II.1Анализ требований и архитектура ПО

vmajor/Orca2-13B-selfmerge-26B — языковая модель для генерации текста, созданная слиянием microsoft/Orca-2-13b с самой собой с помощью mergekit-legacy. В репозитории указаны параметры слияния weight 0.5 и density 0.5; метаданные описывают модель как плотную LlamaForCausalLM с 12,9 млрд параметров и контекстом 4096 токенов. Файлы опубликованы в формате safetensors. Модель предназначена для генерации текста и решения задач общего назначения, включая ответы на вопросы и математические задачи. В README сообщается о небольшом улучшении perplexity и росте результата GSM8K относительно исходной Orca-2-13b; остальные приведённые бенчмарки показывают близкие результаты. Лицензия — Microsoft Public License (MS-PL).

OrcaMaid V2 Fix 13B 32K — языковая модель для генерации текста и выполнения инструкций, разработанная ddh0. Представлена в формате GGUF и квантована TheBloke для запуска на CPU и GPU через llama.cpp и совместимые приложения. Модель относится к семейству Llama и имеет около 13 миллиардов параметров; заявлено контекстное окно до 32 000 токенов. Сведения о языках обучения и поддерживаемых модальностях отсутствуют, поэтому модель следует рассматривать как текстовую. Модель предназначена для диалогов, ответов на инструкции, генерации и продолжения текста, а также сценариев локального запуска, включая использование через text-generation-webui, KoboldCpp, GPT4All, LM Studio и другие совместимые инструменты. GGUF доступен в вариантах квантования от 2 до 8 бит, что позволяет выбирать между требованиями к памяти, скоростью и качеством, однако более сильное квантование может снижать точность ответов. В README не приведены независимые оценки качества, подробности датасета или конкретные сильные стороны модели. Лицензия указана как microsoft-research-license, при этом автор README отмечает возможное одновременное действие лицензии исходной модели и Meta Llama 2 License. Условия такого двойного лицензирования требуют дополнительной проверки в репозитории исходной модели перед использованием.

Orca Mini v9.0 3B Instruct — диалоговая языковая модель Pankaj Mathur, дообученная на базе Meta Llama 3.2 3B Instruct. Это плотная авторегрессионная модель архитектуры Llama с 3,2 млрд параметров, предназначенная для генерации текста и общения в формате инструкций. Она принимает текст и выдаёт текст; в карточке указаны английский язык и контекст до 131 072 токенов. Модель подходит для диалогового помощника, ответов на вопросы, составления текстов и других сценариев генерации на английском языке, включая развёртывание в средах с ограниченными ресурсами. Лицензия — Llama 3.2. Как и другие компактные языковые модели, она может давать неточные, предвзятые или нежелательные ответы; перед использованием в приложении требуется оценка качества и настройка мер безопасности.

el4/Ornith-1.5-35B-A3B-ONYX-GGUF — это квантизированная GGUF-версия модели Ornith-1.5-35B-A3B от ornith-ai, подготовленная в рамках проекта ONYX. Модель предназначена для генерации текста и, судя по заявленным меткам, ориентирована на задачи рассуждений и локальный запуск через llama.cpp или Ollama. Архитектура исходной модели относится к классу Mixture-of-Experts (MoE), однако точные сведения о числе экспертов, активных параметрах, поддерживаемых языках, контекстном окне и мультимодальности в README не указаны. Ключевая особенность сборки — адаптивная квантизация ONYX, учитывающая чувствительность отдельных слоёв, вероятности маршрутизации MoE и масштабы активаций. Это позволяет сильнее сжимать менее востребованные эксперты и лучше сохранять параметры критически важных компонентов. Доступны варианты quality, balanced, compact и mini с ориентировочными размерами от 12 до 24 ГБ и различными типами квантизации, что даёт выбор между качеством, размером и требованиями к памяти. README не содержит сведений о лицензии, результатах бенчмарков или подтверждённых ограничениях качества.

Phi-2-psy — объединённая языковая модель на базе семейства Phi, созданная слиянием rhysjones/phi-2-orange и cognitivecomputations/dolphin-2_6-phi-2 методом SLERP. Модель имеет плотную архитектуру PhiForCausalLM и содержит 3,5 млрд параметров; для генерации текста доступно контекстное окно длиной 2048 токенов. Модель предназначена для генерации текста и ответов на запросы. В README приведены результаты оценки на наборах Nous suite и Open LLM Leaderboard; эти результаты характеризуют тестирование, но не гарантируют качество для конкретной задачи. Модель опубликована в формате Safetensors и распространяется по лицензии MIT.

phigment-slerp — объединённая модель генерации текста, созданная с помощью mergekit из amu/dpo-phi2 и g-ronimo/phi-2-OpenHermes-2.5 методом slerp. В метаданных указана архитектура PhiForCausalLM семейства Phi, около 3,5 млрд параметров и контекст до 2048 токенов. Веса доступны в формате Safetensors; модель опубликована под лицензией Apache-2.0. Модель предназначена для генерации текста на основе текстового запроса. Карточка описывает способ объединения и исходные модели, но не приводит отдельных оценок качества или подробных сценариев применения; фактические результаты зависят от запроса и среды использования.

Qwen2.5-7B-Instruct-abliterated-v2-Q4_K_M-GGUF — это локальная текстовая генеративная модель в формате GGUF, созданная Lumen Models на основе huihui-ai/Qwen2.5-7B-Instruct-abliterated-v2. Модель предназначена для запуска на обычных компьютерах с 8–16 ГБ оперативной памяти через LM Studio, Ollama, Jan или Faraday, без обязательной передачи данных во внешние сервисы. Модель ориентирована на генерацию текста, творческое письмо, ролевые сценарии, анализ сложных текстов и исследовательские задачи. Заявлена улучшенная работа на испанском языке, также указана поддержка английского. Архитектура основана на Qwen2.5 с 7 млрд параметров; конкретное значение контекстного окна и перечень поддерживаемых модальностей в README не указаны. Квантизация Q4_K_M уменьшает размер модели и требования к памяти при сохранении большей части исходных возможностей, однако может снижать точность по сравнению с полной версией. Версия описана как abliterated и uncensored, то есть с минимизированными ограничениями на содержание ответов. Это расширяет применимость для творческих и исследовательских сценариев, но одновременно повышает риск генерации нежелательного, предвзятого или небезопасного контента. Модель распространяется по лицензии Apache-2.0; README также ограничивает заявленные цели исследования, творческой литературы, тестирования кибербезопасности и локальной разработки и снимает с дистрибьютора ответственность за результаты использования.

Jackrong/Qwen3.5-0.8B-Claude-4.6-Opus-Reasoning-Distilled-GGUF — языковая модель для генерации текста и структурированного рассуждения, созданная Jackrong на основе Qwen/Qwen3.5-0.8B. Она дообучена методом Supervised Fine-Tuning с применением LoRA и Unsloth на отфильтрованных наборах данных с дистиллированными цепочками рассуждений, включая материалы, связанные с Claude Opus, а также специализированные датасеты Qwen. Модель предназначена для офлайн-аналитики, программирования, математики и задач, требующих пошагового логического анализа. Она обучена формировать рассуждение в тегах <think> и затем выдавать итоговый ответ. Заявлена поддержка английского, китайского и корейского языков, текстовый режим работы и контекстное окно до 16 384 токенов. Благодаря небольшому размеру 0,8 млрд параметров модель ориентирована на относительно эффективный локальный запуск, однако README не содержит сведений о конкретной GGUF-квантизации и требованиях к оборудованию. К сильным сторонам относятся структурированное пошаговое рассуждение, обработка многоэтапных задач и снижение избыточных повторов в рассуждениях. Ограничения включают обычный для авторегрессионных моделей риск галлюцинаций и необходимость проверки фактов; заявленные возможности не гарантируют точность решений. Модель обозначена как экспериментальная и предназначенная для обучения, академических исследований и технического изучения. Лицензия — Apache-2.0.

Mungert/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF — GGUF-версия дообученной модели Qwen3.5-9B, ориентированной на рассуждения. Модель создана на базе Qwen/Qwen3.5-9B с использованием материалов, связанных с проектом Jackrong, библиотеки Unsloth и llama.cpp. Для обучения заявлены наборы данных с примерами рассуждений в стиле Claude Opus 4.6 и другие коллекции reasoning-данных. Модель предназначена для задач, требующих пошагового анализа: математики, текстовых задач, логической дедукции, общих знаний и выполнения инструкций. Во второй версии использовано около 14 000 образцов рассуждений с акцентом на более короткие и экономичные цепочки рассуждений, чтобы снижать вычислительные затраты без потери качества. Также приводятся результаты HumanEval и HumanEval+, которые используются как оценка переноса общих навыков рассуждения на программирование, а не как прямая цель обучения. Ключевая характеристика — размер базовой модели 9B и распространение в формате GGUF, удобном для запуска через совместимые инструменты локального инференса. В карточке указаны языки English, Chinese и Korean, а также тег image-text-to-text, однако подробности о мультимодальных возможностях, размере контекста и поддерживаемых форматах входных изображений не приведены. Ограничением является возможное снижение широких универсальных способностей из-за объема и направленности SFT-обучения; кодовая специализация также не была основной частью обучения. Модель распространяется по лицензии Apache-2.0.

Qwen3.6-27B-Heretic2-Uncensored-Finetune-Thinking-OptiQ-4bit — текстовая языковая модель, разработанная на основе DavidAU/Qwen3.6-27B-Heretic2-Uncensored-Finetune-Thinking и адаптированная сообществом mlx-community для запуска на Apple Silicon с использованием MLX. Модель предназначена для генерации текста, включая сценарии рассуждений и creative writing. Режим thinking можно включать или отключать через суффиксы :think и :no-think в идентификаторе модели либо параметр enable_thinking в chat template. Модель использует архитектуру qwen3_5, соответствующую Qwen3.6-27B, и работает только с текстом. Она применяет смешанное квантование OptiQ: разные слои имеют разрядность 4 или 8 бит, средняя разрядность составляет около 5,6 бит на вес; 220 слоёв квантованы в 8 бит, а 276 — в 4 бита. Такой подход призван сохранить больше точности в чувствительных слоях при снижении требований к памяти. Для запуска требуются MLX и совместимое окружение Apple Silicon; модель можно использовать через mlx-optiq или mlx_lm. Поведение и возможности модели определяются базовой дообученной моделью DavidAU, тогда как данный репозиторий изменяет только способ квантования. В README не указаны поддерживаемые языки, размер контекстного окна и подробные ограничения качества. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-abliterated-NVFP4-MTP — языковая модель на базе Qwen3, созданная сообществом THe-Plague на основе моделей Qwen и производных Huihui AI и sakamakismile. Она предназначена для генерации текста и диалоговых сценариев, включая работу с длинным контекстом, а также для высокоскоростного инференса на видеоускорителях NVIDIA Blackwell, в частности DGX Spark с чипом GB10. Модель поддерживает английский и китайский языки, использует библиотеку vLLM и доступна для задач text generation. Архитектура построена по схеме Mixture of Experts: общий объём составляет 35 млрд параметров, из которых при обработке активны около 3 млрд. Основные веса квантизированы в NVFP4 и занимают примерно 21,9 ГБ, а слои MTP (Multi-Token Prediction) хранятся в BF16 и занимают ещё около 1,6 ГБ. Общий размер — около 23,5 ГБ, контекст — до 131 072 токенов. MTP предназначены для speculative decoding; на одном DGX Spark заявлена скорость до 95,2 токена в секунду при MTP=3. К сильным сторонам относятся сочетание NVFP4-квантизации и speculative decoding, высокая скорость генерации, поддержка длинного контекста и оптимизация под NVIDIA Blackwell. Abliteration удаляет направление отказа в представлениях модели, поэтому поведение и ограничения безопасности могут отличаться от исходной Qwen3.6; модель позиционируется как uncensored. Производительность зависит от оборудования, конфигурации vLLM и параметров MTP, причём в README оптимальным указан режим MTP=3, а MTP=4 может снижать скорость. Модель распространяется по лицензии Apache-2.0.

Rabbit-7B-v2-DPO-Chat — чат-модель на 7,1 млрд параметров, опубликованная viethq188. Она основана на Mistral и создана слиянием AIDC-ai-business/Marcoroni-7B-v3 и Q-bert/MetaMath-Cybertron-Starling методом SLERP; в README также указано использование mistralai/Mistral-7B-Instruct-v0.2 и последующее обучение DPO на данных HF. Модель предназначена для генерации ответов в диалоге и других задач генерации текста; для общения можно использовать шаблон Alpaca. Модель принимает текст и выдаёт текст, хранится в формате safetensors и поддерживает контекст до 32 768 токенов. Репозиторий распространяется по лицензии Apache-2.0. В README и метаданных не описаны языковой охват и оценки качества; результаты могут зависеть от шаблона промпта и сценария применения.

gotchu/season-8-v2-solar — текстовая диалоговая модель, созданная слиянием двух моделей SOLAR-10B: bhavinjawade/SOLAR-10B-OrcaDPO-Jawade и bhavinjawade/SOLAR-10B-Nector-DPO-Jawade. Разработчик применил метод SLERP с помощью mergekit; результат доступен в формате Safetensors и рассчитан на использование через Transformers. Модель предназначена для генерации текста в диалогах и ответов на запросы пользователя. Это плотная авторегрессионная архитектура LlamaForCausalLM с 10,6 млрд параметров и контекстом до 4096 токенов. Карточка не сообщает о специализированных предметных областях или поддержке других модальностей. Лицензия и явные сведения о качестве или ограничениях в предоставленных данных отсутствуют; как у языковой модели, ответы могут быть ошибочными или неподтверждёнными.

Severusectum-7B-DPO — языковая модель, созданная объединением моделей FelixChao с помощью mergekit и метода SLERP. В состав объединения вошли FelixChao/Sectumsempra-7B-DPO и FelixChao/WestSeverus-7B-DPO-v2. Это плотная модель семейства Mistral с архитектурой MistralForCausalLM, содержащая 7,1 млрд параметров; веса опубликованы в формате safetensors. Модель предназначена для генерации текста на английском языке. Контекстное окно составляет 32 768 токенов. В README приведены результаты оценок на бенчмарках AI2 Reasoning Challenge и HellaSwag. Репозиторий распространяется по лицензии MIT. Карточка не описывает специализированные области применения или отдельные ограничения качества.

sfmbaselinefiltered-4k5k6k7k8ksimpleavgmerge — объединённая предварительно обученная языковая модель, созданная с помощью mergekit. В ней линейно объединены пять контрольных точек обучения на шагах 4000, 5000, 6000, 7000 и 8000; в качестве базовой использована контрольная точка global_step8000. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Модель предназначена для генерации текста. Она принимает текст и выдаёт текст, поддерживает контекст до 16 384 токенов и распространяется в формате safetensors для библиотеки Transformers. README и метаданные не сообщают о специализированной предметной области или поддерживаемых естественных языках, поэтому их нельзя определить по доступным сведениям. Лицензия в предоставленных данных не указана.

sfm_baseline_filtered-7k_8k_9k_simpleavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная с помощью mergekit методом Linear. В объединение вошли контрольные точки обучения с шагов 7000, 8000 и 9000; контрольная точка global_step9000 использована как базовая. Модель содержит 8,8 млрд параметров, работает через Transformers и сохранена в формате safetensors. Модель предназначена для генерации текста и имеет контекстное окно 16 384 токена. README и метаданные не описывают конкретные сценарии применения, языки или специализированную область, поэтому её следует рассматривать как языковую модель общего назначения. Сведения о лицензии и известных ограничениях в предоставленных данных отсутствуют.

SmartyPlats-7b-v2 — экспериментальная дообученная языковая модель, опубликованная vihangd. Она основана на Mistral 7B и обучена с помощью QLoRA на наборах данных в стиле Alpaca; модель предназначена для генерации текста и диалоговых запросов, оформленных по шаблону Alpaca. Это плотная авторегрессионная модель класса MistralForCausalLM на 7,1 млрд параметров с контекстом до 32 768 токенов. Репозиторий содержит веса PyTorch в формате safetensors. Модель распространяется по лицензии Apache-2.0. README называет её экспериментальной, поэтому качество и пригодность для конкретных сценариев следует оценивать отдельно.

uukuguy опубликовал объединённую модель speechless-llama2-hermes-orca-platypus-13b, созданную слиянием NousResearch/Nous-Hermes-Llama2-13b и Open-Orca/OpenOrca-Platypus2-13B. Это авторегрессионная плотная трансформерная языковая модель семейства Llama с 12,9 млрд параметров, форматом весов safetensors и контекстом до 4096 токенов. Модель предназначена для генерации текста и может использоваться для ответов на вопросы, диалога и других задач генерации естественного языка. В карточке приведены результаты на ARC, HellaSwag и MMLU. Указаны английский язык и обучающий датасет Open-Platypus; Llama 2 описана как модель для применения на английском языке. Модель принимает текст и выдаёт текст. README содержит условия Meta для семейства Llama 2: использование весов регулируется специальной лицензией Meta, с которой необходимо согласиться для доступа. Возможны неточные, предвзятые или нежелательные ответы; перед внедрением рекомендуется тестирование и настройка для конкретного применения.

StableLM-Base-Alpha-7B-v2 — базовая авторегрессионная языковая модель Stability AI на основе декодерного трансформера. Модель содержит около 7,7 млрд параметров и предназначена для генерации текста и последующего дообучения под конкретные приложения. Она обучена преимущественно на англоязычных данных, включая веб-тексты и код, и использует архитектурные компоненты SwiGLU и Rotary Position Embeddings. Контекст модели составляет 4096 токенов. Обучение включало этап с контекстом 2048 токена на 1 трлн токенов и дальнейшее обучение с контекстом 4096 на 100 млрд токенов. Модель работает с текстом на входе и выдаёт текст; её можно использовать как основу для прикладной настройки. Генерации могут содержать оскорбительный или неподходящий контент, присутствовавший в обучающих данных. README рекомендует осторожность при применении в производственных системах и не использовать модель для сценариев, способных причинить вред людям или группам. Лицензия CC BY-SA 4.0 требует указания авторства, ссылки на лицензию и отметки об изменениях.

vanillaOVO/supermario_v3 — объединённая предобученная языковая модель, созданная с помощью DARE и mergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; для загрузки используется Transformers.

Symbol-LLM-8B-Instruct — диалоговая языковая модель семейства Llama, представленная авторами проекта Symbol-LLM. Это плотная модель примерно на 7,5 млрд параметров для генерации текста в формате инструктивного диалога; проект посвящён символьному интерфейсу для больших языковых моделей. Модель принимает текст и выдаёт текст, а её контекст составляет 8192 токена. Модель подходит для диалоговых ответов и генерации текста по инструкциям. В репозитории указаны веса PyTorch, а лицензия — Apache-2.0. README не приводит сведения о поддерживаемых естественных языках и специализированных областях применения.

TheBeagle-v2beta-32B-MGS-GGUF — это набор GGUF-квантизаций текстовой генеративной модели TheBeagle-v2beta-32B-MGS, разработанной fblgit и подготовленной в формате GGUF пользователем bartowski. Модель обучалась с использованием набора Magpie-Align/Magpie-Pro-300K-Filtered и предназначена для генерации текста и выполнения инструкций на английском языке. Доступны варианты от полного F16 до квантизаций Q8_0, Q6_K, Q5_K и Q4_K с размером файлов примерно от 18,78 до 65,54 ГБ. Квантизации созданы с помощью llama.cpp и imatrix; для работы рекомендуется использовать совместимое программное обеспечение, например LM Studio. В README не указаны архитектура исходной модели, размер контекстного окна, поддержка других языков или мультимодальных входов. Также приведён специальный шаблон диалога с ролями system, user и assistant. Модель ориентирована на задачи текстовой генерации, следования инструкциям, рассуждений и решения математических и общеобразовательных заданий. Согласно указанным результатам Open LLM Leaderboard, она получила 45,03% строгой точности на IFEval, 58,07% нормализованной точности на BBH, 39,43% exact match на MATH Level 5 и 54,57% точности на MMLU-PRO; результаты на GPQA и MuSR составили 20,13% и 24,5% соответственно. Более качественные квантизации требуют больше памяти, а компактные варианты обеспечивают экономию места ценой возможного снижения качества. Распространяется по лицензии MIT.

bartowski/TQ2.5-14B-Neon-v1-GGUF — это набор GGUF-квантизаций текстовой генеративной модели TQ2.5-14B-Neon-v1, разработанной allura-org. Квантизации подготовлены bartowski с помощью llama.cpp и метода imatrix. Модель предназначена для генерации текста и может использоваться локально, в том числе через LM Studio, на совместимом CPU или GPU. Доступны варианты от F16 до низкобитных IQ- и Q-квантизаций размером примерно от 5 до 29,55 ГБ. Наиболее качественными считаются F16, Q8_0, Q6_K_L, Q6_K и Q5; Q4_K_M указан как вариант по умолчанию для большинства сценариев благодаря балансу качества и размера. Низкобитные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству. Для взаимодействия используется шаблон чата с ролями system, user и assistant. В карточке указано, что модель поддерживает английский язык и относится к задаче text-generation. Архитектура, максимальный размер контекста, точное число параметров исходной модели и дополнительные модальности не указаны; по названию можно заключить только, что базовая модель относится к классу 14B. Модель распространяется по лицензии Apache-2.0.

Tulu V2 DPO 13B — разговорная языковая модель-помощник, разработанная AllenAI и дообученная на основе Meta Llama 2 13B. Модель прошла настройку по инструкциям на смеси открытых, синтетических и созданных людьми данных, а затем выравнивание методом Direct Preference Optimization (DPO) на наборе UltraFeedback. В метаданных указаны архитектура Llama, 12,9 млрд параметров и контекст до 8192 токенов. Модель предназначена для диалогов с помощником, ответов на инструкции и генерации текста; основной язык — английский. Авторы позиционируют её как альтернативу Llama 2 13B Chat. Для качества ответов рекомендуется использовать предусмотренный моделью формат сообщений с разделителями ролей и завершающим маркером хода ассистента. Модель не прошла специальное выравнивание для безопасных ответов и может выдавать проблемный контент, особенно по соответствующему запросу. Лицензия указана в карточке как AI2 ImpACT Low-risk; перед использованием следует проверить её условия.

Tulu V2.5 DPO 13B HH-RLHF — англоязычная диалоговая модель-помощник от Allen Institute for AI (AI2), основанная на Tulu 2 и дообученная методом DPO на наборе предпочтений HH-RLHF. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров; она принимает текст и генерирует текст, поддерживает диалоги и имеет контекст до 4096 токенов. Модель предназначена для ответов на инструкции и ведения диалога с помощником. В README описаны предварительное обучение на смеси инструкций и диалогов Tulu V2, затем выравнивание на HH-RLHF с помощью DPO. Для неё указана лицензия Apache 2.0. Модель не проходила этап RLHF с целью обеспечить безопасные ответы и не использует фильтрацию ответов во время работы; поэтому может выдавать проблемный контент, особенно при соответствующих запросах. Для лучшего качества следует использовать предусмотренный шаблон чата, включая перенос строки после маркера пользователя.

Xwin-LM-70B-V0.1 — языковая модель команды Xwin-LM, построенная на базе Llama 2 и настроенная для диалогов с помощью методов выравнивания, включая SFT и RLHF. Она предназначена для многоходового общения, ответов на вопросы и выполнения пользовательских инструкций в формате генерации текста. Модель содержит 68,7 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 4096 токенов. В README сообщается о результатах модели на AlpacaEval, однако эти оценки относятся к бенчмарку и не гарантируют аналогичного качества в других сценариях. Для диалогов следует использовать шаблон Vicuna, описанный в карточке. Модель распространяется по лицензии Llama 2; отдельной специализации на конкретной области или поддерживаемых языках карточка не заявляет.

YamshadowInex12_Experiment24Ognoexperiment27 — объединённая модель семейства Mistral, созданная из automerger/YamshadowInex12-7B и automerger/Experiment24Ognoexperiment27-7B. Она предназначена для генерации текста и построена на плотной архитектуре MistralForCausalLM. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель может использоваться для генерации продолжений и ответов на текстовые запросы. README не сообщает о специализированных сценариях или языковой настройке. Распространяется по лицензии Apache-2.0.

YamshadowInex12_Experiment26Alloyingotneoy — объединённая языковая модель семейства Mistral, созданная из automerger/YamshadowInex12-7B и automerger/Experiment26Alloyingotneoy-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста; она принимает текстовые запросы и выдаёт текстовые продолжения. Максимальная длина контекста составляет 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README подтверждает объединение двух базовых моделей, но не описывает их специализацию или результаты оценки качества.

YamshadowInex12_Inex12Neural — слитая модель семейства Mistral, созданная на основе automerger/YamshadowInex12-7B и automerger/Inex12Neural-7B. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель содержит 7,1 млрд параметров и опубликована в формате safetensors. Практические сценарии включают генерацию продолжений и ответов на текстовые запросы. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит сведений о специализированных областях применения или отдельных языках.

YamshadowInex12_Strangemerges_32Alloyingotneoy — слитая модель семейства Mistral, созданная объединением automerger/YamshadowInex12-7B и automerger/Strangemerges_32Alloyingotneoy-7B. Она предназначена для генерации текста и построена на плотной архитектуре MistralForCausalLM; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель подходит для генерации продолжений, ответов и другого текста по текстовой подсказке. Карточка не приводит сведений о специализации по языкам или предметным областям. Веса доступны в формате safetensors, лицензия — Apache-2.0.