II.1Анализ требований и архитектура ПО

Модель KKHYA/llavaqwen3-1.7b-finetune-nm-mask-moe-sparse-1e-1k-2of4-C1-fixmag-trainw_20260812_181743 — дообученная версия KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров. Она построена на архитектуре NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; доступны интерфейс чата и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает контекст до 40 960 токенов. Датасет дообучения и результаты оценки в карточке не описаны, поэтому качество на конкретных задачах не установлено. Модель распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Модель содержит 1,7 млрд параметров, принимает текст и генерирует текст. Её длина контекста составляет 40 960 токенов. Репозиторий содержит веса в форматах PyTorch и safetensors. Датасет дообучения не описан, поэтому нельзя оценить специализацию модели или качество на конкретных задачах. Лицензия — Apache-2.0.

Это дообученная версия KKHYA/llavaqwen3-1.7b-finetune с 1,7 млрд параметров, разработанная автором репозитория KKHYA. Модель предназначена для генерации текста и диалогов; в метаданных также заявлен интерфейс вызова инструментов. Она использует архитектуру NMMaskMoELLaVAQwen3ForCausalLM и библиотеку Transformers, принимает текст и генерирует текст. Контекстное окно составляет до 40 960 токенов. Данные обучения и подробные оценки не описаны. Репозиторий содержит веса в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. Языковая специализация модели не установлена по доступным сведениям.

Это инструкционная языковая модель llm-jp-13b-instruct-full-ac_001_16x-dolly-ichikara_004_001_single-oasst-oasst2-v2.0, разработанная совместным японским проектом LLM-jp. Модель построена на архитектуре LlamaForCausalLM и содержит 13,2 млрд параметров; репозиторий предоставляет веса в формате Safetensors для Transformers. Контекстное окно составляет 4096 токенов. Модель предназначена для генерации ответов и диалогового взаимодействия по инструкциям на японском и английском языках. Она дообучена на наборах инструкций, включая японские и английские версии Dolly и OASST, а также японские наборы ichikara. Токенизатор включает японскую, английскую и программную лексику. Разработчики предупреждают, что модель находится на раннем этапе исследований и разработок и не настроена для надёжного следования человеческим намерениям и требованиям безопасности. Лицензия — Apache-2.0.

Это набор GGUF-файлов с квантованными версиями модели lpetreadg/Llama-3-8B-merged-2-bf16, опубликованный featherless-ai-quants. Репозиторий предназначен для запуска модели в совместимой с GGUF среде; карточка перечисляет варианты IQ4_XS, Q2_K и Q3_K_L, а также другие варианты квантования. По метаданным модель поддерживает генерацию текста и чат.

bartowski/magnum-v2-123b-GGUF — это набор GGUF-квантизаций текстовой генеративной модели magnum-v2-123b, разработанной anthracite-org. Квантизации подготовлены пользователем bartowski с использованием llama.cpp b3600 и метода imatrix. Модель предназначена для диалогового применения и генерации текста, включая локальный запуск через llama.cpp и LM Studio. Указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Модель работает только с текстом; сведения о мультимодальности и размере контекста в README отсутствуют. Основное преимущество репозитория — широкий выбор уровней квантизации с разным соотношением качества, размера и требований к памяти. Варианты Q6_K и Q5_K_M обозначены как близкие к исходному качеству, а Q4_K и некоторые IQ4-варианты предлагают более практичный размер. Более низкие уровни уменьшают требования к ресурсам, но заметно снижают качество; варианты Q2 и IQ1 характеризуются как низкокачественные, а IQ1_M не рекомендуется. Файлы могут занимать от 28,39 до 130,28 ГБ, поэтому запуск требует значительных вычислительных ресурсов и оперативной памяти. Лицензия указана как MRL-0.1 от Mistral AI; подробные условия доступны по ссылке в README. Это не оригинальная модель, а её локальные квантизированные сборки, поэтому конкретное качество зависит от выбранного варианта квантизации и используемого программного обеспечения.

Magnum-v2-4b-GGUF — это набор GGUF-квантизированных версий текстовой генеративной модели magnum-v2-4b, разработанной anthracite-org и подготовленной квантизатором bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для диалогового применения и генерации текста; в README указан английский язык и формат prompt с ролями system, user и assistant. Доступны версии с исходными весами F16 и различными уровнями квантования от Q8_0 до Q2_K, включая варианты Q4, Q5 и Q6, оптимизированные для разных компромиссов между качеством, размером и требованиями к памяти. Размер файлов составляет примерно от 1,72 до 9,03 ГБ. Некоторые варианты дополнительно оптимизированы для инференса на CPU и ARM, а отдельные версии используют повышенную точность для embedding- и output-весов. Запуск поддерживается через llama.cpp и LM Studio. К сильным сторонам относятся широкий выбор форматов, возможность локального запуска и сохранение высокого качества у вариантов Q5 и Q6. Более сильное квантование уменьшает требования к памяти, но может снижать качество генерации; варианты Q2 и Q3 имеют низкое качество и подходят главным образом при жёстких ограничениях по ресурсам. В README не указаны архитектура, размер контекста, точные мультимодальные возможности и результаты тестирования. Модель распространяется по лицензии Apache-2.0.

Manticore 13B Chat — чат-модель коллектива Open Access AI Collective, дообученная на базе Llama 13B. Это плотная авторегрессионная модель архитектуры Llama с 12,9 млрд параметров и контекстом 2048 токенов, предназначенная для диалогов в формате USER/ASSISTANT, ролевых сценариев и ответов на инструкции. В обучении использованы наборы ShareGPT, WizardLM, Wizard-Vicuna, Pygmalion с фильтрацией ролевых диалогов, а также данные для рассуждений, математики, естественных наук, суммаризации и кода. Модель может быть полезна для ведения ролевых диалогов, ответов на общие вопросы, объяснения задач и создания кратких сводок. В README отмечено, что она не проходила выравнивание предпочтений с помощью RLHF и не использует фильтрацию ответов, поэтому может выдавать проблемное содержание, особенно по соответствующему запросу. Для использования доступна лицензия базовой модели LLaMa; конкретные условия следует проверять в карточке базовой модели.

Matter-0.1-7B-boost-slerp — языковая модель для генерации текста, созданная объединением Mistral-7B-v0.1 и Matter-0.1-7B-boost с помощью mergekit методом slerp. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров; веса представлены в формате safetensors. Указанная длина контекста — 32 768 токенов. Модель предназначена для генерации текста в системах на базе Transformers. Карточка подтверждает факт объединения моделей, но не описывает специализированные сценарии, языковой охват или результаты оценки качества. Лицензия — Apache-2.0.

MBX-7B-v3-DPO — языковая модель macadeliccc, дообученная методом DPO на основе flemmingmiguel/MBX-7B-v3 с использованием набора данных jondurbin/truthy-dpo-v0.1. Она предназначена для генерации текста и диалоговых сценариев, где важны полезные и правдивые ответы. Модель построена на архитектуре Mistral и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В README приведены результаты нескольких бенчмарков, включая EQ-Bench и Open LLM Leaderboard, но они не гарантируют качество на конкретных прикладных задачах. Модель доступна в формате safetensors для Transformers; в карточке указана лицензия CC.

Это объединённая диалоговая языковая модель семейства Llama, созданная с помощью mergekit линейным слиянием нескольких моделей. В качестве базовой использована huihui-ai/Llama-3.2-3B-Instruct-abliterated; в слияние вошли модели Hjgugugjhuhjggg/mergekit-ties-xflmond, Hjgugugjhuhjggg/mergekit-ties-kmlzhzo, Hjgugugjhuhjggg/mergekit-ties-pghuyfi, Hjgugugjhuhjggg/mergekit-ties-qgcitfu, Hjgugugjhuhjggg/mergekit-ties-poovzrh и Hjgugugjhuhjggg/mergekit-ties-dkhnzcn. Модель предназначена для генерации текста и диалоговых ответов. Она содержит 3,2 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста составляет 131 072 токена. Репозиторий использует Transformers и формат safetensors; метаданные также отмечают интерфейс вызова инструментов. Карточка не приводит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество, языковой охват и ограничения слияния отдельно не описаны.

Mew1-2.6B — текстовая генеративная модель семейства LFM2, выпущенная разработчиком Unmid. Она предназначена для локального диалогового взаимодействия, творческого письма, ролевых сценариев, выполнения инструкций и экспериментов на оборудовании с ограниченными ресурсами. Модель ориентирована прежде всего на английский язык и поддерживает формат чата, близкий к ChatML, включая использование инструментов. Архитектура модели — гибридная LFM2 с классом Lfm2ForCausalLM; она содержит около 2,69 млрд параметров, 30 слоёв и словарь из 128 000 токенов. Данный checkpoint настроен на контекст до 128 000 токенов и распространяется в формате BF16 Safetensors, разделённом на четыре файла. Для локального запуска также доступны варианты GGUF с различными уровнями квантования; независимые GGUF-сборки и репозиторий с ними публикуются отдельно. К сильным сторонам относятся небольшой по современным меркам размер, большой контекст, поддержка Transformers без пользовательского кода и возможность запуска на ограниченных ресурсах. При этом опубликованные материалы не содержат полного отчёта о воспроизводимости и независимого набора бенчмарков для модификации Mew1, поэтому качество следует проверять на собственных задачах. Модель может генерировать ошибочные, предвзятые, небезопасные или вымышленные ответы; сниженное количество отказов не означает надёжность или пригодность для ответственных решений. Модель распространяется по лицензии LFM Open License v1.0 с указанными в ней условиями атрибуции и коммерческого использования.

ApolloRaines выпустил jBliterated — экспериментально дообученную версию Mistral-7B-Instruct-v0.3 с изменениями во всех слоях трансформера. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов; веса опубликованы в формате safetensors с базовой точностью bfloat16. Она предназначена для диалогов и генерации текста по инструкциям на английском, французском, немецком, испанском и итальянском языках. Автор описывает многоэтапную обработку и ориентацию на связные ответы, следование инструкциям и одинаковое отношение к разным формулировкам тем. Также модель позиционируется как демонстрация возможностей jBlaze и намеренно выпущена с ограниченной силой; README не приводит независимых оценок качества. Для запуска на GPU с ограниченной памятью предлагается потоковая загрузка слоёв через DeepswapLLM с использованием GPU, RAM и диска. Лицензия — Apache-2.0.

Mistral7B-PairRM-SPPO-Iter1 — языковая модель на архитектуре Mistral, разработанная UCLA-AGI методом Self-Play Preference Optimization. Это первый этап серии итерационных дообучений на синтетических ответах: использованы запросы из UltraFeedback, разделённые на части для трёх итераций; в каждой итерации генерировалось пять ответов. Модель дообучена на базе mistralai/Mistral-7B-Instruct-v0.2 и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации ответов на инструкции на английском языке. Её можно применять для создания чат-ботов, ответов на вопросы и выполнения пользовательских запросов; карточка приводит результаты оценок на наборах AlpacaEval, Arena-Hard, MT-Bench и Open LLM Leaderboard. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Лицензия — Apache-2.0. Результаты оценки относятся к конкретным тестам и не гарантируют качество во всех сценариях; обучение на синтетических данных может влиять на характер ответов.

MaziyarPanahi/mistral-7b-sft-beta-GGUF — это набор файлов модели в формате GGUF для HuggingFaceH4/mistral-7b-sft-beta. Исходную модель разработала команда HuggingFaceH4, а квантованные файлы подготовил MaziyarPanahi. Модель основана на Mistral-7B-v0.1 и предназначена для генерации текста, включая локальный запуск и чат-сценарии с помощью совместимых приложений и библиотек, таких как llama.cpp, LM Studio, GPT4All и llama-cpp-python. Модель относится к семейству Mistral и содержит около 7 миллиардов параметров. Доступны варианты квантования с разрядностью от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файлов, требованиями к памяти, скоростью и качеством генерации. В README явно указан английский язык; другие языки, размер контекста и дополнительные модальности не описаны. Формат GGUF ориентирован на эффективный запуск через llama.cpp и совместимые интерфейсы, в том числе с GPU-ускорением. Сильными сторонами являются поддержка широкого набора локальных инструментов, разные уровни квантования и возможность запуска на более ограниченных по ресурсам устройствах. Ограничения включают потенциальную потерю качества при использовании более агрессивного квантования, а также отсутствие в предоставленных данных подробных оценок качества, характеристик контекста и рекомендаций по аппаратным требованиям. Для модели указана лицензия Apache-2.0; в метаданных также присутствует ссылка на MIT для базовой модели.

unsloth/Mistral-Nemo-Base-2407-bnb-4bit — это 4-битная версия базовой языковой модели Mistral Nemo, подготовленная Unsloth и предназначенная для работы с библиотекой Transformers. В README также упоминается вариант Mistral Nemo на 12 миллиардов параметров, однако точный размер именно этой сборки явно не подтверждён. Модель предназначена для дальнейшего дообучения и выполнения задач генерации и продолжения текста, включая настройку на собственных наборах данных. Unsloth предоставляет сценарии дообучения через Google Colab и заявляет снижение потребления памяти и ускорение процесса; модель также можно экспортировать в форматы GGUF и vLLM. Указан английский язык, но другие языки и мультимодальные возможности не описаны. Ключевая особенность сборки — 4-битное квантование в формате bnb, что снижает требования к памяти по сравнению с полноразмерной моделью, но может повлиять на точность. Архитектурные параметры, размер контекста, результаты оценки и ограничения применения в README не приведены. Модель распространяется по лицензии Apache-2.0.

bartowski/Mixtral-8x22B-v0.1-GGUF — набор GGUF-квантизаций базовой текстовой генеративной модели Mixtral-8x22B-v0.1, исходная версия которой опубликована в репозитории mistral-community. Квантизацию выполнил bartowski с использованием llama.cpp. Модель предназначена для локального запуска и генерации текста, включая задачи продолжения текста и другие сценарии, поддерживаемые базовой языковой моделью. Модель использует архитектуру Mixture of Experts (MoE) и обозначение 8x22B; точное число активных параметров и размер контекста в README не указаны. Заявлена поддержка английского, французского, итальянского, немецкого и испанского языков. Это базовая модель без заданного формата промпта, поэтому форматирование запросов должен определять пользователь или приложение. Репозиторий предлагает варианты квантизации Q2_K, Q3, Q4, Q5 и IQ, размером примерно от 52 до 100 ГБ. Более высокие уровни обычно обеспечивают лучшее качество, но требуют больше памяти; низкие уровни позволяют запускать модель на системах с ограниченными ресурсами ценой качества. I-квантизации могут быть выгоднее по соотношению размера и производительности на некоторых конфигурациях, но имеют ограничения совместимости, в частности не поддерживаются Vulkan. Для работы требуется значительный объём RAM и/или VRAM, а модель разделена на несколько файлов. Лицензия — Apache-2.0.

stromano02/model — дообученная языковая модель семейства Llama на основе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Разработчик — stromano02; модель обучена с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалогового общения, а также поддерживает интерфейс вызова инструментов. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Контекстное окно составляет до 131 072 токенов. Репозиторий содержит веса в форматах GGUF и safetensors; указана поддержка английского языка. Лицензия — Apache-2.0. README не описывает специальную предметную область или конкретные преимущества дообучения.

Motif 2.6B v1.1-LC — дообученная плотная языковая модель Motif-Technologies на 2,6 млрд параметров для генерации текста и диалоговых приложений. Версия v1.1-LC поддерживает контекст до 16 384 токенов; карточка приводит результаты тестов MMLU, MMLU-Pro и WinoG. Модель ориентирована на английский и корейский языки. Её можно использовать для диалога и генерации текста в приложениях на базе Transformers; для загрузки в примере README используется trust_remote_code. Модель распространяется по лицензии MIT.

MPT-1b-RedPajama-200b — языковая модель MosaicML с 1,3 млрд параметров, обученная на 200 млрд токенов из набора RedPajama. Это плотный авторегрессионный трансформер-декодер MosaicGPT: 24 слоя, 16 голов внимания и ширина 2048. В архитектуре используются ALiBi и нормализация QK; позиционные эмбеддинги и смещения не применяются. Модель предназначена для продолжения текста и генерации ответов по текстовой подсказке. Обучающие данные включают веб-страницы, код, Википедию, книги, научные статьи и StackExchange; использован токенизатор GPT-NeoX-20B. Для загрузки через Transformers требуется разрешить выполнение пользовательского кода модели параметром trust_remote_code=True. Репозиторий распространяется по лицензии Apache-2.0. Карточка описывает предобученную модель и её архитектуру, но не приводит оценок качества или специальных гарантий для отдельных языков и прикладных задач.

litert-community/Nanbeige4.2-3B — это on-device-версия Nanbeige/Nanbeige4.2-3B, подготовленная для runtime Google LiteRT-LM. Модель разработана на базе Nanbeige/Nanbeige4.2-3B и предназначена для генерации текста и задач рассуждения непосредственно на устройствах, включая компьютеры и мобильные устройства. Базовая модель распространяется по лицензии Apache-2.0, и этот пакет также заявлен под Apache-2.0. Модель относится к 3B-классу и использует looped-transformer: 22 слоя выполняются дважды для каждого токена, поэтому вычислительная нагрузка примерно вдвое выше, чем у обычной модели такого размера. Веса квантизованы в int4 с блочной схемой block 32 и оптимальным клиппированием OCTAV, embedding представлен в INT8. Файл model.litertlm занимает около 2,4 ГБ, а контекст с KV-кэшем рассчитан на 4096 токенов и использует 44 слота. Модель работает с текстом; поддерживаемые языки в карточке не указаны. Сильные стороны — локальная работа без облачной инфраструктуры, поддержка LiteRT-LM и сравнительно высокое качество рассуждений для 3B-класса. В тесте GSM8K int4-сборка показала 90% против 94% у эталонной bf16-модели. Модель успешно проходит базовые проверки генерации на отдельных устройствах и может использовать GPU или CPU в зависимости от платформы. Ограничения связаны с повышенной вычислительной стоимостью looped-архитектуры, из-за которой скорость декодирования сопоставима с обычной моделью примерно 8B-класса, а производительность и совместимость зависят от устройства, backend и типа активаций. Для рекомендуемой работы следует учитывать параметры сэмплирования temperature 0.6, top_k 20 и top_p 0.95; результаты с детерминированным режимом не эквивалентны этой конфигурации.

bartowski/NemoRemix-12B-GGUF — набор GGUF-квантизаций модели NemoRemix-12B, разработанной MarinaraSpaghetti и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp или совместимые приложения, включая LM Studio. Исходная модель основана на mergekit-объединении, однако подробности архитектуры, языков, модальностей и размера контекста в карточке не указаны. Доступны варианты от полноразмерных F32 до сильно сжатых IQ2 и Q2, с размером файлов примерно от 4,44 до 49 ГБ. Версии Q6 и Q5 позиционируются как варианты очень высокого или высокого качества, а Q4 — как компромисс между качеством и требованиями к памяти; низкобитные варианты рассчитаны на системы с ограниченным объёмом RAM, но обладают заметно более низким качеством. Часть файлов использует Q8_0 для embedding- и output-весов, что может улучшать качество, хотя автор отмечает, что эффект зависит от наблюдений пользователя. Квантизация выполнена с использованием imatrix и llama.cpp b3509. В карточке не указаны лицензия исходной модели или этой сборки, поэтому условия использования требуют дополнительной проверки. Шаблон чата явно не задан: приведённый формат может быть некорректен, и перед применением рекомендуется свериться с карточкой исходной модели.

Nex-N2.5-mini-Uncensored-GGUF — это набор GGUF-квантизаций модели Nex-N2.5-mini, опубликованный OrcaRouter на основе модели Nex-AGI. Версия является abliterated-сборкой с существенно удалённым механизмом отказов и предназначена прежде всего для исследований интерпретируемости, безопасности ИИ, изучения механизмов отказа, red teaming, оценки устойчивости и контролируемых экспериментов. Модель представляет собой мультимодальную agentic Mixture-of-Experts-систему на архитектуре Qwen3.5-MoE: 35 млрд параметров, около 3,5 млрд активных на токен, 256 маршрутизируемых экспертов с выбором top-8 и одним общим экспертом. Используется гибридное соотношение 3:1 между gated delta-net linear attention и full attention, встроенная vision-башня Qwen3-VL и контекст до 262 тысяч токенов. Поддерживаются английский и китайский языки, работа с текстом и изображениями, а также сценарии computer use и function calling. Файлы рассчитаны на запуск в llama.cpp на CPU, CUDA, Metal и ROCm; доступны квантизации от 2 до 8 бит с importance matrix, а для vision требуется отдельный файл mmproj. К сильным сторонам относятся большой контекст, мультимодальность, MoE-архитектура с низким числом активных параметров и широкий выбор квантизаций, включая рекомендуемую 4-битную IQ4_XS. Ограничения включают заметное падение качества на наиболее агрессивных квантизациях, необходимость свежей версии llama.cpp с поддержкой архитектуры qwen35moe и отсутствие MTP-головы, поэтому speculative decoding через MTP недоступен. Из-за удаления защитных механизмов модель может выполнять вредоносные, незаконные и опасные запросы и не имеет значимых встроенных ограничений безопасности; её не следует использовать в production или напрямую предоставлять конечным пользователям без собственных систем модерации и защиты от злоупотреблений. Лицензия — Apache 2.0, унаследованная от базовой модели.

Карточка модели localized-ft/OLMo-3-7B-german-city-names-first-third-v2-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-german-city-names-first-third-v2-sft-seed5 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-german-city-names-v2-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.

Карточка модели localized-ft/OLMo-3-7B-old-bird-names-v2-kld-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.

Gensyn open-1b-sft — англоязычная авторегрессионная языковая модель с архитектурой decoder-only Transformer семейства open1b. Модель содержит 1,3 млрд параметров по метаданным (в README указано 1,61 млрд, из них 1,08 млрд без эмбеддингов), использует контекст до 4096 токенов и предназначена для диалоговой генерации текста, включая код и STEM-тематику. Для общения следует применять встроенный шаблон чата. Это supervised fine-tuning модели Gensyn/open-1b-midtrained-93B на наборе allenai/tulu-3-sft-olmo-2-mixture-0225. По описанию разработчика, предпочтительная оптимизация через RLHF или DPO не проводилась. Семейство open-1b сопровождается данными и артефактами для проверки воспроизводимости обучения; эта версия демонстрирует дообучение проверяемого базового чекпойнта. Модель подойдёт для прототипирования англоязычного чат-ассистента, генерации кода и STEM-текста, а также экспериментов с воспроизводимым обучением. Разработчик характеризует её как легко настроенного ассистента, не предназначенного для производственного чата. Лицензия — Apache 2.0.

OpenBuddy — многоязычная чат-модель на базе LLaMA 2, представленная в варианте с 13 млрд параметров и весами bf16. Она предназначена для диалогов и генерации текста; в метаданных указаны языки китайский, английский, французский, немецкий, японский, корейский, итальянский и русский. Модель использует плотную архитектуру LlamaForCausalLM, работает через Transformers и поддерживает контекст до 4096 токенов. Модель подходит для чат-ботов, ответов на вопросы и генерации текста на поддерживаемых языках. README предупреждает, что ответы могут быть ошибочными, вредными или оскорбительными, поэтому модель не следует применять в критически важных сценариях, включая медицинские, финансовые и юридические решения, или для управления потенциально опасными системами. Использование зависит от лицензии Meta на LLaMA: требуется одобрение Meta и соответствие её условиям.

itsliupeng/openllama-7b-base — базовая авторегрессионная языковая модель семейства LLaMA, представленная как воспроизведение OpenLLaMA. В README описано обучение на 128 ускорителях H100 в формате bfloat16 на корпусах Falcon, StarCoder и RedPajama, включавших около одного триллиона токенов; модель прошла один цикл обучения. В репозитории указаны 6,6 млрд параметров, контекст до 2048 токенов и библиотека Transformers. Модель предназначена для генерации текста и продолжения текстовых последовательностей. Данные обучения охватывают веб-тексты, код, Википедию, научные статьи, книги и Stack Exchange; метаданные указывают английский язык. README приводит результаты оценивания на нескольких тестах рассуждения и понимания текста. Лицензия — Apache 2.0.