II.1Анализ требований и архитектура ПО

LaTexT/qwen3-8b-gist-sft-50k-gz7-newlines — дообученная модель семейства Qwen3, созданная на базе Qwen/Qwen3-8B. Это плотная авторегрессионная языковая модель с 7,6 млрд параметров, обученная с помощью TRL на наборе данных shannons/ot3-1.2m-50k в эксперименте gist_sft 50k. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на вопросы и выполнения инструкций в формате чата. Она поддерживает контекст до 40 960 токенов; в метаданных также отмечен интерфейс вызова инструментов. Для запуска в README приведён пример использования Transformers с pipeline text-generation. Модель принимает текст и генерирует текст. Доступны веса в формате safetensors. Лицензия в предоставленных данных не указана, поэтому условия распространения и коммерческого использования следует проверять в карточке модели и у базовой модели. Карточка описывает исследовательский эксперимент и не приводит оценки качества или подробностей ограничений метода gist.

Qwopus3.6-27B-v2-Abliterated-NVFP4 — мультимодальная модель для диалога и рассуждений, созданная croll83 на основе Jackrong/Qwopus3.6-27B-v2. Это дообученная версия Qwen3.6-27B с текстовой частью, визуальным энкодером и сохранённой головой MTP для ускорения спекулятивного декодирования. Репозиторий содержит веса GGUF в NVFP4 и F16-проектор изображений; модель рассчитана на запуск через upstream llama.cpp на оборудовании NVIDIA Blackwell. Модель отвечает на текстовые запросы, анализирует изображения и генерирует подробные ответы. В карточке описано снятие отказов от ответов через абляцию направления отказа и этапы SFT и DPO; автор сообщает, что при этом сохранены возможности работы с изображениями. Голова MTP также подверглась абляции и эвристическому выравниванию, поэтому качество спекулятивного декодирования может быть ниже, чем у исходной версии. Карточка заявляет поддержку английского и итальянского языков. Лицензия — Apache-2.0.

Vikhrmodels/salt-asr_speech_1_wav_1_tts_speech_3_text-10k — дообученная на базе Meta Llama 3.2 3B языковая модель с архитектурой LlamaForCausalLM. Она предназначена для генерации текста; в данных репозитория также отмечены обучающие наборы для распознавания речи, синтеза речи и инструкционного диалога, однако README не описывает соответствующие пользовательские сценарии. Модель содержит 3,2 млрд параметров, работает с Transformers и PyTorch и поддерживает контекст до 131 072 токенов. В метаданных указан английский язык. Лицензия в предоставленных данных не указана.

sfmunfilteredmidtrainalignment-4k5k6ksimpleavgmerge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. Для слияния применён линейный метод: чекпойнт шага 6000 использован как базовый, вместе с ним объединены чекпойнты шагов 4000 и 5000. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает текст для генерации текста. Заявленная длина контекста — 16 384 токена; библиотека — Transformers, формат весов — safetensors. Метаданные указывают поддержку диалогового режима.

Sakalti/SJT-900M — текстовая генеративная модель, созданная автором репозитория с помощью mergekit из слоёв Sakalti/SJT-0.5B. Использован метод passthrough: модель объединяет выбранные диапазоны слоёв исходной модели. Архитектура — плотная Qwen2ForCausalLM, веса представлены в формате safetensors, размер — 762,3 млн параметров. Модель поддерживает контекст до 32 768 токенов и предназначена для генерации текста в диалоговом формате. Модель можно применять для ведения диалога, составления черновиков и ответов на текстовые запросы. В карточке также заявлен интерфейс вызова инструментов, однако сведений о качестве этой возможности и результатах оценки нет. Указана лицензия Apache-2.0. README описывает способ объединения слоёв, но не сообщает целевые языки или специальные предметные области.

Squid — модель NexaAI для генерации ответов по длинному контексту в сценариях RAG, с упором на эффективный запуск на устройстве. Она дообучена на базе Qwen/Qwen2-7B-Instruct и использует двухдекодерную архитектуру: декодер на 0,5 млрд параметров преобразует информацию из большого контекста, а декодер на 7 млрд параметров понимает запрос и формирует ответ; проектор согласует представления контекстного энкодера и основного декодера. В метаданных указаны 7,1 млрд параметров и контекст до 131 072 токенов. В README описаны восстановительное обучение, продолжение текста по частичному сжатому контексту и инструкционное дообучение для ответов на запросы с учётом сжатого контекста. Это делает Squid подходящей для поиска и ответов по длинным документам с ограниченными ресурсами устройства. Модель работает с текстом и ориентирована на английский язык. Репозиторий распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Strangemerges_32Experiment26-7B — автоматическое слияние моделей, созданное Maxime Labonne на основе Mistral-7B-v0.1, Gille/StrangeMerges_32-7B-slerp и yam-peleg/Experiment26-7B методом model_stock. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; длина контекста составляет до 32 768 токенов. Модель может использоваться для генерации продолжений, черновиков и ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. README не приводит оценок качества или специальных ограничений на тематику применения.

Tulu V2.5 DPO 13B HH-RLHF 60k — англоязычная чат-модель AllenAI для диалогов с помощником и генерации текста. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на базе allenai/tulu-2-13b с помощью DPO на случайной выборке из 60 тысяч примеров HH-RLHF. В обучении также использовалась смесь инструкций Tulu V2. Модель рассчитана на ответы на инструкции, диалоги и другие задачи генерации текста на английском языке. Контекст составляет 4096 токенов; для диалогов предусмотрен шаблон чата в токенизаторе, а форматирование сообщений влияет на качество генерации. Модель может выдавать проблемные ответы: этап RLHF не был специально направлен на безопасную генерацию, и встроенная фильтрация ответов не использовалась. Распространяется по лицензии Apache 2.0.

YamshadowInex12_Experiment26Experiment28 — слитая модель для генерации текста, опубликованная MaziyarPanahi. Она объединяет automerger/YamshadowInex12-7B и automerger/Experiment26Experiment28-7B и использует плотную архитектуру Mistral с 7,1 млрд параметров. Модель принимает текст и генерирует текст; длина контекста составляет до 32 768 токенов. Модель подходит для сценариев генерации текста на основе запросов и продолжения текста. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. В предоставленной карточке не описаны специальные языковые или предметные настройки и результаты оценки качества.

YamshadowInex12_ShadowExperiment24 — слитая модель MaziyarPanahi на основе двух моделей семейства Mistral: automerger/YamshadowInex12-7B и automerger/ShadowExperiment24-7B. Это плотная причинно-языковая модель с 7,1 млрд параметров, предназначенная для генерации текста; длина контекста составляет до 32 768 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README подтверждает слияние двух базовых моделей, но не описывает специальные сценарии применения, языковую специализацию или сравнительные результаты.

YamshadowInex12_ShadowNeuralsirkrishna — слитая языковая модель семейства Mistral, созданная на основе automerger/YamshadowInex12-7B и automerger/ShadowNeuralsirkrishna-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужны текстовые ответы или продолжение заданного текста. Модель имеет плотную архитектуру MistralForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0. Карточка не описывает специализацию, языки или результаты оценки качества модели.

YamshadowStrangemerges_32_Experiment28Meliodas — объединённая модель, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/Experiment28Meliodas-7B. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM, предназначенная для генерации текста и имеющая 7,1 млрд параметров. Модель принимает текстовые запросы и генерирует текст; заявленная длина контекста составляет до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель выпущена под лицензией Apache-2.0. Карточка не уточняет целевые языки и специализированные области применения.

YamshadowStrangemerges_32_NeuralsirkrishnaExperiment28 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/NeuralsirkrishnaExperiment28-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужна текстовая генерация. Модель содержит 7,1 млрд параметров, поддерживает контекст длиной до 32 768 токенов и распространяется в формате safetensors. Модель опубликована под лицензией Apache-2.0. Карточка не сообщает о специализированных предметных областях, языках или дополнительных возможностях; качество и ограничения исходных моделей в предоставленных данных не описаны.

YamT3qm7xp_Experiment27Inex12 — объединённая модель генерации текста на архитектуре Mistral, созданная путём слияния automerger/YamT3qm7xp-7B и automerger/Experiment27Inex12-7B. Репозиторий содержит веса в формате safetensors; размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу. Лицензия — Apache-2.0. В карточке не описаны конкретные сценарии настройки или результаты оценки качества.

Zenith-7B — разговорная инструкцияя модель, разработанная Xenon1 и дообученная на базе Mistral-7B-v0.1 на наборе Ultrafeedback с применением методов из статьи Self-Rewarding Language Models. Она предназначена для генерации ответов и ведения диалога по инструкциям; для запросов используется формат Mistral с маркерами [INST] и [/INST], доступен шаблон чата Transformers. Модель имеет плотную архитектуру MistralForCausalLM с Grouped-Query Attention и Sliding-Window Attention, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка указывает английский язык. Веса доступны в форматах PyTorch и Safetensors; лицензия — Apache-2.0. Карточка не приводит оценки качества или результаты бенчмарков.

Athlon-8B-0.1 — объединённая языковая модель, созданная автором репозитория с помощью mergekit на основе aifeifei798/DarkIdol-Llama-3.1-8B-Instruct-1.2-Uncensored и трёх других моделей семейства Llama 3.1. Для слияния использован метод della_linear; итоговые веса сохранены в формате Safetensors и типе bfloat16. Модель содержит 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и предназначена для генерации текста и диалогового взаимодействия. Модель подходит для ведения диалогов, ответов на запросы и генерации текста. README описывает её как первую экспериментальную работу автора по слиянию моделей и отмечает субъективную оценку качества, поэтому результаты следует проверять на целевых задачах. В метаданных нет сведений о лицензии или языках поддержки.

Bepis — языковая модель с 8,9 млрд параметров от jeiku, созданная объединением моделей семейства Mistral. В README описано объединение двух моделей методом passthrough; названия исходных моделей приведены как primathespis и prodigalthespis, но конфигурация не подтверждает заявленное в тексте равное объединение трёх моделей. В репозитории указаны архитектура MistralForCausalLM и формат safetensors. Модель предназначена для генерации текста. Автор отмечает уверенную работу с Markdown и способность завершать ответ без лишнего продолжения. Контекстное окно составляет 32 768 токенов; в метаданных указан английский язык. В README приведены результаты нескольких тестов Open LLM Leaderboard, но они не дают полной оценки качества на прикладных задачах. Лицензия обозначена как other, поэтому условия использования следует уточнять по карточке модели.

Blitz-AI-ULTRA — крупная текстовая генеративная модель семейства Llama, опубликованная DenisTheDev. Согласно карточке, это крупнейшая на данный момент модель разработчика, созданная как индивидуальное ИИ-решение и пока не обученная для конкретных сценариев. Метаданные указывают на плотную архитектуру LlamaForCausalLM, 126,9 млрд параметров и контекст до 32 768 токенов; веса доступны в формате Safetensors. Модель предназначена для генерации текста общего назначения, однако карточка не приводит оценок качества или подтверждённых специализированных возможностей. Указана лицензия Apache-2.0.

MaziyarPanahi/Experiment26Yam_Inex12Experiment28 — объединённая модель Mistral, созданная на основе automerger/Experiment26Yam-7B и automerger/Inex12Experiment28-7B. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжение текста или формирование ответов по текстовому запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Сведения о её специализированной области применения, поддерживаемых естественных языках и конкретных ограничениях в доступных данных отсутствуют.

Experiment26Yamshadow_PasticheNeuralsirkrishna — объединённая текстовая модель на архитектуре Mistral, созданная из automerger/Experiment26Yamshadow-7B и automerger/PasticheNeuralsirkrishna-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужна языковая модель с контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров и распространяется в формате Safetensors по лицензии Apache-2.0. Сведений о специализации, поддерживаемых языках и особенностях качества в карточке нет.

Experiment28T3q_CalmeInex12 — объединённая MaziyarPanahi модель для генерации текста. Она создана на основе automerger/Experiment28T3q-7B и automerger/CalmeInex12-7B; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. Модель подходит для генерации продолжений и ответов в текстовых сценариях. В карточке не описаны специальные предметные области, набор языков или отдельные сценарии применения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Experiment28T3q_Strangemerges_30Pastiche — объединённая модель семейства Mistral, созданная из automerger/Experiment28T3q-7B и automerger/Strangemerges_30Pastiche-7B. Она предназначена для генерации текста и может использоваться в приложениях, которым требуется продолжение или создание текстовых ответов по запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст длиной до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README и метаданные не содержат сведений о специализации на конкретных языках или прикладных областях, а также об оценках качества; результаты могут зависеть от запроса и выбранных параметров генерации.

Lambent/Falcon3-Continued-0.3-10B-Base — базовая языковая модель на 9,9 млрд параметров, разработанная на основе Falcon3-10B-Base от Technology Innovation Institute и дообученная командой Lambent. Для продолжения предобучения применялись qLoRA и UnSloth на дополнительных данных PleIAs/common_corpus; итоговые веса были объединены. Модель использует плотную архитектуру LlamaForCausalLM и сохраняется в формате safetensors. Модель предназначена для генерации текста и дальнейшей адаптации. В README приведены результаты на тестах рассуждения, математических задач и понимания физического мира; сравнение с исходным чекпойнтом показывает неодинаковые изменения по тестам, поэтому эти результаты не гарантируют улучшения на других задачах. Контекст составляет до 32 768 токенов. Данные README и метаданные не устанавливают лицензионные условия сверх значения «other».

EpistemeAI/Fireball-Mistral-Nemo-Base-2407-v1-DPO2 — языковая модель EpistemeAI для генерации текста. Это плотная модель архитектуры Mistral с 12,1 млрд параметров, дообученная на EpistemeAI/Fireball-Nemo-Base-2407-sft-v1. Для обучения использовались Unsloth и библиотека TRL. Заявленная длина контекста — 1 024 000 токенов. Модель предназначена для сценариев генерации текста, где требуется продолжить или сформировать текстовый ответ. Карточка указывает английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

ND911 создал Franken-Mistral-Merlinite-Maid-10B с помощью mergekit, объединив слои модели ND911/Franken-Merlinite-Maid методом passthrough. Это плотная авторегрессионная модель семейства Mistral с архитектурой MistralForCausalLM и 10,4 млрд параметров; она принимает текст и генерирует текст. Модель рассчитана на генерацию текста с контекстом до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель подходит для генерации продолжений, ответов и другого текста на основе текстового запроса. README указывает на объединение слоёв одной базовой модели; сведения о языковой специализации и отдельных прикладных областях не приведены. Лицензия в предоставленных данных не указана.

Это квантованная версия Gemma 4 26B A4B IT от Google, опубликованная FreedomAISVR в формате GGUF для запуска через llama.cpp. Основа — инструкцияльная MoE-модель с 26 млрд параметров, около 4 млрд активных параметров, 128 экспертами и выбором 8 экспертов на токен; применена специализированная 4-битная квантизация MXFP4_MOE. Репозиторий также содержит мультимодальный проектор mmproj в F16 для обработки изображений. Модель предназначена для диалогов и следования инструкциям, а с подключённым проектором — для ответов на вопросы по изображениям и их описания. В README заявлены гибридное внимание с локальными и глобальными слоями, отключённый по умолчанию режим рассуждений с возможностью включения в запросе, а также запуск на CPU и GPU. Квантованные веса занимают около 13,72 ГБ, проектор — 1,11 ГБ; README указывает потребность от 8 ГБ RAM и около 15 ГБ дискового пространства. Квантизация рассчитана на более компактный и эффективный запуск MoE-модели при сохранении качества маршрутизации экспертов, однако README не приводит независимых результатов оценки качества. Лицензия — Gemma; использование должно соответствовать её условиям.

CrystalcareAI/Gemma-Selfdiscover — дообученная языковая модель семейства Gemma с архитектурой GemmaForCausalLM. Модель содержит 8,2 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель дообучена в течение трёх эпох на наборе Crystalcareai/Self-Discover-MM-Instruct-Alpaca и предназначена для генерации текста и ответов на инструкции. Карточка указывает на компактную и эффективную архитектуру, рассчитанную в том числе на сценарии с ограниченными вычислительными ресурсами. В репозитории представлены веса Safetensors. Лицензия в предоставленных данных не указана; сведения о языковой поддержке также отсутствуют.

Карточка модели huihui-ai/Huihui-granite-4.1-30b-abliterated на Hugging Face совпадает с карточкой Momix-44/Huihui-granite-4.1-30b-abliterated, поэтому описание составлено по ней. Momix-44/Huihui-granite-4.1-30b-abliterated — доработанная методом abliteration версия языковой модели IBM Granite 4.1 30B. Автор описывает её как грубую proof-of-concept реализацию, снижающую склонность модели отказываться от ответов. Это плотная авторегрессионная модель GraniteForCausalLM примерно на 28,9 млрд параметров для генерации текста и диалогов; поддерживает контекст до 131 072 токенов. Репозиторий содержит веса в форматах safetensors и GGUF BF16, а для запуска README приводит варианты с Transformers и Ollama. Модель подходит для диалоговых приложений и генерации ответов, в том числе на запросы, которые базовая версия могла бы отклонить. Снижение защитных фильтров может привести к чувствительным, спорным или неподходящим ответам, поэтому результаты требуют проверки. Языки, специально поддерживаемые этой версией, в карточке не перечислены. Лицензия — Apache 2.0.

Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated-i1-GGUF — GGUF-квантизированная версия модели Huihui-Qwen3.6-35B-A3B-Claude-4.7-Opus-abliterated, разработанной Huihui AI и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для генерации текста, рассуждений и сценариев, связанных с chain-of-thought; в метаданных также указаны distillation, LoRA и mixture-of-experts. Модель заявлена как vision model, однако README не содержит подробностей о поддерживаемых визуальных входах и требованиях к mmproj-файлам. Архитектура относится к mixture-of-experts; в идентификаторе указаны размеры 35B и A3B, но точное значение активных параметров не раскрыто. Указан английский язык, а размер контекста и другие языковые возможности не приведены. Доступны варианты квантизации i1-IQ и i1-Q с различными компромиссами между размером, скоростью и качеством; некоторые малые варианты отмечены как низкокачественные. Сильной стороной является широкий выбор GGUF-квантизаций для локального запуска на оборудовании с разным объёмом памяти. Ограничения включают отсутствие в README результатов тестирования, подробностей о мультимодальности и контекстном окне, а также возможное снижение качества у наиболее компактных вариантов. В названии и тегах модель обозначена как abliterated и uncensored, поэтому её поведение в части защитных ограничений следует оценивать отдельно. Лицензия — Apache 2.0.

HybridDiffusion-9B — текстовая модель генерации примерно на 8,95 млрд параметров, созданная авторами HybridDiffusion преобразованием Qwen3.5-9B из авторегрессионной модели в диффузионную. Архитектура сочетает Hybrid Gated DeltaNet и softmax-внимание; веса опубликованы в формате safetensors, для запуска описана среда SGLang с FlashInfer. Модель рассчитана на диалог и генерацию текста, а единый набор весов поддерживает три режима: обычную причинную генерацию, AR-Trust с проверкой спекулятивно предложенных токенов и Diffusion-Trust с параллельным уточнением блока токенов. В README приведены результаты на наборах тестов для знаний, следования инструкциям и других текстовых задач; результаты различаются по режиму декодирования и конкретному тесту. Метаданные указывают английский язык. Лицензия обозначена как other, поэтому условия использования следует проверять на странице репозитория. Для запуска требуются специализированные реализации HybridDiffusion, SGLang и FlashInfer; параметры режимов декодирования и сэмплирования могут влиять на результаты.