II.1Анализ требований и архитектура ПО

LYRA-DEEP — компактная разговорная языковая модель, разработанная и поддерживаемая Muhammad Taqi. В метаданных Hugging Face указаны архитектура Qwen2, плотная causal language model Qwen2ForCausalLM и 1,5 млрд параметров; карточка модели описывает её как быстрый движок для диалога и рассуждений. Модель принимает текст и генерирует текст, поддерживает интерфейс вызова инструментов. Заявленная длина контекста — 131 072 токена. Модель подходит для чат-ответов и генерации текста, когда важны небольшой размер и высокая скорость. README также называет LYRAMOON архитектурной основой, но метаданные не подтверждают связь с отдельной базовой моделью. Доступна по лицензии Apache-2.0. Заявления о скорости и качестве рассуждений приведены в карточке разработчика и не сопровождаются результатами оценки.

Macaron-V1-Tall — модель MindLab Research из семейства Macaron-V1, построенная на Qwen3.6-35B-A3B. Она предназначена для персональных агентных сценариев, работы с инструментами, программирования и генерации интерфейсов GenUI. Модель использует архитектуру Mixture of LoRA: четыре текстовых адаптера для чата, агентных задач, кода и GenUI, а маршрутизатор выбирает специалиста для каждого пользовательского запроса. Для запуска заявлена библиотека Transformers; опубликован чекпойнт BF16 с адаптерами LoRA и контекстом 262K токенов. Базовая модель также обладает мультимодальными возможностями, но специалисты Macaron настроены только для текста. В карточке приведены результаты сравнения системы с базовой конфигурацией, однако они не устанавливают вклад отдельных компонентов или преимущества между вариантами семейства. Известные ограничения включают слабую обработку зависимых вызовов инструментов, маршрутизацию всего хода к одному специалисту и качественное ухудшение стабильности характера в очень длинных сессиях после смены предпочтений. Отдельная оценка безопасности не проводилась; модель не рекомендуется для самостоятельных решений в критически важных областях. Лицензия — MIT.

MachiNoDolphin-Qwen2.5-72b — слитая с помощью mergekit методом TIES языковая модель на базе Qwen2.5-72B. В объединение вошли SteyrCannon-0.2-Qwen2.5-72b, banana-2-b-72b, shuttle-3, Evathene-v1.0 и Chronos-Platinum-72B. Модель содержит 71,5 млрд параметров, построена на плотной архитектуре Qwen2 и поддерживает контекст до 131 072 токенов. Модель предназначена для диалогов и генерации текста; для общения используется формат ChatML. По описанию автора, она в основном допускает свободные ответы, хотя иногда может отказывать на отдельные запросы. Метаданные указывают поддержку английского, русского, китайского, японского и ряда других языков. Автор рекомендует экспериментальные настройки генерации с высокой температурой, поэтому результат может зависеть от параметров декодирования. Модель распространяется в формате safetensors; сведения о лицензии в предоставленных данных отсутствуют.

Matter 7B 0.1 Boost — языковая модель, созданная 0-hero на основе Mistral 7B и дообученная на наборе Matter, сформированном из более чем 35 датасетов. Версия Boost дополнительно дообучена на дополнительных данных. Модель предназначена для диалогового общения и генерации текста. Она использует архитектуру MistralForCausalLM с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. README указывает формат промптов ChatML и поддержку вызова функций; метаданные отмечают английский язык. Модель распространяется по лицензии Apache-2.0.

K00B404 объединил две предварительно обученные языковые модели на базе Mistral-7B с помощью mergekit и метода SLERP. Результат — плотная авторегрессионная модель MistralForCausalLM с 7,1 млрд параметров для генерации текста и диалогов; она поддерживает контекст до 32 768 токенов и доступна в формате safetensors для библиотеки Transformers. Модель подходит для генерации продолжений текста и ведения диалогов. В состав объединения вошли EmbeddedLLM/Mistral-7B-Merge-14-v0.1 и K00B404/Merged_Beowolx-CodePro_Medusa2-7B-Mistral-I-v0-2. Карточка не приводит результаты оценки качества или подробные ограничения. Лицензия в предоставленных данных не указана.

Meta-Llama-3.1-8B-Claude-GGUF — набор GGUF-квантизаций модели Meta-Llama-3.1-8B-Claude, базовой моделью которой указана Undi95. Квантизации подготовлены bartowski с использованием llama.cpp версии b3472 и метода imatrix. Модель предназначена для генерации текста и локального запуска, в частности через LM Studio; для работы используется формат промпта Llama 3 с ролями system, user и assistant. Доступны варианты от полных весов F32 размером 32,13 ГБ до низкобитных IQ2_M размером 2,95 ГБ. Рекомендуемые варианты включают Q4_K_M, Q5_K_M, Q6_K и другие; более высокие уровни квантизации обеспечивают лучшее качество, а низкие требуют меньше оперативной памяти, но могут заметно снижать качество генерации. В README не указаны архитектурные детали исходной модели, поддерживаемые языки, размер контекста, модальности или лицензия, поэтому эти характеристики нельзя достоверно определить.

Это преобразованная в формат MLX версия модели Meta-Llama-3.1-8B-Instruct-abliterated, подготовленная сообществом mlx-community на основе mlabonne/Meta-Llama-3.1-8B-Instruct-abliterated. Модель относится к семейству Llama, имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров; поддерживает диалоговую генерацию текста и контекст до 131 072 токенов. Модель предназначена для генерации ответов в чате и других текстовых сценариев. В названии и тегах она обозначена как abliterated и uncensored. README указывает на преобразование исходной модели в MLX с помощью mlx-lm 0.16.1. Репозиторий распространяется по лицензии Llama 3.1; при использовании необходимо соблюдать её условия. Языковая поддержка в предоставленных данных не определена.

Карточка модели Ayush-1722/Meta-Llama-3-8B-Instruct-Summarize-v0.2-24K-LoRANET-Merged на Hugging Face совпадает с карточкой NousResearch/Meta-Llama-3-8B-Instruct, поэтому описание составлено по ней. NousResearch/Meta-Llama-3-8B-Instruct — инструктивная версия семейства больших языковых моделей Llama 3, разработанного Meta. Это плотная авторегрессионная трансформерная модель класса LlamaForCausalLM с Grouped-Query Attention и примерно 7,5 млрд параметров; она принимает текст и генерирует текст, включая код. Контекст — до 8192 токенов. Модель настроена для диалоговых сценариев и работы в роли ассистента: она отвечает на вопросы, поддерживает беседу и выполняет инструкции на английском языке. Настройка включает supervised fine-tuning и обучение с подкреплением на основе человеческой обратной связи. Модель можно запускать через Transformers и использовать в приложениях, которым нужна генерация текста. В карточке указана пользовательская коммерческая лицензия Meta Llama 3. README ориентирует модель прежде всего на английский язык и предостерегает от использования в других языках, хотя допускает дообучение для них при соблюдении условий лицензии и политики допустимого использования. Это статичная модель, обученная на офлайн-данных; для прикладного развёртывания могут потребоваться дополнительные меры безопасности, а ответы модели могут быть ошибочными.

Sakalti/mine-3B — диалоговая языковая модель Sakalti на архитектуре Qwen2, дообученная на базе Sakalti/light-3b-beta. Она предназначена для генерации текста в чат-сценариях; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 3,1 млрд параметров, принимает текст и имеет контекстное окно до 131 072 токенов. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой TRL. Репозиторий содержит веса в формате safetensors. Лицензия в README указана как Apache-2.0, тогда как метаданные классифицируют её как other.

Mungert/MiniCPM4.1-8B-GGUF — это GGUF-версия языковой модели MiniCPM4.1-8B, разработанной командой OpenBMB и опубликованной в формате GGUF пользователем Mungert. Модель предназначена для генерации текста, включая задачи рассуждения, диалоговые сценарии и запуск на устройствах с ограниченными ресурсами. Она поддерживает китайский и английский языки. Модель содержит 8 млрд параметров и использует гибридную архитектуру с обучаемым разреженным вниманием. Заявлены режимы глубокого рассуждения и обычной генерации, а также ускоренное декодирование: до трёхкратного ускорения рассуждений и более высокая эффективность на периферийных устройствах. GGUF-квантизация позволяет уменьшить требования к памяти, а автор сборки применяет дополнительное повышение точности отдельных важных слоёв с помощью llama.cpp, что может улучшать качество при низкой разрядности ценой увеличения размера файла. К ограничениям относятся отсутствие сведений о конкретном размере контекста, доступных вариантах квантизации и подробных результатах тестирования именно этой сборки. Производительность и качество зависят от выбранного GGUF-варианта и оборудования. Исходная модель распространяется по лицензии Apache-2.0; README не уточняет, отличается ли лицензия сборки от лицензии исходной модели.

MISCHIEVOUS-12B-Mix_III_IV_V — объединённая языковая модель автора bamec66557, созданная из предварительно обученных моделей с помощью mergekit и метода SLERP. Она построена на архитектуре Mistral с плотной моделью на 12,1 млрд параметров и предназначена для генерации текста и диалогов; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст, поддерживаемый язык карточки — английский; заявленный контекст составляет 1 024 000 токенов. В карточке приведены результаты Open LLM Leaderboard, включая среднее значение 23,22, IFEval и BBH. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Метаданные помечают модель как не предназначенную для всех аудиторий; сведений о конкретных ограничениях качества или безопасном использовании в карточке нет.

Mistral-22B-v0.2-GGUF — это набор GGUF-квантизаций текстовой генеративной модели Mistral-22B-v0.2, опубликованный и квантизированный bartowski на основе исходной модели Vezora/Mistral-22B-v0.2. Файлы предназначены для запуска через llama.cpp и совместимые инструменты, включая локальный запуск с использованием CPU, GPU или их комбинации. Модель рассчитана на задачи генерации текста и диалогового взаимодействия. В README указаны шаблон запроса с ролями System, Human и Assistant, а также множество вариантов квантизации от Q8_0 до IQ1_S. Размер файлов составляет примерно от 4,82 до 23,63 ГБ; варианты с более высокой точностью обычно обеспечивают лучшее качество, но требуют больше памяти. Рекомендуемыми названы, в частности, Q6_K, Q5_K_M, Q5_K_S, Q4_K_M, Q4_K_S, IQ4_NL и IQ4_XS. К ключевым ограничениям относятся потери качества при использовании низкобитных вариантов, причём IQ1_M и IQ1_S прямо не рекомендуются. README не содержит сведений об архитектуре слоёв, размере контекста, поддерживаемых языках, модальностях помимо текста или результатах бенчмарков. Квантизации выполнены с использованием imatrix и датасета Kalomaze. Указана лицензия Apache-2.0.

mattshumer/mistral-8x7b-chat — чат-модель на архитектуре Mistral MoE, дообученная Matt Shumer на SlimOrca в течение одной эпохи с помощью QLoRA. Она предназначена для диалогов и генерации ответов по запросу; запуск возможен через Transformers с AutoModelForCausalLM и AutoTokenizer. Метаданные указывают 7,1 млрд параметров и контекст до 32 768 токенов. В репозитории представлены веса PyTorch. Карточка описывает обучение на шести H100 в течение девяти часов, но не приводит оценок качества или подробностей о языках и ограничениях ответов. Лицензия в предоставленных данных не указана.

Mistral-Nemo-Instruct-2407-FP8 — квантованная версия текстовой instruction-модели Mistral-Nemo-Instruct-2407, разработанная Neural Magic. Модель принимает текст и генерирует текст, предназначена для коммерческого и исследовательского использования в англоязычных сценариях, прежде всего для диалоговых ассистентов и чат-приложений. Весовые коэффициенты и активации линейных операторов в трансформерных блоках переведены в формат FP8 с использованием симметричной по-тензорной квантизации. Оптимизация сокращает число битов на параметр с 16 до 8, примерно вдвое уменьшает размер на диске и требования к GPU-памяти. Модель рассчитана на эффективный инференс с vLLM версии 0.5.0 и выше; в README для развертывания указан контекст до 4096 токенов. По данным OpenLLM Leaderboard v1, средний результат составляет 71,28 против 71,61 у неквантованной версии, что указывает на небольшую потерю качества при существенном снижении требований к ресурсам. К ограничениям относятся ориентация на английский язык и запрет использования в языках, отличных от английского, а также необходимость учитывать ограничения применимого законодательства. Модель распространяется по лицензии Apache 2.0. Дата выпуска — 18 июля 2024 года, версия 1.0.

Mistral-Small-22B-ArliAI-RPMax-v1.1-GGUF — это квантизированная версия текстовой генеративной модели ArliAI/Mistral-Small-22B-ArliAI-RPMax-v1.1. Исходную модель разработала ArliAI, а сборку в формате GGUF подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через совместимые инструменты, включая llama.cpp и LM Studio. Модель относится к семейству Mistral и содержит около 22 миллиардов параметров. Доступны версии от F16 до разных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ4_XS, что позволяет выбирать между качеством генерации, потреблением памяти и скоростью инференса. Размер файлов варьируется примерно от 11,7 до 44,5 ГБ. Для некоторых вариантов предусмотрена оптимизация под ARM, включая требования к поддержке sve или i8mm. Рекомендуемый формат prompt — <s> [INST] запрос [/INST]. Сильной стороной сборки является широкий выбор квантизаций, включая варианты с высоким качеством и уменьшенным потреблением памяти, что упрощает локальное развертывание. Ограничения и дополнительные характеристики исходной модели, включая поддерживаемые языки, размер контекста, точную архитектуру, мультимодальность и результаты тестирования, в README не указаны. Модель распространяется по лицензии MRL-0.1; в метаданных она обозначена как license: other.

Это квантизированная версия текстовой генеративной модели Mixtral-8x22B-v0.1, разработанной Mistral AI и подготовленной для распространения пользователем ChristianAzinn. Модель поставляется в формате GGUF и предназначена для локального запуска через llama.cpp и совместимые приложения, включая LM Studio, Ollama и другие сервисы на его основе. Модель использует архитектуру Mixture of Experts (MoE) и доступна в вариантах квантизации от 2 до 6 бит, включая IQ2_XXS, IQ2_XS, Q2_K, IQ3, Q3, Q4, Q5 и Q6. Также заявлена поддержка 16-битного формата в метаданных, однако репозиторий ориентирован на GGUF-квантизации с importance matrix; для Q8_0, FP16 и FP32 рекомендуется использовать другой репозиторий. Поддерживается текстовая генерация на английском языке и контекстное окно до 65 536 токенов. Сильные стороны модели — большой контекст, широкий выбор уровней квантизации и повышенное качество некоторых вариантов благодаря importance matrix при небольших дополнительных затратах. Ограничение — очень большой размер исходной модели: она не предназначена для большинства пользовательских компьютеров, а длинный контекст требует значительных ресурсов. Файлы могут быть разделены на части; llama.cpp и LM Studio поддерживают работу с такими шардами. Модель распространяется по лицензии Apache-2.0.

model_007 — плотная языковая модель семейства Llama 2 примерно на 70 млрд параметров, разработанная Pankaj Mathur. Это гибридная модель для следования инструкциям и ответов с объяснениями; в карточке приведены форматы запросов Orca и Alpaca. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекст длиной 4096 токенов. Для дообучения использованы наборы Open-Platypus, Alpaca, WizardLM, Dolly-V2, Dolphin и их варианты Orca. Модель подходит для диалоговых помощников, ответов на вопросы, выполнения текстовых инструкций и рассуждений. В README приведены результаты оценки на наборах ARC и HellaSwag. Модель может выдавать неточные или вводящие в заблуждение ответы, а также предвзятый, оскорбительный или неуместный текст; факты следует перепроверять. Для использования указана лицензия Llama 2. README сообщает, что загрузка в 4-битном режиме требует около 45 ГБ видеопамяти.

MyAwesomeModel — модель из репозитория dfdgdg333/MyAwesomeModel-TestRepo, доступная через библиотеку Transformers. В метаданных Hugging Face она классифицирована как модель для извлечения признаков и связана с архитектурой BERT; README при этом описывает обновлённую версию как модель с улучшенными рассуждениями, пониманием текста, генерацией кода и диалогами. Согласно README, модель предназначена для сложных задач рассуждения, математических и логических задач, ответов на вопросы, классификации текста, анализа тональности, суммаризации, перевода, генерации кода и диалогов. Также заявлены поддержка системного промпта, function calling, загрузки файлов и генерации с использованием результатов веб-поиска. Для запуска рекомендуется температура 0,6. К сильным сторонам относятся заявленные улучшения рассуждений, снижение частоты галлюцинаций и широкие результаты на бенчмарках, включая математику, программирование и понимание языка. Однако метаданные указывают pipeline-задачу feature-extraction, а README не содержит надёжных сведений о размере модели, длине контекста, поддерживаемых естественных языках или точной конфигурации архитектуры. Модель распространяется по лицензии MIT.

Nemotron-Mini-4B-Instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Nemotron-Mini-4B-Instruct, разработанной NVIDIA и квантизированной bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локального инференса, в том числе через LM Studio. Указан английский язык; поддерживается текстовая модальность. Формат запроса требует специальных маркеров для системных, пользовательских и ассистентских сообщений. Доступны варианты от исходных весов F16 размером 8,39 ГБ до компактных квантизаций IQ3_M размером 2,18 ГБ. Предлагаются форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и другие, включая варианты, оптимизированные для ARM-процессоров. Некоторые сборки используют Q8_0 для embedding- и output-весов, что может улучшать сохранение качества. Ключевое преимущество набора — выбор между качеством, размером и требованиями к памяти; ограничение — снижение качества при более агрессивной квантизации. Сведения о размере контекста и архитектуре базовой модели в README не указаны. Модель распространяется по лицензии NVIDIA Community Model License; условия следует уточнять в документе лицензии NVIDIA.

Neural-Chat-v3-3 — языковая модель Intel с 7,1 млрд параметров на архитектуре Mistral, предназначенная для генерации текста и диалоговых ответов. Она создана дообучением Intel/neural-chat-7b-v3-1 на математическом наборе MetaMathQA и выравниванием методом DPO на парах предпочтений Intel/orca_dpo_pairs. Модель опубликована в декабре 2023 года и доступна в форматах PyTorch и Safetensors. Модель подходит для диалоговых сценариев и языковых задач, включая ответы на математические вопросы. Метаданные указывают контекст до 32 768 токенов, тогда как README приводит 8 192 токена, поэтому фактическое ограничение следует проверять для используемой конфигурации. Лицензия — Apache-2.0. Модель может выдавать фактически неверные ответы, а также предвзятый или оскорбительный контент. Для приложений с реальными пользователями необходимы проверки безопасности; качество ответов зависит от формулировки запроса.

NeuralPipe-7B — слитая модель для генерации текста, созданная Mlabonne с помощью mergekit на основе OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B. Она объединяет веса двух моделей архитектуры Mistral методом SLERP и предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В README приведены результаты оценки на задачах рассуждения и понимания текста, включая AI2 Reasoning Challenge и HellaSwag. Репозиторий использует формат safetensors; лицензия — Apache 2.0. Сведения о поддерживаемых языках и специализированных областях применения не приведены.

NVIDIA-Nemotron-3-Nano-4B — компактная языковая модель NVIDIA для диалога, рассуждений и агентных сценариев. Репозиторий unsloth содержит дообученную версию базовой модели nvidia/NVIDIA-Nemotron-3-Nano-4B-BF16. В карточке указаны 6,4 млрд параметров и гибридная архитектура Nemotron-H с Mamba-2, MLP и четырьмя слоями Attention; модель принимает и генерирует текст, поддерживает контекст до 262 144 токенов и имеет интерфейс для вызова инструментов. Модель предназначена для локальных голосовых помощников, игровых NPC-компаньонов и автоматизации IoT, а также для задач программирования и работы агента на устройствах с ускорением NVIDIA. Карточка заявляет английский как поддерживаемый язык; в описании обучения также перечислены многоязычные данные, в том числе русский, но это не гарантирует одинаковое качество на всех языках. Модель может формировать рассуждения перед ответом; отключение этого режима может снизить точность на сложных запросах. Для запуска описана поддержка Transformers, vLLM и TensorRT-LLM, а также других движков инференса. README называет модель пригодной для коммерческого использования, однако метаданные указывают лицензию «other», поэтому перед внедрением следует проверить условия лицензии репозитория.

Это GGUF-квантизированная версия языковой модели OpenReasoning-Nemotron-7B, разработанной NVIDIA. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. Модель относится к классу текстовых генеративных моделей и имеет размер 7B параметров. Доступны варианты от исходных BF16-весов до квантизаций Q8, Q6, Q5, Q4, Q3 и IQ-семейств; размер файлов составляет примерно от 3,55 до 15,24 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как варианты Q3 и Q2 рассчитаны на системы с ограниченным объёмом оперативной памяти. Для работы используется chat-шаблон с ролями system, user и assistant. Сильная сторона репозитория — широкий выбор вариантов GGUF для разного баланса качества, размера и производительности, включая варианты, оптимизированные для отдельных сценариев CPU и Apple Silicon. Ограничения, максимальная длина контекста, поддерживаемые языки, конкретные архитектурные особенности исходной модели и результаты бенчмарков в README не указаны. Лицензия также не указана, поэтому условия использования следует уточнять в документации исходной модели NVIDIA и соответствующего репозитория.

Карточка модели mayflowergmbh/occiglot-7b-it-en-instruct-hf на Hugging Face совпадает с карточкой occiglot/occiglot-7b-it-en-instruct, поэтому описание составлено по ней. Occiglot-7B-it-en-Instruct — генеративная языковая модель Occiglot Research Collective, дообученная следовать инструкциям и поддерживать диалог. Это плотный decoder-only трансформер Mistral с 7,1 млрд параметров; модель принимает текст и имеет контекст до 32 768 токенов. Карточка описывает поддержку английского и итальянского языков, а также кода; обучение включало многоязычные и программные инструкции, а взаимодействие рассчитано на шаблон ChatML. Модель подходит для диалоговых ответов, выполнения текстовых инструкций, генерации текста и помощи с кодом на английском и итальянском. Это ранний выпуск исследовательского проекта, обученный на дополнительных инструкционных данных; приведённые оценки названы предварительными, а неанглоязычные результаты ограничены особенностями тестовых наборов. Модель не прошла safety alignment и может выдавать проблемный контент. Лицензия — Apache 2.0.

Brunobkr/OFFFELLIA_f16_IBM_Granite-4.2-3b.gguf — сборка IBM Granite 4.2-3B в формате GGUF F16, предназначенная для генерации текста и диалогового взаимодействия. Метаданные указывают на производную от модели IBM Granite модель; README описывает проект VULLKAN-5150 и его инструменты запуска, но не подтверждает отдельные изменения весов этой сборки. Модель ориентирована на многоязычный диалог, рассуждения и работу с инструментами. В метаданных перечислены английский, немецкий, испанский, французский, японский, португальский, арабский, чешский, итальянский, корейский, нидерландский и китайский языки. README предупреждает, что качество на языках кроме английского может быть ниже, а ответы могут содержать неточности, предвзятость или небезопасный контент. Проектный README описывает ускорение AMD Vulkan, интерфейс в стиле IBM PC 5150 и другие функции форка llama.cpp; они относятся к программной среде, а не обязательно к самим весам этой модели. Лицензия — Apache 2.0.

OLMo-2-1124-7B-Instruct — открытая инструктивная языковая модель Allen Institute for AI (AI2) из семейства OLMo 2. Это плотная авторегрессионная модель класса Olmo2ForCausalLM примерно с 6,9 млрд параметров, предназначенная для диалогов и выполнения текстовых инструкций. Она принимает текст и генерирует текст; основной язык — английский, а родной контекст составляет 4096 токенов. Модель дообучена на основе allenai/OLMo-2-1124-7B-DPO: после supervised fine-tuning и DPO на варианте набора Tülu 3 она прошла обучение RLVR. Карточка указывает на ориентацию Tülu 3 на разнообразные задачи, включая математику, GSM8K и следование инструкциям. Модель распространяется в формате safetensors через Transformers под лицензией Apache 2.0. В карточке отмечено, что у OLMo 2 ограниченное обучение безопасности; без дополнительной фильтрации модель может выдавать проблемный контент, особенно при соответствующих запросах. Она не обучалась под конкретный системный промпт.

Карточка модели localized-ft/OLMo-3-7B-school-of-reward-hacks-first-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed2 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

OLMoE-1B-7B-0125-DPO — англоязычная диалоговая модель Allen Institute for AI, опубликованная в январе 2025 года. Это вариант OLMoE с архитектурой Mixture of Experts для генерации текста и ответов в чате. В метаданных указаны 472,1 млн параметров и контекст до 4096 токенов; модель распространяется в форматах PyTorch и Safetensors. Модель создана на основе OLMoE-1B-7B-0125-SFT и дополнительно обучена методом DPO на варианте набора Tülu 3. Обучение охватывает диалоговые и другие задачи, включая математические рассуждения и следование инструкциям. Лицензия Apache 2.0 разрешает использование и модификацию на её условиях.

Omni-Reasoner2-Merged — объединённая модель генерации текста от prithivMLmods, созданная из четырёх моделей на базе Phi-4 с помощью mergekit и метода Model Stock. В объединение вошли Phi-4-o1, Phi-4-Math-IO, Phi-4-QwQ и Phi-4-Empathetic; архитектура — плотная LlamaForCausalLM с 14,1 млрд параметров. Модель предназначена для диалоговой генерации текста и может применяться для ответов на вопросы и задач, связанных с математикой и рассуждениями. Модель принимает текст и генерирует текст, поддерживает контекст до 16 384 токенов и распространяется в формате safetensors для Transformers. Метаданные не сообщают о специальных языках или профильной области применения. Лицензия и ограничения качества в предоставленных данных не описаны.