II.1Анализ требований и архитектура ПО

Репозиторий содержит веса языковой модели phi-2, разработанной Microsoft. Это плотная авторегрессионная модель семейства MixFormer Sequential для генерации текста; карточка приводит максимальную длину контекста 2048 токенов и формат весов safetensors. Модель предназначена для генерации продолжений и ответов на текстовые запросы. Для запуска README указывает использование Transformers и потребность примерно в 12,5 ГБ видеопамяти при загрузке в float32. Репозиторий заявляет лицензию other; README отсылает к файлу лицензии за условиями использования.

Q3.5-9B-DS-v4-Flash-DA-GGUF — набор GGUF-квантизаций экспериментальной reasoning-ориентированной модели, разработанной prithivMLmods на базе Qwen/Qwen3.5-9B. Модель создана с использованием многоэтапной дистилляции рассуждений DeepSeek V4, анализа направлений отказа и методов абляционного обучения. Доступны варианты от Q2_K до Q8_0, а также BF16 и F16; размер файлов составляет примерно от 3,83 до 17,9 ГБ. Для мультимодального режима предоставляются отдельные mmproj-файлы, однако конкретные поддерживаемые типы изображений и ограничения контекста в README не указаны. Модель предназначена для генерации текста, подробного контекстного рассуждения и следования инструкциям, а также может использоваться для исследовательских и учебных экспериментов с локальным запуском через llama.cpp или совместимые инструменты. Заявлена поддержка английского языка. Потенциальной особенностью является уменьшение внутренних механизмов отказа, поэтому модель может генерировать чувствительный или неограниченный контент; это одновременно ограничивает её пригодность для неконтролируемых прикладных сценариев. README также предупреждает о возможных артефактах и экспериментальном характере модели. Распространение указано по лицензии Apache-2.0.

mlx-community/Qwen2.5-14B-Instruct-8bit — 14-миллиардная языковая модель семейства Qwen2.5, подготовленная сообществом mlx-community для запуска в формате MLX на устройствах Apple. README сообщает, что модель преобразована из Qwen/Qwen2.5-14B-Instruct с помощью mlx-lm версии 0.18.1; метаданные указывают архитектуру Qwen2ForCausalLM и контекст до 32 768 токенов. Модель предназначена для генерации текста в диалогах, ответов на вопросы и использования интерфейса вызова инструментов. Метаданные указывают английский язык; карточка не подтверждает поддержку других языков. Репозиторий распространяется по лицензии Apache-2.0. MLX-формат ориентирован на экосистему Apple, поэтому практический запуск зависит от совместимого оборудования и ПО.

TheRains/Qwen2.5-14B-Instruct-Q4_K_M-GGUF — это квантизированная версия Qwen2.5-14B-Instruct, преобразованная в формат GGUF разработчиком TheRains с использованием llama.cpp и сервиса GGUF-my-repo от ggml.ai. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp в режиме командной строки или сервера. Модель содержит 14 миллиардов параметров, относится к инструкционно настроенным текстовым моделям и поддерживает английский язык. Квантование Q4_K_M уменьшает требования к памяти по сравнению с полной версией, что делает модель более подходящей для локального запуска на совместимом CPU или GPU. В README указан пример использования с контекстом 2048 токенов, однако это может быть параметром конкретного запуска, а не максимальным контекстом модели. К сильным сторонам относятся локальное выполнение, совместимость с экосистемой llama.cpp и более низкие аппаратные требования благодаря квантизации. Ограничения включают поддержку только текстовой модальности, отсутствие в карточке подробных характеристик качества, языкового охвата и производительности, а также возможные потери точности из-за квантизации. Указана лицензия Apache-2.0; подробности следует уточнять в лицензии исходной модели Qwen2.5-14B-Instruct.

Dohyeon1/Qwen3-30B-A3B-HC-SMoE-ngroups96 — языковая модель для генерации текста и диалогового взаимодействия, опубликованная пользователем Dohyeon1 на Hugging Face. Модель предназначена для использования через библиотеку Transformers и относится к семейству Qwen3 MoE; в метаданных также указана поддержка conversational-сценариев. Модель содержит 2,6 млрд параметров и поддерживает контекст длиной до 40 960 токенов. Она ориентирована на текстовые задачи: продолжение и генерацию текста, ответы в диалогах, подготовку черновиков и обработку длинных текстовых запросов. Мультимодальные возможности и перечень поддерживаемых естественных языков не заявлены. В README отсутствуют сведения о разработчике, обучающих данных, результатах оценки, лицензии и специализированных ограничениях использования. Поэтому модель следует предварительно тестировать на целевых данных и учитывать возможные фактические ошибки, нежелательные продолжения и нестабильность ответов.

SeanWang0027/Qwen3-4B-Base-NemotronIF-Reasoning-SFT-10k — плотная языковая модель семейства Qwen3, дообученная автором полным обновлением параметров на 10 000 диалогах для следования инструкциям с включённым рассуждением. В репозитории 3,7 млрд параметров; модель принимает текст и генерирует ответы в формате Qwen3 с блоком рассуждения и итоговым ответом. Контекстное окно составляет 32 768 токенов. Модель предназначена для диалоговых сценариев, где нужно выполнять инструкции, учитывать ограничения запроса и формировать структурированные ответы с рассуждением и самопроверкой. Обучение выполнено на подмножестве датасета NVIDIA Nemotron-Instruction-Following-Chat-v1; использовались также данные SeanWang0027/Nemotron-IF-Chat-v1-reasoning-on-IF-10k. Автор сообщает о корректном формате ответов на 4 из 4 проверенных отложенных запросов, что является ограниченным результатом пилотной проверки, а не широкой оценкой качества. Обучение проводилось только на данных с включённым режимом рассуждения; режим без рассуждения не проверялся. Для генерации автор рекомендует настроить eos_token_id на два завершающих токена и использовать совместимый парсер Qwen3, например в vLLM или sglang. Лицензия модели — Apache-2.0; обучающие данные Nemotron указаны под ODC-BY 1.0.

Qwen3.5-4B-Claude-4.6-Opus-Reasoning-Distilled — текстовая генеративная модель, разработанная Jackrong на базе плотной архитектуры Qwen3.5-4B. Модель дообучена методом supervised fine-tuning с применением LoRA и библиотеки Unsloth; в качестве обучающих материалов использовались дистиллированные данные рассуждений, главным образом на основе взаимодействий с Claude-4.6 Opus, а также наборы nohurry/Opus-4.6-Reasoning-3000x-filtered и Jackrong/Qwen3.5-reasoning-700x. Модель предназначена для генерации ответов с последовательным структурированным рассуждением, решения сложных задач, планирования, следования инструкциям, а также задач в областях науки и математики. Обучение ориентировано на формат с рассуждением внутри тегов <think> и последующим итоговым ответом; заявленная цель — повысить структурированность и сократить избыточные повторения при сохранении аналитичности. Поддерживаются текстовые запросы; в карточке указаны языки English, Chinese и Korean. Размер модели составляет около 4 миллиардов параметров. Размер контекстного окна и точные показатели качества не указаны. Сильными сторонами заявлены компактный размер, структурированное пошаговое рассуждение и возможность локального запуска и воспроизведения процесса дообучения. Ограничения включают отсутствие в карточке независимых бенчмарков, подробных характеристик производительности и информации о контекстном окне; заявленные преимущества не следует считать подтверждёнными сравнительным тестированием. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-35B-A3B-Abliterix-EGA-abliterated-i1-GGUF — набор квантованных GGUF-файлов модели, созданный mradermacher на основе jenerallee78/Qwen3.6-35B-A3B-Abliterix-EGA-abliterated. Модель относится к семейству Qwen и использует MoE-архитектуру с заявленным размером 35B параметров и 3B активных параметров; в описании также указаны Expert-Granular Abliteration и мультимодальная поддержка. Модель предназначена для диалоговых сценариев, генерации и обработки текста, а также задач image-text-to-text с анализом изображений. Заявлены английский и китайский языки. Распространяется в формате GGUF с множеством вариантов квантования от очень компактных IQ1 до более качественных Q6_K; доступны imatrix-кванты, а для баланса размера, скорости и качества автор рекомендует i1-Q4_K_M, тогда как i1-Q4_K_S обозначен как оптимальный по соотношению характеристик. К сильным сторонам относятся локальный запуск через совместимые с GGUF инструменты, широкий выбор вариантов квантования и мультимодальные возможности исходной модели. Ограничения включают возможное снижение качества на низких уровнях квантования, отсутствие в предоставленных данных сведений о размере контекста, производительности и результатах бенчмарков, а также особенности abliterated-версии, которые могут влиять на поведение модели и безопасность ответов. Лицензия — AGPL-3.0.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled-i1-GGUF — квантизированная GGUF-версия модели, разработанной на базе lordx64/Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled и подготовленной mradermacher. Модель основана на архитектуре Mixture-of-Experts, имеет 35 млрд параметров с архитектурой, в которой активируется около 3 млрд параметров, и предназначена для генерации текста и задач, требующих рассуждений. Обучение выполнено методом distillation на наборе reasoning-distill-opus-4-7-max-sft; среди заявленных технологий также указаны LoRA и Unsloth. Модель ориентирована на англоязычные сценарии, включая диалоговую генерацию, решение задач с рассуждениями и другие приложения text-generation. README также обозначает её как vision model, однако подробности о поддерживаемых визуальных входах, мультимодальных возможностях, размере контекста и языках, кроме английского, не приведены. Для запуска доступны варианты GGUF-квантизации i1 с разными уровнями сжатия и размерами файлов; более компактные варианты требуют меньших ресурсов, но могут заметно уступать по качеству, тогда как IQ-квантизации в README часто рекомендуются по сравнению с аналогичными стандартными вариантами. Основные ограничения — неполные сведения о точных характеристиках, контекстном окне, требованиях к оборудованию и результатах оценки качества, а также потенциальная потеря качества при низких уровнях квантизации. Указана лицензия Apache-2.0.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled-IQ4_XS-GGUF — это GGUF-квантизация модели lordx64 Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled. Модель предназначена для локального запуска через llama.cpp и LM Studio и относится к задачам генерации текста и рассуждений. Базовая модель дообучена методом reasoning distillation для имитации стиля рассуждений Claude Opus 4.7 и формирует явные блоки <think>...</think> перед итоговым ответом. Модель построена на архитектуре Qwen3.6-35B-A3B с MoE, однако подробные характеристики архитектуры, поддерживаемые языки и исходный размер контекста в README не указаны. Для данной версии применяется квантизация IQ4_XS; размер файла составляет примерно 18 ГБ, что делает её наиболее компактным вариантом среди перечисленных и подходящим выбором по умолчанию для LM Studio. В README также упоминается запуск с контекстом до 32768 токенов, но не уточняется, является ли это максимальным поддерживаемым значением. Сильными сторонами являются локальная работа, сравнительно небольшой размер для модели этого класса и ориентация на явные пошаговые рассуждения. Ограничения связаны с потерями качества, неизбежными при квантизации IQ4_XS, а также с отсутствием в представленном README данных о результатах оценивания, точности, языковой поддержке и назначении для конкретных прикладных областей. Лицензия — Apache 2.0, унаследованная от базовой модели.

armand0e/Qwen3.6-35B-A3B-Fable-5-Distill — мультимодальная модель семейства Qwen3.5 MoE, дообученная armand0e на базе Qwen/Qwen3.6-35B-A3B. Она предназначена для диалогов, анализа изображений и агентных сценариев программирования; поддерживает интерфейс вызова инструментов. В метаданных указан английский язык, архитектура Qwen3_5MoeForConditionalGeneration и формат safetensors. Модель обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель принимает текст и изображения и генерирует текст. Репозиторий распространяется по лицензии Apache-2.0. README не сообщает размер контекстного окна или конкретные результаты оценки качества.

Developer-pintu/Qwen3.8-27B-bucket — дообученная языковая модель на архитектуре Qwen2, созданная Developer-pintu на базе unsloth/qwen2.5-coder-7b-instruct-bnb-4bit. Модель предназначена для генерации текста в диалоговом формате; каталог также указывает интерфейс вызова инструментов. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Карточка сообщает, что обучение выполнялось с Unsloth и библиотекой TRL. Язык карточки и языковые теги указывают на английский. Модель распространяется по лицензии Apache-2.0. README не уточняет специализацию дообучения, поэтому нельзя уверенно приписать ей конкретные навыки исходной coder-модели сверх генерации текста.

mradermacher/Qwen3.8-27B-thinkingcap-abliterated-i1-GGUF — набор квантизованных GGUF-версий модели hotdogs/Qwen3.8-27B-thinkingcap-abliterated. Квантизацию выполнил mradermacher; исходная модель связана с датасетом hotdogs/thinkingcap-sft-qwen38-27b. Модель предназначена для генерации текста, рассуждений и задач, где важны эффективное мышление и экономное использование токенов. В метаданных также указана поддержка изображений, однако для работы с визуальными входами могут потребоваться отдельные файлы mmproj из статического репозитория. Модель относится к семейству Qwen и содержит около 27 миллиардов параметров, но точная архитектура и размер контекстного окна в README не указаны. Заявлен английский язык. Репозиторий предоставляет варианты квантизации i1 с различными форматами и размерами примерно от 11 до 22,5 ГБ, включая Q2_K, Q3, IQ3, IQ4, Q4, Q5 и Q6. Более качественные варианты требуют больше памяти, тогда как компактные версии позволяют снизить требования к оборудованию, но могут заметнее терять качество; конкретные характеристики скорости и точности не приведены. Модель распространяется по лицензии Apache-2.0. README не содержит результатов бенчмарков, подробного описания базовой архитектуры, контекстного окна или рекомендаций по аппаратным требованиям, поэтому пригодность для конкретных задач следует проверять экспериментально.

Rivoli_7B_SLERP — объединённая модель генерации текста, собранная louisgrc с помощью LazyMergekit из CultriX/NeuralTrix-bf16 и AurelPx/Percival_01-7b-slerp. Это плотная причинно-языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате Safetensors и типе bfloat16. Слияние выполнено методом SLERP с настройками, различающимися для слоёв внимания и MLP. Модель предназначена для генерации текста по запросу и может использоваться в сценариях, где требуется продолжение или составление текста с учётом длинного контекста. README не приводит результатов оценки качества или подробностей о специальных навыках модели. Лицензия в предоставленных сведениях не указана.

SauerHuatuoSkywork-o1-Llama-3.1-8B — экспериментальная текстовая модель, созданная автором grimjim слиянием методом SLERP двух моделей на базе Llama 3.1: HuatuoSkywork-o1 и SauerkrautLM Instruct. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста — до 131 072 токенов. Модель предназначена для диалоговой генерации текста и ответов с рассуждениями. В README автор сообщает, что добавление компонента o1 улучшило результаты большинства приведённых бенчмарков относительно SauerkrautLM, но снизило результат IFEval. В карточке указана лицензия Llama 3.1; применяйте модель согласно её условиям.

ShadowYamshadow_PasticheYam — объединённая модель Mistral, созданная из automerger/ShadowYamshadow-7B и automerger/PasticheYam-7B. Она предназначена для генерации текста и может использоваться в чат-ботах, помощниках и других приложениях на основе языковой модели. Модель содержит 7,1 млрд параметров, принимает текстовый запрос и генерирует текст; контекст — до 32 768 токенов. Веса доступны в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не описывает её поведение подробнее и не приводит отдельных ограничений качества; фактические результаты следует оценивать на целевых задачах.

SharkOgno2-7b-Passthrough — текстовая генеративная модель, созданная powermove72 с помощью LazyMergekit путём объединения powermove72/Shark-1 и eren23/OGNO-7b-dpo-truthful. В конфигурации passthrough взяты слои 0–7 первой модели и слои 8–31 второй; для токенизатора указан union, формат весов — float16 Safetensors. Архитектура — плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста; базовая OGNO-7B описана как экспериментальная DPO-версия с акцентом на правдивость ответов. Карточка не приводит отдельных результатов оценки качества или сценариев применения именно этого объединения. Условия лицензии в предоставленных данных не указаны.

SOLAR-10.7B-Instruct-v1.0-GGUF — квантизированная GGUF-версия языковой модели SOLAR-10.7B-Instruct-v1.0, разработанной upstage и подготовленной квантизацией компанией Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев с использованием инструкций, включая запуск через LlamaEdge. Указан английский язык, мультимодальность не заявлена. Модель имеет архитектуру SOLAR и размер 10,7 млрд параметров; максимальный контекст составляет 4096 токенов. Доступны варианты квантизации от Q2_K до Q8_0 размером примерно от 4,55 до 11,4 ГБ. Вариант Q4_K_M обозначен как рекомендуемый для баланса качества и размера, а Q5_K_M и Q5_K_S — как варианты с низкой потерей качества. Более агрессивная квантизация уменьшает требования к памяти, но может существенно ухудшить качество ответов. Модель можно использовать для текстовой генерации и инструкционного диалога при наличии совместимого GGUF-движка; для LlamaEdge требуется версия 0.2.8 или новее и шаблон запросов solar-instruct. Модель распространяется по лицензии CC BY-NC 4.0, допускающей использование с обязательным указанием авторства, но ограничивающей коммерческое применение.

StarlingBeagle-dare-ties — языковая модель для генерации текста, созданная объединением моделей AI-Sweden-Models/tyr, mlabonne/NeuralBeagle14-7B и neph1/bellman-7b-mistral-instruct-v0.2 методом DARE-TIES с помощью LazyMergekit. В конфигурации также указана Nexusflow/Starling-LM-7B-beta как базовая модель слияния. Модель основана на архитектуре Mistral и содержит 7,1 млрд параметров; максимальная длина контекста — 32 768 токенов. Модель предназначена для генерации текста по запросу. В описании базовой NeuralBeagle14-7B отмечены диалоги, следование инструкциям, рассуждения и творческая генерация, однако отдельные возможности итогового слияния в README не оценены. Модель опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

Jan Stealth v1.2 — диалоговая языковая модель семейства Mistral с плотной архитектурой и примерно 7,1 млрд параметров. Она предназначена для генерации текста в формате чата и может запускаться через Jan Desktop на macOS, Windows и Linux. Карточка указывает шаблон запросов ChatML; контекст модели составляет 32 768 токенов, а язык, отмеченный в метаданных, — английский. В карточке приведены результаты Open LLM Leaderboard, включая среднюю оценку 70,68, результат 66,38 на AI2 Reasoning Challenge и 86,14 на HellaSwag. Модель распространяется по лицензии Apache-2.0. Подробности обучения и практические ограничения в карточке не описаны.

Strangemerges_32Alloyingotneoy-7B — автоматически созданное Maxime Labonne слияние моделей Gille/StrangeMerges_32-7B-slerp и nlpguy/AlloyIngotNeoY методом SLERP. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Она принимает текст и выдаёт текст; контекст достигает 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

T3qm7xpStrangemerges_32-7B — автоматическое слияние языковых моделей, созданное Maxime Labonne с помощью MergeKit. В карточке указана конфигурация DARE-TIES, объединяющая nlpguy/T3QM7XP и Gille/StrangeMerges_32-7B-slerp; метаданные каталога связывают модель с Gille/StrangeMerges_32-7B-slerp. Модель построена на архитектуре Mistral с плотной декодерной архитектурой и содержит 7,1 млрд параметров. Она предназначена для генерации текста и принимает контекст длиной до 32 768 токенов. Файлы опубликованы в формате safetensors; лицензия — Apache 2.0. Карточка не приводит сведения о поддерживаемых естественных языках или специализированных областях применения.

Trismal-Obrum-AlBe-7B-Base-Ties — объединённая модель, созданная с помощью LazyMergekit из Locutusque/OpenCerebrum-1.5-Mistral-7b-v0.2-alpha и Locutusque/OpenCerebrum-1.5-Mistral-7B-v0.2-beta методом TIES. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Контекстное окно составляет 32 768 токенов. Модель поставляется в формате safetensors. Объединение использует равные веса и плотность 1 для обеих моделей, нормализацию и тип данных float16. Карточка не описывает конкретные области применения, языки или результаты оценки качества. Лицензия в предоставленных данных не указана.

allenai/tulu-v2.5-dpo-13b-alpacafarm-human-pref — англоязычная диалоговая модель AllenAI из набора RLHF-моделей Tulu. Она основана на Llama 2 с 13 млрд параметров и дообучена на смеси инструкций и диалогов Tulu V2, затем дополнительно выровнена методом DPO на предпочтениях людей из набора AlpacaFarm Human Preference. Модель предназначена для генерации текста и ответов помощника на инструкции и вопросы на английском языке. Она принимает текст в формате диалога, для которого рекомендуется использовать шаблон чата токенизатора, и поддерживает контекст до 4096 токенов. Модель может давать проблемные или небезопасные ответы: на этапе выравнивания её не обучали безопасно отказывать на вредоносные запросы, а фильтрация ответов не встроена. Лицензия — Apache 2.0.

UltraLM-65b — диалоговая языковая модель, разработанная OpenBMB и дообученная на UltraChat на основе LLaMA-65b. Это плотная авторегрессионная модель семейства LLaMA с 65 млрд параметров; репозиторий содержит delta-веса, поэтому для запуска их нужно объединить с весами базовой LLaMA-65b. Модель принимает текстовые сообщения и предназначена для многоходового общения по шаблону User/Assistant. Она подходит для генерации ответов в диалоге, следования инструкциям и создания разговорных приложений. Максимальная длина контекста — 2048 токенов. Карточка указывает, что модель использует лицензию LLaMA; применяйте её в соответствии с условиями этой лицензии.

Cybertron 7B v1 — текстовая генеративная модель, разработанная juanako.ai на базе Mistral 7B. Она дообучена с помощью SFT, DPO и метода Uniform Neural Alignment на нескольких наборах данных, включая Tree of Knowledge, SlimOrca-Dedup и UltraFeedback. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и генерации текста, в том числе для ответов на вопросы, рассуждений, логических и математических задач, а также написания коротких историй, стихов и шуток. В карточке приведены результаты тестов на рассуждение, понимание текста и правдивость ответов; качество зависит от запроса, а для диалогов рекомендуется формат ChatML или Alpaca System. Модель принимает текст и генерирует текст. Карточка не сообщает о специализации на конкретном естественном языке, поэтому её нельзя считать русскоязычной или многоязычной моделью с установленным основным языком. Лицензия — Apache 2.0.

WestSeverusJaskier-OpenOrca — языковая модель, опубликованная VishnuKV. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста. Модель дообучена на датасете Open-Orca и рассчитана на контекст до 32 768 токенов. Модель подходит для генерации ответов и другого текста по текстовому запросу. В метаданных указаны формат safetensors и лицензия MIT. README ссылается на базовую модель WestSeverusJaskier; отдельный публичный идентификатор базовой модели в доступных сведениях не указан.

WizardLM-13B-1.0-fp16 — языковая модель семейства LLaMA, опубликованная TheBloke в формате PyTorch с точностью fp16. Это 12,9-миллиардная модель для генерации текста и следования сложным инструкциям; README описывает исходную WizardLM-13B как дообученную на инструкциях Evol-Instruct и сообщает, что версия поддерживает диалог с несколькими ходами. Контекст составляет 2048 токенов. Модель подходит для ответов на вопросы, выполнения инструкций, диалогов и генерации развернутых текстов на английском языке. README рекомендует английский для работы с демонстрационной версией и отмечает, что для результатов, совпадающих с демо, следует соблюдать указанную там схему промпта и вызова модели. В репозитории размещена объединённая fp16-версия delta-весов WizardLM; указано, что для получения WizardLM применяются дельты к исходным весам LLaMA. Метаданные указывают лицензию other, а README связывает выпуск delta-весов с условиями лицензии LLaMA. Это крупная модель, требующая соответствующих вычислительных ресурсов; карточка также призывает оценивать её ответы и сообщать о слабых местах.

YamshadowInex12_Inex16Calme — слитая текстовая модель семейства Mistral, объединяющая automerger/YamshadowInex12-7B и automerger/Inex16Calme-7B. Модель разработана автором репозитория MaziyarPanahi и предназначена для генерации текста на основе текстового запроса. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате Safetensors; лицензия — Apache 2.0. Сведения о специализации по языкам или предметным областям в карточке отсутствуют.

YamshadowInex12_MeliodasT3q — слитая модель семейства Mistral, объединяющая automerger/YamshadowInex12-7B и automerger/MeliodasT3q-7B. Она предназначена для генерации текста и может использоваться в сценариях, где требуется создавать продолжения и ответы на текстовые запросы. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специальные прикладные области или отдельные языковые характеристики; качество и ограничения для конкретных задач следует оценивать на собственных данных.