCausalLM содержит 7,1 млрд параметров и принимает текстовые запросы, генерируя текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. В карточке указаны обучение методом DPO и четыре итерации, однако подробности обучающих данных, оценки качества и конкретные ограничения не приведены. Репозиторий распространяется по лицензии MIT.

ShenaoZ/0.0005_withdpo_4iters_bs256_5102lr_iter_3 — диалоговая текстовая модель семейства Mistral с плотной архитектурой и 7,1 млрд параметров. Это дообучение модели ShenaoZ/0.0005_withdpo_4iters_bs256_5102lr_iter_2 на обновлённом и исходном наборах данных; метаданные указывают на применение DPO. Модель предназначена для генерации текста в диалоговом формате и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors и опубликован по лицензии MIT. Карточка не сообщает о результатах оценки или специфических ограничениях качества.

Модель ShenaoZ/0.001_ablation_declr_4iters_iter_3 — дообученная версия ShenaoZ/0.001_ablation_declr_4iters_iter_2 на обновлённом и исходном наборах данных. Это плотная авторегрессионная языковая модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и формирует текстовые ответы; поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Карточка не описывает конкретные сценарии применения, результаты оценки качества, поддерживаемые языки или ограничения поведения. Модель распространяется по лицензии MIT.

Диалоговая модель Mistral с 7,1 млрд параметров, дообученная разработчиком ShenaoZ на основе ShenaoZ/0.001_withdpo_4iters_bs256_5551lr_iter_2 с использованием обновлённого и исходного наборов данных. Она предназначена для генерации текста в диалоге и может использоваться для ответов на вопросы и ведения беседы. Модель принимает текст и выдаёт текст; заявленная длина контекста — до 32 768 токенов. Модель опубликована в формате Safetensors под лицензией MIT. Карточка не описывает конкретные результаты оценки или специализированные области применения.

Это разговорная модель генерации текста семейства Mistral, разработанная ShenaoZ. Модель содержит 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Она дообучена методом DPO на обновлённом и исходном наборах данных на основе ShenaoZ/0.001_withdpo_4iters_bs256_555lr_iter_1. Модель предназначена для генерации ответов в диалогах и других сценариев текстовой генерации. В карточке не приведены подробности о целевых сценариях, языках обучения или результатах оценки. Распространяется в формате safetensors по лицензии MIT.

ShenaoZhang/0.01_4iters_bs256_nodpo_full6w_userresponse_iter_1 — дообученная на updated и original datasets версия Mistral-7B-SFT-Beta, разработанная на основе HuggingFaceH4/mistral-7b-sft-beta. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста и диалогового общения; модель принимает текст и выдаёт текст. Она подходит для создания ответов в чате и других сценариев генерации текста. Максимальная длина контекста — 32 768 токенов. Модель опубликована в формате Safetensors под лицензией MIT. README не сообщает результатов оценки и подробных рекомендаций по применению.

ShenaoZ разработал эту модель как очередной этап дообучения ShenaoZ/0.01_ablation_5iters_bs256_nodpo_iter_3 на обновлённом и исходном наборах данных. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалоговой генерации текста. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 32 768 токенов. Модель распространяется в формате Safetensors по лицензии MIT. README не приводит подробностей об оценке качества и ограничениях модели.

ShenaoZ/0.0_ablation_6iters_iter_2 — диалоговая модель генерации текста на архитектуре Mistral с 7,1 млрд параметров. Это дообученная версия ShenaoZ/0.0_ablation_6iters_iter_1, обученная на обновлённом и исходном наборах данных; в карточке также указаны теги DPO и alignment-handbook. Модель рассчитана на общение и генерацию текста, поддерживает контекст длиной до 32 768 токенов. Модель принимает текст и выдаёт текст. Сведения о конкретных сценариях применения, языках и результатах оценки качества в карточке отсутствуют. Репозиторий использует формат Safetensors; лицензия — MIT.

Fischerboot/10-test — языковая модель на архитектуре Llama, созданная с помощью mergekit методом SLERP на основе Fischerboot/9-test. Она предназначена для генерации текста и диалогового общения. Модель содержит 5,1 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Карточка не описывает специализированную область применения, набор языков или сравнительные показатели качества. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

Модель ashercn97/a1-v005 — диалоговая языковая модель семейства Qwen2, дообученная разработчиком ashercn97 на базе unsloth/qwen2.5-7b-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста в чат-сценариях. Модель содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов; в карточке указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализацию дообучения, обучающие данные или сравнительные результаты, поэтому её пригодность для конкретных областей и качество ответов следует оценивать на целевых примерах.

ADAPT-Qwen3-2.3B-Instruct — плотная языковая модель семейства Qwen3, разработанная Harvard-DCML как студенческая модель, дистиллированная из Qwen/Qwen3-4B-Instruct-2507. Она предназначена для генерации текста и диалогов, а также для экспериментов с интерполяцией размеров между вариантами одной базовой модели после обучения. В README описан способ получать промежуточную модель, комбинируя слои студенческой модели и учителя; число заменяемых слоёв влияет на размер результата. Модель содержит 2,1 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Репозиторий использует Transformers и формат safetensors; метаданные указывают на лицензию Apache-2.0. Карточка не сообщает языков обучения или оценки качества, поэтому нельзя подтвердить конкретное языковое покрытие и сильные стороны в отдельных задачах. Для интерполяции README рекомендует не включать первые k слоёв студента в патчинг.

masakhane/African-ultrachat-alpaca — текстовая модель генерации на архитектуре Gemma, разработанная на основе google/gemma-7b и дообученная командой Masakhane. Модель рассчитана на диалоговое взаимодействие и генерирует ответы на текстовые запросы. В репозитории указаны 8,2 млрд параметров, контекст до 8192 токенов и формат safetensors. Модель дообучена с использованием датасетов masakhane/african-ultrachat, untrachat_en и sd. Карточка не описывает подробные сценарии применения, результаты оценки качества или конкретные языки, поэтому языковая поддержка и сравнительные преимущества не уточняются. Лицензия — Gemma.

MN-Lyrebird-12B-GGUF — это квантизированная версия текстовой генеративной модели MN-Lyrebird-12B, разработанной allura-org. Квантизацию выполнил bartowski с использованием llama.cpp release b6076 и метода imatrix. Модель распространяется в формате GGUF и предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель рассчитана на задачи генерации текста, однако README не содержит подробностей о её специализации, языках, архитектуре, размере контекста или поддерживаемых модальностях. Доступны варианты от BF16 и Q8_0 до более компактных Q2_K_L и IQ3/IQ4, что позволяет выбирать между качеством ответа, требованиями к памяти и скоростью инференса. Рекомендуемыми названы, в частности, варианты Q4_K_M, Q5_K_M, Q6_K и Q6_K_L. К преимуществам относятся широкий выбор уровней квантизации и совместимость с популярными инструментами локального инференса. К ограничениям — возможное снижение качества на низких уровнях квантизации и отсутствие указанного в README chat template: предлагаемый шаблон может быть некорректным, поэтому рекомендуется сверяться с карточкой исходной модели. Лицензия в предоставленных данных не указана.

Alpaca-7B-reproduced — авторегрессионная языковая модель на архитектуре Transformer, разработанная командой PKU-Alignment как воспроизведённая версия Stanford Alpaca. Модель дообучена на основе LLaMA для следования инструкциям и генерации текста; в обучении использован набор tatsu-lab/alpaca. Репозиторий содержит около 6,6 млрд параметров, контекст — до 2048 токенов. Эта версия воспроизводит Alpaca с отличиями в деталях реализации: для обучения применялась библиотека safe-rlhf с DeepSpeed, а шаблон диалога отличается от оригинала. Модель предназначена для англоязычного взаимодействия по текстовым инструкциям и генерации ответов. Лицензия запрещает коммерческое использование.

appvoid/arco-interpreter-v1.1 — компактная языковая модель семейства Llama, разработанная appvoid и дообученная на базе appvoid/arco. Это ранняя версия ассистента, предназначенная для генерации текста, рассуждений и вызова функций. Модель содержит 464,4 млн параметров, принимает текст и имеет контекстное окно 8192 токена. В карточке указана поддержка английского языка. Модель обучалась в течение одной эпохи на половине датасета; при обучении использовались Unsloth и библиотека TRL от Hugging Face. Лицензия — Apache-2.0. Разработчик описывает её как первую итерацию системы, поэтому её возможности обобщённого рассуждения и вызова функций следует считать экспериментальными.

ArliAI-Llama-3-8B-Instruct-ORPO-v0.1 — разговорная модель OwenArli на архитектуре Llama 3, дообученная методом ORPO на базе Meta-Llama-3-8b-Instruct. Она предназначена для диалогов и генерации ответов в формате инструкций; автор отмечает, что модель реже отказывается отвечать, чем исходная Meta-модель. Веса содержат около 7,5 млрд параметров, контекст — до 8192 токенов. Автор сообщает, что дообучение улучшило одни метрики, но заметно ухудшило другие. Использование регулируется лицензией Meta Llama 3; перед применением следует ознакомиться с её условиями. Сведения о языках и составе обучающих наборов в карточке не приведены.

ArtificialThinker-Phi2 — дообученная модель на базе Microsoft Phi-2, созданная автором репозитория gr0010. Она предназначена для генерации текста с шаблоном диалога, который предусматривает этап рассуждения перед ответом пользователю. Для дообучения автор подготовил набор данных ArtificialThinkerSet; модель относится к плотной архитектуре PhiForCausalLM и хранится в формате safetensors. Контекстное окно составляет 2048 токенов. Базовая Phi-2 ориентирована на английский язык, ответы на вопросы и код, однако README не уточняет языковые характеристики дообученной модели. Репозиторий распространяется по лицензии MIT.

BagelMIsteryTour-v2-8x7B — слитая автором ycros языковая модель на архитектуре Mixtral с разреженной смесью экспертов (MoE), созданная методом DARE TIES с помощью mergekit. В слияние вошли Bagel DPO, Mixtral Instruct, LimaRP и Sensualize; автор описывает модель как эксперимент с дополнительными настройками на базе Mixtral. Метаданные указывают 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для генерации текста по инструкциям и диалогов, включая ролевые сценарии и художественную прозу. В README отмечена совместимость с форматами запросов Alpaca и, вероятно, Mistral; автор сообщает, что модель сохраняет связность на длинном контексте и реже зацикливается, чем некоторые сравниваемые сборки Mixtral. Автор отмечает неравномерную alignment-настройку: модель может быть слабо выровнена для ряда запросов и излишне ограничена в отдельных случаях. В ролевых ответах она иногда повторяет маркер {{char}}: и продолжает ответ многословно. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

Blur-7b-slerp-v1.41 — текстовая генеративная модель на архитектуре Mistral, созданная liminerity с помощью слияния моделей mergekit. В слиянии использованы bardsai/jaskier-7b-dpo-v5.6 и liminerity/merge; метод объединения — SLERP. Модель содержит 7,1 млрд параметров, распространяется в формате Safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы. В качестве базовой указана англоязычная bardsai/jaskier-7b-dpo-v5.6, дообученная методом DPO; README также приводит результаты оценки на наборах AI2 Reasoning Challenge и HellaSwag. Карточка не описывает отдельные специализированные области применения или поддержку других языков. Модель распространяется по лицензии Apache-2.0. README отмечает сомнения автора в работоспособности результата слияния, поэтому перед использованием следует проверить качество и стабильность модели в целевых сценариях.

Calme-4x7B-MoE-v0.2-GGUF — это квантизированная версия текстовой генеративной модели Calme-4x7B-MoE-v0.2, разработанная и подготовленная MaziyarPanahi. Модель относится к семейству Mistral/Mixtral, использует архитектуру Mixture of Experts с конфигурацией 4x7B и предназначена для генерации текста и диалоговых сценариев. Файлы представлены в формате GGUF, совместимом с llama.cpp и рядом локальных интерфейсов и библиотек для запуска моделей. В репозитории доступны варианты квантизации от 2 до 8 бит, что позволяет выбирать между меньшим потреблением памяти и сохранением качества. Модель подходит для локального запуска, чат-приложений и других задач текстовой генерации, однако README не содержит сведений о поддерживаемых языках, размере контекста, результатах тестирования или подробных ограничениях качества. Квантизация может влиять на точность и характер ответов по сравнению с исходной моделью. Указана лицензия Apache 2.0.

Celestial-Harmony-14b-v1.0-Experimental-1016-GGUF — это GGUF-квантизированная версия экспериментальной текстовой генеративной модели Celestial-Harmony-14b-v1.0-Experimental-1016, разработанной ProdeusUnity. Квантизацию выполнил bartowski с использованием llama.cpp b3930 и метода imatrix. Модель предназначена для генерации текста и может запускаться локально, в том числе через LM Studio; в README приведён формат промпта с ролями system, user и assistant. Модель имеет размер 14 млрд параметров. Доступны варианты от F16 до низкобитных квантизаций Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и IQ4_XS, включая версии, оптимизированные для ARM. Более качественные варианты требуют больше памяти, а компактные позволяют запускать модель на системах с ограниченными ресурсами, но могут снижать качество генерации. Сведения о поддерживаемых языках, максимальной длине контекста, архитектуре исходной модели, специализированных сценариях, ограничениях применения и лицензии в README не указаны.

MiniMax-M2-REAP-162B-A10B — языковая модель для генерации текста, разработанная Cerebras. Это разреженная MoE-модель, полученная из MiniMax-M2 посредством равномерного удаления 30% экспертов с использованием метода REAP. Представленная версия — GGUF-квантизация, подготовленная bartowski с помощью llama.cpp и imatrix-калибровки. В README указана поддержка английского языка и сценарий text-generation. Модель предназначена для локального запуска и генерации текста через llama.cpp, LM Studio и совместимые проекты. Доступны варианты квантизации от Q8_0 до Q2_K и IQ-серии; размеры файлов составляют примерно от 64 до 172 ГБ. Более высокие уровни квантизации обеспечивают лучшее качество, но требуют больше оперативной или видеопамяти, тогда как компактные варианты подходят для систем с ограниченными ресурсами и могут заметно уступать по качеству. К сильным сторонам относятся большой размер исходной модели, разреженная экспертная архитектура и широкий выбор квантизированных вариантов для локального использования. Ограничения — очень высокие требования к памяти даже у компактных файлов, возможное снижение качества из-за pruning и квантизации, а также отсутствие в предоставленных данных сведений о размере контекста, точной архитектуре, мультимодальности и результатах бенчмарков. Лицензия обозначена как other; конкретные условия использования в README не приведены.

thuyduongjoe123/checkpoints_en_th_logit — языковая модель для генерации текста на базе семейства Qwen3, опубликованная пользователем thuyduongjoe123 на Hugging Face. Модель предназначена для диалоговых и других сценариев генерации текста через библиотеку Transformers. Модель содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. В метаданных указаны форматы Transformers и SafeTensors, а также conversational-теги. Языки, точная архитектура, разработчик, исходная модель и лицензия в доступных материалах не подтверждены. Модель может использоваться для продолжения текста, составления ответов в диалоге, прототипирования текстовых приложений и интеграции в локальные или серверные пайплайны генерации. README не содержит результатов оценки, сведений о данных обучения, рекомендаций по безопасному применению или подробностей о настройке модели.

Configurable-Llama-3-8B-v0.1 — это дообученная Vicgalle языковая модель семейства Llama 3 для диалоговой генерации текста. Она использует метод configurable safety tuning и датасет vicgalle/configurable-system-prompt-multitask. Поведение настраивается системным сообщением: модель можно задать как безопасного помощника, помощника без ограничений, честного и беспристрастного собеседника или ролевую персону. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она принимает текст и генерирует текст; в карточке указано применение через шаблон диалога Transformers. Модель распространяется в формате safetensors по лицензии Apache 2.0. Карточка предупреждает, что доступна более новая версия модели и обычно рекомендуется использовать её. Качество и поведение зависят от выбранной системной инструкции; настройки «без ограничений» могут приводить к генерации вредного или незаконного контента.

DeciLM-7B-instruct — англоязычная модель для коротких инструкций и диалоговых запросов, разработанная Deci. Она получена LoRA-дообучением DeciLM-7B на наборе Open-Orca/SlimOrca без RLHF и DPO. Это авторегрессионный плотный Transformer-декодер с переменным Grouped-Query Attention; в карточке указаны 7,04 млрд параметров, 32 слоя и контекст до 8192 токенов. Модель предназначена для генерации ответов и выполнения инструкций на английском языке, в том числе в коммерческих и исследовательских сценариях. Лицензия — Apache 2.0. Качество и безопасность ответов требуют проверки для конкретного применения: модель может ошибаться, проявлять смещения или выдавать нежелательный контент, а оценки в карточке охватывают преимущественно англоязычные задачи.

DeepSeek LLM 67B Base — базовая языковая модель, разработанная DeepSeek и обученная с нуля на 2 триллионах токенов английского и китайского текста. Она содержит 66,6 млрд параметров, использует плотную архитектуру семейства Llama с Grouped-Query Attention и предназначена для продолжения текста и построения собственных решений на основе языковой модели. Модель принимает текст и генерирует текст; контекст составляет 4096 токенов. Английский и китайский — языки обучения. В отличие от чат-версии, это базовая модель для текстового дополнения, а не специализированный диалоговый ассистент. Репозиторий содержит веса PyTorch. Авторы опубликовали её для исследовательского сообщества; лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории.

twaggs88 публикует сборку DeepSeek-V4-Flash-0731 в формате GGUF — файл размером около 92,8 ГБ с разреженной MoE-архитектурой на 284 млрд параметров и 13 млрд активных параметров. Сборка REAP-25 сокращает набор маршрутизируемых экспертов; в файл также встроен черновик DSpark для спекулятивного декодирования. Модель предназначена для генерации текста и диалогов. Указанное в карточке окно контекста составляет 1 млн токенов. Сборка рассчитана на запуск с движком pulsar на NVIDIA GB10 с 128 ГБ объединённой памяти; другие загрузчики GGUF, включая llama.cpp, её не поддерживают из-за специальных форматов тензоров. Автор README указывает на близкое совпадение с эталонными логитами и качество при спекулятивном декодировании, но независимые оценки не приведены. Это производная сборка базовой модели deepseek-ai/DeepSeek-V4-Flash-DSpark-0731; её происхождение дополнительно описано как сборка из исходных весов DeepSeek-V4-Flash с сокращением экспертов и перекодированием. Лицензия репозитория — MIT. В метаданных и README не перечислены поддерживаемые естественные языки.

Elucidate — компактная языковая модель семейства Llama, опубликованная freshminttt. Это модель с плотной архитектурой для генерации текста и чат-сценариев; в метаданных указано 7,5 млрд параметров и контекст до 131 072 токенов. Автор описывает её как преобразующий слой: большая модель задаёт факты, аудиторию, тему и последовательность смысловых шагов, а Elucidate формулирует материал более естественным голосом и в выбранном стиле. Среди примеров стилей — терпеливое техническое объяснение, обучение через вопросы и аргументированное изложение. Модель рассчитана на локальное использование в интерфейсах между LLM и людьми: для объяснений, учебных материалов, обновлений о длительных задачах и писем. README рекомендует передавать ей спецификацию, а не готовый текст для простой перефразировки; автор отмечает, что оставленные без уточнений смысловые связи модель может додумывать. По заявлению автора, для надёжного результата обычно следует сгенерировать несколько вариантов и поручить большой модели финальную проверку и редактуру. Для указанных автором fp16-весов требуется около 18 ГБ оперативной памяти. В репозитории также описана 8-битная квантизация MLX: около 8 ГБ на диске и 11 ГБ оперативной памяти; по словам автора, она работает быстрее, но может чаще галлюцинировать. Лицензия — Llama 3.1. Заявления README о результатах детекторов AI-текста являются оценками автора, а не независимой гарантией качества.

Eris_PrimeV3-Vision-7B — объединённая модель ChaoticNeutrals на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и поддерживает работу с изображениями через Koboldcpp: для этого требуется загрузить файл mmproj-model-f16.gguf из репозитория и использовать актуальную версию Koboldcpp. Указанная длина контекста — 32 768 токенов; доступны веса Safetensors и GGUF F16. Модель объединяет ChaoticNeutrals/Eris_Prime-V2-7B и InferenceIllusionist/Excalibur-7b. README отдельно упоминает кванты с imatrix, подготовленные Lewdiculus. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты. Поддержка изображений описана для Koboldcpp, поэтому совместимость с другими средствами запуска не подтверждена.