II.2Создание и понимание программного кода

shadow-clown-7B-slerp — объединённая методом DARE через mergekit языковая модель семейства Mistral, созданная на основе Gille/StrangeMerges_32-7B-slerp и yam-peleg/Experiment26-7B. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текст по запросу. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает о специальных ограничениях или целевых языках.

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.

T3qm7xNeuralsirkrishna_Experiment28Experiment29 — объединённая автором MaziyarPanahi языковая модель семейства Mistral с плотной архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment28Experiment29-7B. Модель предназначена для генерации текста и диалогов; максимальная длина контекста составляет 32 768 токенов. Доступна в формате safetensors и распространяется по лицензии Apache-2.0. README и метаданные не описывают специализированные предметные области или конкретные ограничения качества.

nlpguy/T3QM7XP — объединённая языковая модель семейства Mistral, созданная с помощью mergekit методом SLERP из MatthieuJ/Jason1903_SLERP и nlpguy/T3QM7. Она предназначена для генерации текста и диалоговых ответов. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекстное окно до 32 768 токенов; веса представлены в формате Safetensors и используются через Transformers. Модель может применяться для свободной генерации текста, ведения диалога и ответов на вопросы, в том числе математические. В карточке не приведены сведения о поддерживаемых естественных языках или специальных предметных областях. Лицензия — Apache-2.0.

YamshadowStrangemerges_32_OgnoExperiment27 — слитая языковая модель на архитектуре Mistral, созданная объединением automerger/YamshadowStrangemerges_32-7B и automerger/OgnoExperiment27-7B. Она предназначена для генерации текста и диалоговых ответов по текстовым запросам. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Веса представлены в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

statking/zephyr-7b-sft-full-orpo — дообученная диалоговая языковая модель на архитектуре Mistral-7B. Она создана на основе mistralai/Mistral-7B-v0.1 с использованием датасета HuggingFaceH4/ultrafeedback_binarized и метода ORPO. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для диалоговой генерации: ответов на запросы и ведения беседы. В README приведены метрики оценки на тестовом наборе, включая точность предпочтений 0,6587, однако подробности сценариев оценки не описаны. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0.

argilla/zephyr-7b-spin-iter2-v0 — диалоговая языковая модель Argilla, полученная дообучением argilla/zephyr-7b-spin-iter1-v0 на наборах argilla/10k_prompts_SPIN_iter2_zephyr_top и argilla/10k_prompts_SPIN_iter1_zephyr_top. Это плотная модель MistralForCausalLM с 7,1 млрд параметров, предназначенная для генерации текста и ответов в диалоге; поддерживает контекст до 32 768 токенов. В карточке приведены результаты оценки на тестовом наборе и сравнение с предыдущими версиями на MT-Bench. Лицензия — Apache-2.0. README не описывает специальные области применения или ограничения, поэтому оценочные результаты сами по себе не гарантируют качество для конкретных задач.

ADAPT-Olmo3-4.3B-Instruct — диалоговая языковая модель, разработанная Harvard-DCML как студент на основе Olmo-3-7B-Instruct. Она создана в рамках метода ADAPT, который позволяет интерполировать размер между вариантами одной базовой модели после обучения; чекпойнт можно использовать для построения промежуточной модели вместе с исходной моделью. Модель имеет плотную архитектуру Olmo 3 с 3,9 млрд параметров, принимает текст и генерирует текст в диалоговом формате. Длина контекста составляет 65 536 токенов. Для интерполяции README рекомендует включать патчинг первых слоёв студенческой модели; число слоёв патчинга определяет размер промежуточной модели. Модель распространяется по лицензии Apache-2.0.

ANIMA-Nectar-v2-Mistral-7B-Instruct-v0.1 — чат-модель на архитектуре Mistral, созданная MaziyarPanahi слиянием mistralai/Mistral-7B-Instruct-v0.1 и Biomimicry-AI/ANIMA-Nectar-v2 методом SLERP. Модель содержит 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы; доступная карточка не описывает более узкую специализацию ANIMA-Nectar-v2. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Лицензия — Apache-2.0. Карточка содержит сведения о слиянии и конфигурации, но не приводит результатов оценки качества или подробных ограничений применения.

ANIMA-Phi-Neptune-Mistral-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 от Mistral AI и Severian/ANIMA-Phi-Neptune-Mistral-7B методом SLERP. Она предназначена для генерации текста и ответов на инструкции в диалоговом формате. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов; опубликована в формате safetensors. Модель подходит для чат-ботов, свободного диалога и задач генерации текста на основе запросов. README описывает слияние параметров внимания и MLP, но не приводит результаты сравнительных оценок или сведения о специализации ANIMA-Phi-Neptune. Указана лицензия Apache-2.0.

win10/DeepSeek-R1-Distill-sthenno-14b-0121-union-tokenizer — объединённая модель на 14 млрд параметров, созданная автором репозитория методом TIES с помощью mergekit. В качестве основы использована sthenno-com/miscii-14b-1225; в объединение также вошли sthenno/tempesthenno-ppo-ckpt40 и unsloth/DeepSeek-R1-Distill-Qwen-14B. Модель построена на архитектуре Qwen2 и распространяется в формате safetensors. Модель предназначена для диалоговой генерации текста. Метаданные указывают контекст до 131 072 токенов и поддержку чата; языки и специализированные прикладные области в карточке не определены. Лицензия в предоставленных данных не указана.

DeepSeek-V2-Lite-Chat REAP Pruned ratio 0.3 — разреженный вариант диалоговой модели DeepSeek-V2-Lite-Chat, созданный методом REAP pruning. В каждом MoE-слое число маршрутизируемых экспертов уменьшено с 64 до 45: удалено 19 из 64 экспертов, что соответствует фактическому коэффициенту 0,296875. Общие эксперты сохранены, а на каждый токен активируются 6 маршрутизируемых экспертов. Модель предназначена для диалоговой генерации текста и ответов на запросы. Она принимает текст и выдаёт текст; метаданные указывают 2,5 млрд параметров и контекст до 163 840 токенов. Чекпойнт основан на deepseek-ai/DeepSeek-V2-Lite-Chat и загружается как DeepseekV2ForCausalLM в Transformers. Карточка сообщает о проверке загрузки и пробного прохода, но не приводит результатов сравнительной оценки качества после прореживания. Лицензия в предоставленных данных не указана.

dolphin-2.9.2-qwen2-7b-GGUF — это квантизированная версия языковой модели dolphin-2.9.2-qwen2-7b, опубликованной cognitivecomputations. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix; модель распространяется в формате GGUF для локального запуска через совместимые средства инференса, включая llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев. В README указан шаблон сообщений с ролями system, user и assistant, поэтому её можно применять для интерактивных ассистентов и других задач text-generation. В основе лежит архитектура Qwen2 с 7 млрд параметров, однако сведения о поддерживаемых языках, размере контекста и мультимодальности не приведены. Доступны различные уровни квантизации, позволяющие выбирать компромисс между качеством, размером файла и скоростью работы в зависимости от объёма RAM и VRAM. K-квантизации проще выбирать, а I-квантизации могут обеспечивать лучшие характеристики при небольшом размере в некоторых конфигурациях, но имеют ограничения совместимости: в частности, I-квантизации не поддерживаются сборками Vulkan. Лицензия в README не указана.

EtherealAurora-12B-v2 — диалоговая языковая модель, созданная yamatazen с помощью слияния предобученных моделей через SLERP в mergekit. Она использует архитектуру Mistral с плотной сетью и содержит 12,1 млрд параметров; карточка указывает формат safetensors, шаблон ChatML и контекстное окно до 1 024 000 токенов. Модель предназначена для генерации текста и ведения диалогов. В метаданных указаны английский и японский языки. Модель объединяет yamatazen/EtherealAurora-12B и natong19/Mistral-Nemo-Instruct-2407-abliterated. Лицензия — Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений применимости, поэтому пригодность для отдельных сценариев требует проверки.

Experiment26Neuralsirkrishna_Experiment27Experiment28 — объединённая методом SLERP модель для генерации текста, созданная на основе двух моделей Mistral: automerger/Experiment26Neuralsirkrishna-7B и automerger/Experiment27Experiment28-7B. Она предназначена для запросов и сценариев, где требуется генерация текста; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

MaziyarPanahi/Experiment26Yam_YamYam — объединённая языковая модель на архитектуре Mistral, созданная слиянием automerger/Experiment26Yam-7B и automerger/YamYam-7B. Модель содержит 7,1 млрд параметров и принимает текстовые запросы для генерации текста; заявленная длина контекста — до 32 768 токенов. Модель подходит для генерации продолжений и ответов на текстовые запросы, а также для диалоговых сценариев на её основе. В репозитории размещены веса в формате Safetensors. Лицензия — Apache-2.0.

FimbulHermes-15B-v0.1 — текстовая чат-модель, созданная с помощью mergekit объединением NousResearch и Sao10K. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 15,2 млрд параметров; она принимает текст и генерирует текст, поддерживает контекст до 4096 токенов. Модель предназначена для диалогов и генерации текста. В README её характеризуют как стабильную и выразительную, однако отмечают, что она не прошла тщательную оценку. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

QuantFactory/gemma-2-9b-it-DPO-GGUF — квантизированная версия модели princeton-nlp/gemma-2-9b-it-DPO, созданная с использованием llama.cpp. Исходная модель разработана Yu Meng, Mengzhou Xia и Danqi Chen на базе google/gemma-2-9b-it и дообучена на наборе предпочтений princeton-nlp/gemma2-ultrafeedback-armorm с целевой функцией DPO. Это каузальная языковая модель для генерации текста и диалоговых сценариев, включая ответы на пользовательские запросы и задачи, где важны качество и соответствие человеческим предпочтениям. Архитектура, размер и контекст у квантизированной версии в README не указаны отдельно; известно, что она основана на Gemma 2 9B Instruct. Модель является текстовой и поддерживает генерацию текста; перечень языков не приведён. Обучение на предпочтениях улучшило показатели исходной модели в ряде оценок, включая AE2 и AH, при сопоставимых результатах на GSM и MMLU, однако отдельные метрики, такие как MMLU, не выросли. Квантизация может снизить требования к памяти и упростить локальный запуск, но её влияние на качество и характеристики не раскрыто. Лицензия указана как gemma. Для обучения использовались 8 GPU H100; параметры запуска и совместимость зависят от конкретного GGUF-файла и среды llama.cpp.

GLM-5.3-Flash W4A16 NVFP4 GGUF — преобразованная в формат GGUF версия модели axiomofmind/GLM-5.3-Flash-W4A16-NVFP4, основанной на zai-org/GLM-5.3-Flash-BF16. Это разговорная текстовая модель семейства GLM5Next с архитектурой MoE. Основные маршрутизируемые эксперты используют квантование W4A16 NVFP4 с размером группы 16; внимание, общие эксперты, маршрутизаторы, эмбеддинги, выходной слой, веса MTP и другие сохранённые тензоры остаются в BF16 или F32. Файл модели с весами MTP занимает 204,1 ГБ. Модель предназначена для генерации текста и диалогов. Для запуска требуется сборка llama.cpp с поддержкой GLM5Next и GGUF NVFP4. Репозиторий распространяется по лицензии MIT.

Hermes-3-Llama-3.2-3B-GGUF — набор квантованных версий языковой модели Hermes-3-Llama-3.2-3B от NousResearch, подготовленный и опубликованный bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая работу в формате ChatML, ролевое взаимодействие, ответы на инструкции, вызов функций и выдачу структурированных данных в JSON. В README указана поддержка английского языка. Модель содержит около 3 миллиардов параметров и распространяется в формате GGUF для запуска через llama.cpp и совместимые приложения, включая LM Studio. Доступны варианты с точностью от F32 и F16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ. Более компактные варианты требуют меньше оперативной памяти, но могут уступать старшим по качеству; некоторые сборки оптимизированы для ARM или AVX и имеют аппаратные ограничения. Размер контекста в README не указан, как и сведения о мультимодальности, точной архитектуре и результатах оценки. Лицензия обозначена как llama3. Модель подходит для локального инференса на совместимом оборудовании, однако выбранный вариант квантования влияет на требования к памяти, скорость и качество генерации.

Это квантованный вариант Huihui-Mistral-Small-3.2-24B-Instruct-2506-abliterated, опубликованный пользователем maerong3. Модель была преобразована из исходной версии huihui-ai в формат GGUF с использованием llama.cpp и сервиса GGUF-my-repo. Она предназначена для локального запуска и инференса через llama.cpp, включая режим командной строки и серверный режим. Из доступных данных известно, что модель основана на варианте Mistral Small с 24 миллиардами параметров и имеет инструкционную настройку. Квантование Q4_K_M уменьшает требования к памяти по сравнению с полной версией, что удобно для локального использования, однако может снижать точность по сравнению с более высокоточными вариантами. В карточке заявлена поддержка английского, французского, немецкого, испанского, португальского, итальянского, японского, корейского, русского, китайского, арабского, персидского и ряда других языков. Также модель помечена как abliterated и uncensored, но подробности метода, контекстное окно и фактические мультимодальные возможности не указаны. Модель распространяется по лицензии Apache-2.0. Для запуска рекомендуется llama.cpp; в README приведены примеры использования с контекстом 2048 токенов, но это значение является параметром конкретной команды, а не обязательно максимальным контекстом модели. Данные о преимуществах, ограничениях безопасности, результатах тестирования и точной архитектуре отсутствуют.

Huihui-Qwen3.6-35B-A3B-Claude-4.6-Opus-abliterated-i1-GGUF — это GGUF-квантизация модели Huihui-Qwen3.6-35B-A3B-Claude-4.6-Opus-abliterated, разработанной huihui-ai и подготовленной в виде квантованных файлов пользователем mradermacher. Модель основана на архитектуре Qwen3.6 с разреженной MoE-структурой; заявленный размер — 35B параметров при 3B активных параметров. Репозиторий содержит варианты i1-квантизации с размерами примерно от 7,6 до 20 ГБ, а также imatrix-файл для самостоятельного создания квантовок. Модель предназначена для генерации текста, диалоговых сценариев и задач, связанных с рассуждениями. В описании также заявлена поддержка изображений и текста, поэтому она может применяться в мультимодальных сценариях при наличии совместимых mmproj-файлов. Указанный язык — английский. Модель совместима с экосистемой Transformers и инструментами инференса, включая text-generation-inference и vLLM; формат GGUF ориентирован на локальный запуск средствами, поддерживающими этот формат. Сильной стороной являются различные уровни квантизации, позволяющие выбирать между размером файла, скоростью и качеством. При этом низкобитные варианты могут заметно уступать по качеству: в README отдельные сборки обозначены как имеющие низкое качество или предназначенные для случаев острой нехватки ресурсов. Точный размер контекстного окна и результаты бенчмарков не указаны. Обозначения abliterated и uncensored указывают на отсутствие или ослабление части стандартных ограничений безопасности, поэтому поведение модели и пригодность для чувствительных задач следует проверять отдельно. Указанная лицензия — Apache-2.0.

Hunyuan-4B-Pretrain — базовая плотная языковая модель Tencent из семейства Hunyuan. Она содержит 3,9 млрд параметров и предназначена для генерации текста и последующего дообучения под прикладные сценарии. В репозитории указаны архитектура HunYuanDenseV1ForCausalLM и поддержка Transformers. Модель поддерживает контекст до 262 144 токенов, механизм Grouped Query Attention и режимы быстрого и пошагового рассуждения. Семейство Hunyuan рассчитано на разные варианты развертывания, включая ограниченные по ресурсам среды; для инференса также описана поддержка TensorRT-LLM, vLLM и SGLang. Карточка приводит результаты бенчмарков для базовых моделей семейства, но не указывает отдельные языковые коды или лицензионные условия для этой модели.

Jan-v2-VL-max — мультимодальная vision-language модель, разработанная JanHQ и основанная на Qwen3-VL-30B-A3B-Thinking. Модель содержит 30 миллиардов параметров и предназначена для обработки текста и изображений, включая работу со скриншотами. Указан английский язык. Доступна в формате GGUF, а также упоминается FP8-сборка для инференса. Основной сценарий применения — выполнение длинных многошаговых задач, где план или необходимые знания задаются заранее, а результат зависит от устойчивого последовательного выполнения с минимальным накоплением ошибок. Модель ориентирована на агентскую автоматизацию и управление пользовательским интерфейсом в браузерах и настольных приложениях, включая использование скриншотов, инструментов и Jan Browser MCP. По данным README, LoRA-based RLVR улучшает стабильность при длинных цепочках действий. В сравнении с Qwen3-VL-30B-A3B-Thinking FP8-версия не демонстрирует регрессий и показывает небольшие улучшения на ряде задач, особенно при долгом выполнении. FP8-сборка также снижает требования к памяти и задержку, однако конкретные результаты, максимальный контекст и полный перечень поддерживаемых языков не указаны. Для локального запуска рекомендуются vLLM и llama.cpp; лицензия — Apache 2.0.

JiRackUltra_7b-i1-GGUF — это набор GGUF-квантизаций модели JiRackUltra_7b, разработанной CMSManhattan и подготовленной квантизатором mradermacher. Модель ориентирована на генерацию текста и локальный запуск с пониженными требованиями к памяти и вычислительным ресурсам, включая сценарии на CPU. В метаданных также указаны потенциальные области применения, связанные с web-интерфейсами, маршрутизацией запросов, вызовами инструментов и робототехникой. Модель имеет размер около 7 млрд параметров и использует архитектурный подход ternary/BitNet с заявленной точностью 1.58 bit. Распространяется в формате GGUF в вариантах от i1-IQ1_S до i1-Q6_K; размер файлов составляет примерно от 2,0 до 6,4 ГБ. Доступны weighted/imatrix-квантизации, причём разные варианты отличаются балансом между размером, скоростью и качеством. В README заявлена поддержка английского, китайского, японского, корейского, французского, испанского, португальского, немецкого, итальянского, русского, арабского, вьетнамского и тайского языков. Сильная сторона модели — возможность экономичного локального развертывания благодаря низкоразрядному представлению и широкому выбору квантизаций. Ограничения связаны с потерями качества у наиболее компактных вариантов; для некоторых из них README прямо указывает низкое качество, а IQ- и Q-варианты могут заметно различаться по результатам. Мультимодальность и размер контекстного окна в предоставленных данных не указаны. Лицензия модели — MIT.

Это GGUF-квантизация модели K2-Horizon-MoVA-36B-A4B от IFM, подготовленная VladHong для локального запуска через llama.cpp. Модель использует разреженную архитектуру Mixture-of-Experts с механизмом внимания Mixture-of-Values: всего 36 млрд параметров, из которых на каждый токен активируются примерно 4 млрд. Контекст модели — до 524 288 токенов. Модель предназначена для генерации текста и диалогов, включая ответы на инструкции и фактические вопросы. Профиль APEX Mini сочетает несколько типов точности GGUF-квантования и настроен на сохранение качества обычной генерации и совместимость с CUDA. Для запуска требуется специальная сборка llama.cpp с поддержкой архитектуры и токенизатора K2-Horizon; обычная версия llama.cpp может не распознать файл. Репозиторий распространяется по лицензии Apache-2.0.

K2-Horizon-MoVA-36B-A4B-bf16 — конверсия модели IFM/K2-Horizon-MoVA-36B-A4B в формат MLX с точностью bf16, опубликованная сообществом mlx-community. Это разреженная языковая модель MoE с 36 млрд параметров и примерно 4 млрд активных параметров на токен; в механизме внимания MoVA значения выбираются из 4 из 64 маршрутизируемых экспертов. Модель предназначена для генерации текста и диалогов, включая рассуждения и многошаговое взаимодействие, и поддерживает контекст до 524 288 токенов. Сборка ориентирована на компьютеры Apple с Apple silicon и работает через mlx-lm. README сообщает о проверке реализации на реальных весах относительно кода PyTorch IFM и о тестировании генерации и серверного диалога. Для короткого запроса требуется около 75 ГБ памяти; автор рекомендует Mac с 128 ГБ. В репозитории поставляется код модели, загружаемый через model_file; при использовании может потребоваться разрешить trust_remote_code. Лицензия — Apache-2.0.

Это дообученная диалоговая языковая модель mgmbykai на базе kakaocorp/kanana-1.5-8b-instruct-2505. Она использует плотную архитектуру LlamaForCausalLM и содержит 7,5 млрд параметров; модель предназначена для генерации текста в формате диалога и поддерживает интерфейс вызова инструментов. В карточке также указано обучение с использованием Unsloth и библиотеки TRL. Модель подходит для диалоговых приложений и генерации ответов с подключением инструментов. Базовая Kanana рассчитана также на задачи программирования и математики, однако README этой версии не описывает отдельные настройки или результаты для этих сценариев. Длина контекста — 32 768 токенов. Модель распространяется по лицензии Apache-2.0.

L3.3-Nevoria-R1-70b-GGUF — это GGUF-квантизированная версия текстовой генеративной модели L3.3-Nevoria-R1-70b, подготовленная bartowski на основе модели Steelskull/L3.3-Nevoria-R1-70b. Модель относится к объединённым моделям, созданным с использованием mergekit, и предназначена для генерации текста в локальных средах на базе llama.cpp, включая LM Studio. Модель рассчитана на диалоговые и общие задачи генерации текста. Доступны варианты квантизации от Q8_0 до Q2_K и IQ2_XXS, поэтому можно выбирать между качеством, размером файла и требованиями к оперативной памяти. Наиболее качественными и рекомендуемыми в README названы Q6_K, Q5_K_M, Q5_K_S и Q4_K_M; более компактные варианты экономят память, но могут заметно уступать по качеству. Известный размер исходной модели — 70 миллиардов параметров. Формат GGUF и квантизация с использованием imatrix ориентированы на локальный инференс, однако для запуска качественных вариантов требуется значительный объём памяти. README не указывает архитектуру, поддерживаемые языки, размер контекстного окна, мультимодальные возможности, результаты тестирования или лицензию, поэтому эти характеристики нельзя достоверно определить по имеющимся данным.

LeoScorpius-7B — объединённая авторами viethq188 разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. В README указано, что модель создана слиянием viethq188/Rabbit-7B-v2-DPO-Chat и v1olet/v1olet_marcoroni-go-bruins-merge-7B методом slerp; приведённая конфигурация также ссылается на AIDC-ai-business/Marcoroni-7B-v3 и Q-bert/MetaMath-Cybertron-Starling. Для общения можно использовать шаблон Alpaca. Модель предназначена для генерации текста в диалоговом формате. Контекстное окно — до 32 768 токенов; репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не приводит оценки качества или отдельные ограничения по сценариям, поэтому пригодность для конкретных задач требует проверки.