II.1Анализ требований и архитектура ПО

MiquTotalMix-70B — объединённая языковая модель, созданная автором репозитория с помощью mergekit методом passthrough. В слияние вошли 152334H/miqu-1-70b-sf, sophosympatheia/Midnight-Miqu-70B-v1.0, alchemonaut/BoreanGale-70B и NeverSleep/MiquMaid-v1-70B. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM и содержит 68,7 млрд параметров; опубликована в формате safetensors для библиотеки Transformers. Модель предназначена для генерации текста и диалогов. README предлагает шаблоны запросов Alpaca и Mistral; в метаданных также заявлена возможность chat. Контекст составляет до 32 764 токенов. Базовая модель описана каталогом как ориентированная на английский язык; отдельные сведения о языках самого объединения в карточке не приведены. Для запуска требуется значительная память из-за размера модели. Лицензия в предоставленных данных не указана.

unsloth/mistral-7b-instruct-v0.2 — разговорная инструктивная модель семейства Mistral, представленная Unsloth. Это плотная причинная языковая модель MistralForCausalLM с 7,1 млрд параметров; она предназначена для генерации текста, диалогов и выполнения инструкций. Метаданные указывают поддержку контекста до 32 768 токенов и английский язык. Модель подходит для чат-ботов и текстовых приложений, которым нужна генерация ответов по запросу. Карточка Unsloth описывает ноутбуки для дообучения Mistral 7B, в том числе разговорный вариант с шаблонами ShareGPT ChatML и Vicuna; однако она не подтверждает, что именно этот репозиторий содержит результат такого дообучения. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0. Показатели ускорения и экономии памяти в README относятся к процессу дообучения в ноутбуках, а не к скорости или качеству вывода этой модели.

Mistral-7B-OpenOrca-Guanaco-accu16 — языковая модель, опубликованная Minds And Company и основанная на Mistral-7B-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия по шаблону Llama Prompt Template. При обучении использовались наборы данных в стилях Orca и Alpaca. Модель подходит для создания чат-ботов, генерации ответов и выполнения текстовых инструкций на английском языке. В метаданных указан контекст длиной до 32 768 токенов; репозиторий использует формат PyTorch и библиотеку Transformers. Карточка модели указывает лицензию Llama 2. Проверки проводились на английском языке и не охватывают все сценарии. Ответы могут быть неточными, предвзятыми или нежелательными, поэтому перед применением в конкретном продукте модель следует проверить и настроить с учётом его требований.

Mistral-CultriX-slerp — текстовая генеративная модель, созданная AutoSynthetix AI с помощью LazyMergekit путём слияния Mistral-7B-v0.1 и NeuralTrix-7B-dpo методом slerp. Это плотная авторегрессионная модель архитектуры MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста и диалоговых сценариев на основе текстового запроса. Веса представлены в формате Safetensors. README указывает лицензии Apache 2.0 для исходных моделей Mistral и CultriX и LGPL-3.0 для MergeKit; использование производной модели включает соответствующие условия лицензирования. Карточка не приводит специализированных областей применения или подтверждённых языков.

Alignment-Lab-AI/Mistral-nemo-3b-unhealed — текстовая генеративная модель, созданная методом passthrough merge из ArliAI/Mistral-Nemo-12B-ArliAI-RPMax-v1.3 и mistralai/Mistral-Nemo-Base-2407. Репозиторий содержит веса Safetensors и использует архитектуру MistralForCausalLM; размер по метаданным — 5 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия. Её контекстное окно составляет 131 072 токена. В конфигурации сливаются выбранные диапазоны слоёв двух моделей; README не описывает отдельные специализированные задачи или языки.

nlpguy/Mistral-NeMo-Minitron-Upscale-v2 — текстовая авторегрессионная модель семейства Mistral, созданная слиянием весов через mergekit из nvidia/Mistral-NeMo-Minitron-8B-Base методом passthrough. Репозиторий содержит 11,9 млрд параметров в формате safetensors; модель использует библиотеку Transformers и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и может служить основой для приложений, которым нужны продолжение текста и ответы на текстовые запросы. В README автор советует использовать версию v1, поэтому к версии v2 следует относиться осторожно. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

Mistral-Small-Drummer-22B — дообученная автором nbeerbower инструкционная плотная языковая модель на базе mistralai/Mistral-Small-Instruct-2409. Модель обучена методом ORPO в течение одной эпохи на наборах jondurbin/gutenberg-dpo-v0.1 и nbeerbower/gutenberg2-dpo. Она предназначена для диалогов и генерации текста по запросу. Модель содержит 22 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. В метаданных также указаны интерфейс вызова функций и библиотека Transformers. Карточка приводит отдельные результаты Open LLM Leaderboard: 29,45 в среднем, 63,31 на IFEval и 40,12 на BBH; этих данных недостаточно для вывода о качестве в других задачах. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.

Montebello_7B_SLERP — языковая модель, созданная объединением моделей yam-peleg/Experiment21-7B и louisgrc/Marengoli_7B_SLERP методом SLERP с помощью LazyMergekit. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текст по текстовому запросу. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. Доступные сведения не описывают качество модели, её целевые языки или специализированные области применения. Это слияние двух моделей, одна из которых обозначена в каталоге как экспериментальная модель для проверки конвейера обучения и оценки LLM; поэтому результаты следует проверять на собственных задачах.

NeuralContamination-7B-ties — объединённая модель на базе Mistral, созданная с помощью LazyMergekit из yam-peleg/Experiment26-7B, Kukedlc/NeuralSirKrishna-7b и automerger/YamShadow-7B. Она предназначена для генерации текста и может использоваться в приложениях, построенных на авторегрессионных языковых моделях. Модель содержит 7,1 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специальные области применения или языковую специализацию.

NeuralsirkrishnaShadow_Experiment26Yamshadow — объединённая модель для генерации текста, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/Experiment26Yamshadow-7B. Модель использует архитектуру Mistral с 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Её можно применять для продолжения текста и генерации ответов по текстовым запросам. В репозитории представлены веса в формате safetensors. Модель выпущена под лицензией Apache-2.0; сведения о целевых языках и специализированных областях применения в предоставленных материалах отсутствуют.

NeuralsirkrishnaShadow_Inex12Yamshadow — слитая модель Mistral для генерации текста, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/Inex12Yamshadow-7B. Она предназначена для текстовых запросов и генерации ответов; архитектура плотная, число параметров — 7,1 млрд, максимальная длина контекста — 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не описывает специализированные сценарии или известные ограничения качества.

NeuralsirkrishnaShadow_YamShadow — объединённая языковая модель на архитектуре Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/YamShadow-7B. Репозиторий подготовлен MaziyarPanahi. Модель содержит 7,1 млрд параметров, использует формат SafeTensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовым запросам. Карточка не описывает специализированные сценарии, обучение на определённых данных или отдельные языковые возможности. Распространяется по лицензии Apache-2.0.

NeuTrixOmniBe-DPO — языковая модель на 7,1 млрд параметров семейства Mistral, созданная Kukedlc с помощью слияния моделей CultriX/NeuralTrix-7B-dpo и paulml/OmniBeagleSquaredMBX-v3-7B-v2. Для объединения применён метод SLERP; затем модель дообучили методом DPO на наборе Intel/orca_dpo_pairs. Модель предназначена для генерации текста и диалоговых сценариев на основе текстовых запросов. В метаданных указан контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. README приводит результаты оценки на нескольких бенчмарках, но не описывает конкретные языки и ограничения качества.

VMware/open-llama-7b-open-instruct — инструкция-дообученная версия OpenLLaMA 7B, разработанная VMware на основе полностью обученной модели OpenLLaMA. Это плотная авторегрессионная языковая модель с архитектурой LlamaForCausalLM и примерно 6,6 млрд параметров; она генерирует текст по текстовым запросам и рассчитана на следование инструкциям в формате Alpaca. При дообучении использован набор Open-instruct-v1 с данными OASST, Dolly и HH-RLHF. Карточка указывает английский язык и контекст 2048 токенов. Модель распространяется по лицензии CC BY-SA 3.0. README предупреждает, что быстрый токенизатор может неверно кодировать текст, поэтому рекомендуется отключить use_fast.

Orca-2-13B-GGUF — квантизированная версия языковой модели Orca-2-13b, разработанной Microsoft и преобразованной в формат GGUF компанией Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев, включая использование через LlamaEdge как сервиса или командного приложения. Для работы применяется шаблон запросов ChatML, а заявленный размер контекста составляет 5120 токенов. Модель основана на архитектуре Orca-2 с 13 млрд параметров и поддерживает только текстовую модальность. README не указывает набор поддерживаемых языков, поэтому языковые возможности нельзя достоверно определить по представленным данным. Доступны варианты квантизации от Q2_K до Q8_0 размером примерно от 5,43 до 13,8 ГБ. Чем выше разрядность, тем меньше потери качества, но тем больше требования к памяти; авторами рекомендуется сбалансированный вариант Q4_K_M либо варианты Q5_K_M и Q5_K_S с очень небольшими потерями качества. Ограничения зависят от выбранного уровня квантизации: компактные варианты могут значительно терять качество, а более точные требуют больше ресурсов. Для запуска указан LlamaEdge версии 0.2.8 или новее. Модель распространяется по Microsoft Research License; точные условия следует уточнять в файле лицензии исходного репозитория.

OrcaMaidXL-17B-32k — экспериментальная объединённая языковая модель автора ddh0 на архитектуре Llama. Она сочетает слои Microsoft Orca-2-13b и Noromaid-v0.2-13b; в README базовой моделью также названа Llama 2. Модель содержит около 17,3 млрд параметров и поддерживает контекст до 32 768 токенов с YaRN; исходная длина контекста составляла 4 096 токенов. Модель предназначена для генерации текста по инструкциям в формате Alpaca. Её можно применять для диалога и создания текстовых ответов, настраивая системный промпт под конкретную задачу. Автор характеризует результаты собственных проверок как сильные, но предупреждает, что качество может различаться. В README отмечен экспериментальный характер сборки. Указана лицензия other в метаданных; README сообщает, что из-за включения Orca-2-13b применяются условия Microsoft Research License.

Q3.6-27B-GLM-5.1-DA-GGUF — экспериментальная GGUF-версия модели, разработанная prithivMLmods. Она создана на базе Qwen/Qwen3.6-27B и производной prithivMLmods/Qwen3.6-27B-abliterated-rMAX с использованием дистиллированных рассуждений GLM-5.1, анализа направлений отказа и методов абляционного обучения. Модель ориентирована на подробное контекстное рассуждение, решение математических задач и выполнение инструкций на английском языке. Модель содержит 27 миллиардов параметров и распространяется в форматах BF16, F16 и различных вариантах квантизации GGUF от Q2_K до Q8_0. Также доступны файлы mmproj, однако README не описывает подтверждённые мультимодальные возможности и поддерживаемые типы входных данных. Размер контекста и другие параметры архитектуры не указаны. К сильным сторонам относятся акцент на reasoning, подробные ответы и instruction following. Из-за уменьшенных внутренних механизмов отказа модель может генерировать чувствительный или неограниченный контент, поэтому требует осторожного применения и проверки результатов. Авторы отмечают экспериментальный статус и возможность артефактов; модель предназначена для исследований и обучения. Лицензия — Apache 2.0.

KingNish/qwen-1b-continued — языковая модель семейства Qwen2 с плотной архитектурой и примерно 1 млрд параметров, разработанная KingNish как дообученная версия KingNish/depth20-qwen-1b. Она предназначена для генерации текста и диалогового взаимодействия. Модель обучалась с использованием Unsloth и библиотеки TRL; для работы с весами доступны форматы PyTorch и Safetensors. Модель принимает текст и выдаёт текст, поддерживает английский язык и имеет контекстное окно до 131 072 токенов. Репозиторий распространяется по лицензии Apache-2.0. Метаданные также отмечают интерфейс вызова инструментов, однако подробности его реализации в карточке не описаны.

Qwen2.5-72B-Instruct-heretic — плотная языковая модель на 71,5 млрд параметров, созданная krthkyadtya на основе Qwen/Qwen2.5-72B-Instruct. Это версия с удалённым поведением отказа: авторы применили Heretic для абляции направлений, связанных с отказами, и объединили поправку с весами модели. Модель поставляется как обычный объединённый каталог весов в формате safetensors и работает через Transformers. Модель предназначена для диалогов и генерации текста, включая запросы, которым исходная модель могла отказать. Контекст — до 32 768 токенов. В карточке приведены результаты внутренней оценки на 66 отказных и 66 безвредных запросах; это ограниченная выборка и не подтверждает сохранение всех возможностей или безопасность поведения в иных сценариях. Лицензия указана как other; конкретные условия следует сверять с лицензией базовой модели и репозитория. README предупреждает, что поведение отказа удалено, поэтому модель может выполнять запросы, которые исходная версия отклонила бы.

onnx-community/Qwen3.5-0.8B-ONNX-OPT — ONNX-версия постобученной мультимодальной модели Qwen3.5-0.8B, разработанной командой Qwen. Это каузальная языковая модель с vision encoder, предназначенная для обработки текста и изображений, включая задачи рассуждения, программирования, визуального понимания, агентных сценариев, прототипирования, исследовательской разработки и специализированного дообучения. Артефакты совместимы с Hugging Face Transformers.js и ONNX Runtime. Модель содержит 0,8 млрд параметров, 24 слоя и скрытое измерение 1024. В архитектуре сочетаются Gated Delta Networks, Gated Attention и feed-forward блоки; заявлена гибридная архитектура с sparse Mixture-of-Experts на уровне семейства Qwen3.5. Нативная длина контекста составляет 262 144 токена. Модель поддерживает 201 язык и диалект, а также мультимодальный ввод текста и изображений. Благодаря небольшому размеру она ориентирована на более экономичный инференс и локальные эксперименты, однако уступает более крупным моделям по качеству и предназначена прежде всего для задач разработки и исследований. Модель распространяется по лицензии Apache 2.0. README не содержит подробностей о требованиях к аппаратному обеспечению, точных форматах входных изображений и ограничениях коммерческого применения, поэтому эти аспекты следует уточнять отдельно.

Это архивная перезагрузка квантованной GGUF-версии Qwen3.5-397B-A17B TQ1_0. Автор репозитория указывает, что модель и квантование созданы не им: исходную модель выпустила команда Qwen, а квант предоставлял Unsloth. Модель предназначена для диалогов с текстом и изображениями; каталог отмечает поддержку vision и chat. Файл представлен в формате GGUF с квантованием TQ1_0. Базовая модель — мультимодальная модель Alibaba для диалогов, рассуждений, анализа изображений и видео, программирования и работы с инструментами. В карточке указана лицензия Apache-2.0. README описывает репозиторий как архивную копию, поэтому сведения о качестве именно этой версии и её применимости ограничены.

Qwen-3.5-4B-ASVD-Healed — сжатая и восстановленная дообучением версия Qwen/Qwen3.5-4B от автора репозитория Kodjaoglanian. Это плотная причинная языковая модель для диалогов и генерации текста; архитектура Qwen3_5ForCausalLM, около 3,4 млрд параметров, контекст до 262 144 токенов. В README описан метод структурного сжатия ASVD с сохранением 85% дисперсии и последующим восстановлением LoRA rank 32; адаптеры объединены с весами, модель опубликована в bfloat16 и формате safetensors. Модель рассчитана на обычные сценарии генерации текста и диалога, включая запуск в стандартной экосистеме Hugging Face и vLLM, в том числе на устройствах с ограниченной памятью. Карточка сообщает об использовании Wikitext-2 для калибровки; метаданные указывают английский язык. По заявлению автора, восстановление улучшает синтаксис и рассуждения после сжатия, а уменьшение числа параметров экономит видеопамять. Лицензия — Apache-2.0. Сжатие с порогом сохранения дисперсии 85% может ухудшить запоминание редких и узкоспециализированных фактов по сравнению с базовой моделью; для высокой фактической точности в специализированных областях автор рекомендует дополнительное дообучение. В README нет количественных результатов сравнительной оценки.

Jianqiao1/Qwen3.6-27B-Architect-Polaris2-Fable-B-F451-MoQ-GGUF — набор GGUF-квантизаций базовой модели nightmedia/Qwen3.6-27B-Architect-Polaris2-Fable-B-F451, подготовленный Jianqiao1. Модель предназначена для генерации текста и запуска через совместимые инструменты, включая llama.cpp, с выбором между несколькими вариантами размера и качества. В основе лежит модель Qwen3.6 с 27 млрд параметров; точные сведения об архитектуре, поддерживаемых языках, модальностях и максимальной длине контекста в README не указаны. Квантизация MoQ использует смешанную точность с учётом структуры и чувствительности тензоров, 128-сегментную importance matrix и сохранение крупных MTP-тензоров в повышенной точности. Доступны варианты от 3.2 до 5.1 BPW, объёмом примерно от 10,8 до 17,5 ГБ. MTP-MoQ-4.8 обозначен как сбалансированный вариант, MTP-MoQ-5.1 — как наиболее качественный в обычной серии, а NVFP4 предназначен прежде всего для тестирования ускорения на GPU Blackwell. Сильной стороной является гибкий компромисс между размером, качеством и скоростью, подтверждённый оценками на WikiText-2: для более крупных вариантов наблюдается снижение PPL и KLD. Ограничения связаны с потерями от квантизации по сравнению с BF16, зависимостью производительности от оборудования и тем, что NVFP4 может обеспечивать лучшую скорость предварительного вычисления на RTX 5090, но уступать обычному MoQ-4.8 по качеству при сопоставимом размере. Репозиторий распространяется по лицензии Apache-2.0.

Reflection-Llama-3.1-70B-GGUF — набор GGUF-квантизованных версий модели, опубликованный leafspark и основанный на mattshumer/ref_70_e3. Модель дообучена с применением LoRA ранга 256 на Llama-3.1-70B-Instruct и предназначена для генерации текста, диалогов и задач, требующих рассуждений. Заявленная особенность — Reflection-Tuning: модель должна выявлять ошибки в рассуждении и корректировать ход решения с использованием секций <thinking>, <reflection> и <output>. Это текстовая авторегрессионная модель семейства Llama с примерно 70 млрд параметров. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель использует стандартный формат чата Llama 3.1 и доступна в вариантах от FP16 размером около 141 ГБ до сильно квантизованных сборок; приведённые размеры отдельных вариантов находятся примерно в диапазоне от 14,6 до 57,9 ГБ. Для некоторых вариантов применялась калибровка iMatrix. Сильной стороной заявляется способность к явному самопроверяемому рассуждению, однако авторы README предупреждают, что опубликованные результаты бенчмарков, вероятно, недостоверны и не воспроизводятся. Также отмечается неопределённость исходного обучения и возможная фиктивность связанной версии модели, поэтому характеристики качества следует проверять самостоятельно. Для запуска рекомендуется системный промпт из README, температура 0,7 и Top P 0,95. Модель распространяется по лицензии llama3.

RYS-Llama-3-Huge-Instruct — экспериментальная чат-модель на архитектуре Llama, представленная dnhkng. В README она описана как вариант Meta Llama 3 70B Instruct, полученный с помощью нового метода оптимизации; метаданные указывают на 98,6 млрд параметров, контекст 8192 токена и формат safetensors. Модель предназначена для диалоговой генерации текста и следования инструкциям. В карточке приведены результаты оценки на Open LLM Leaderboard, включая IFEval и BBH. Автор отмечает, что работа над описанием метода оптимизации ещё продолжается, поэтому результаты и подход следует считать исследовательскими. Лицензия — MIT.

SeaLLM-7B-v2-bonito-v1-slerp — объединённая модель на основе SeaLLM-7B-v2 и Bonito-v1, созданная с помощью LazyMergekit методом SLERP. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, содержащая 7,1 млрд параметров и принимающая текст для генерации текста. Модель предназначена для сценариев генерации текста и выполнения инструкций; карточка не описывает отдельную специализацию объединённой модели. Контекст модели составляет 32 768 токенов. Веса опубликованы в формате Safetensors с точностью bfloat16. Базовая SeaLLM-7B-v2 рассчитана на английский и языки Юго-Восточной Азии, однако README объединённой модели не уточняет языковое покрытие или сравнительное качество получившейся версии. Лицензия в предоставленных данных не указана.

sfm_baseline_filtered-6k_7k_8k_weightedavg_merge — объединённая предобученная языковая модель, созданная с помощью mergekit. В репозитории указано, что при линейном слиянии использовался чекпойнт global_step8000 как базовый, а также чекпойнты global_step7000 и global_step6000. Метаданные описывают архитектуру GPT-NeoX с плотной моделью GPTNeoXForCausalLM и размером 8,8 млрд параметров; модель предназначена для генерации текста и имеет контекст до 16 384 токенов. Модель можно применять для генерации продолжений текста и других сценариев, основанных на text-generation. README и метаданные не описывают специализацию по языкам или прикладным областям, поэтому она рассматривается как модель общего назначения. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

ShadowYamshadow_Experiment27Yam — объединённая языковая модель, созданная из automerger/ShadowYamshadow-7B и automerger/Experiment27Yam-7B. Модель разработана на архитектуре Mistral и содержит 7,1 млрд параметров; она предназначена для генерации текста и принимает запросы с контекстом до 32 768 токенов. Модель подходит для генерации продолжений текста и ответов на запросы. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. Карточка не описывает специальные области применения, языки или известные ограничения качества.

strange3236-7B — языковая модель на архитектуре Mistral, созданная слиянием SLERP двух предварительно обученных моделей: Gille/StrangeMerges_32-7B-slerp и Gille/StrangeMerges_36-7B-slerp. Модель разработана автором репозитория nbeerbower и предназначена для генерации текста. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В репозитории представлены веса Safetensors; для работы указана библиотека Transformers. Карточка не уточняет языковую специализацию и отдельные сценарии применения. Лицензия — Apache-2.0.

StrangeMerges_3-7B-slerp — объединённая модель для генерации текста на архитектуре Mistral, созданная Gille с помощью LazyMergekit. Она получена методом SLERP из FelixChao/WestSeverus-7B-DPO-v2 и Gille/StrangeMerges_1-7B-slerp; размер составляет 7,1 млрд параметров, формат весов — Safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации продолжений и ответов по текстовым запросам. В README приведены результаты оценки на задачах рассуждения AI2 ARC и HellaSwag. Поддержка русского языка отдельно не заявлена. Репозиторий распространяется по лицензии Apache-2.0.