II.2Создание и понимание программного кода

Qwen2.5-1.5B-Instruct-GGUF — квантизированная GGUF-версия языковой модели Qwen2.5-1.5B-Instruct, разработанной Qwen и подготовленной квантизацией компанией Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев, включая чат-приложения и запуск в качестве локального сервиса или командного приложения через LlamaEdge. Указан английский язык, а поддерживаемый тип взаимодействия — ChatML. Модель содержит 1,5 млрд параметров и доступна в вариантах квантизации от 2 до 8 бит, а также в формате f16. Размер файлов составляет примерно от 676 МБ до 3,09 ГБ. Для запуска с LlamaEdge рекомендуется контекст до 32 000 токенов; требуется LlamaEdge версии 0.14.3 или выше. Варианты Q4_K_M, Q5_K_M и Q5_K_S отмечены как рекомендуемые благодаря балансу размера и качества, тогда как низкобитные варианты обеспечивают меньший размер ценой существенной потери качества. Модель удобна для локального развертывания на устройствах с ограниченными ресурсами благодаря компактным квантизированным вариантам. Ограничения включают небольшой размер базовой модели, возможное снижение качества при агрессивной квантизации и отсутствие в README сведений о дополнительных модальностях, поддерживаемых языках и результатах оценки. Распространение указано по лицензии Apache-2.0.

Qwen2.5-3B-Instruct-GGUF — квантованная GGUF-версия языковой модели Qwen2.5-3B-Instruct, разработанной Qwen и подготовленной Second State Inc. Модель предназначена для генерации текста и диалоговых сценариев, включая чат-приложения и развёртывание как локального или серверного сервиса через LlamaEdge. Указан английский язык; модальность — текстовая. Модель содержит около 3 млрд параметров и использует шаблон запросов ChatML. Максимальный размер контекста в конфигурации LlamaEdge составляет 32 000 токенов. Доступны варианты квантования от 2 до 8 бит, f16 и несколько схем GGUF; рекомендуемыми в README названы Q4_K_M, Q5_K_M и Q5_K_S. Квантование уменьшает требования к памяти, однако низкобитные варианты могут заметно терять в качестве, тогда как f16 занимает около 3,09 ГБ. Сильными сторонами модели являются компактный размер, широкий выбор уровней квантования и возможность запуска через LlamaEdge версии 0.14.3 и выше. README не приводит результатов оценки, сведений об архитектуре, кроме формата GGUF и совместимости с LlamaEdge, а также не описывает дополнительные языки или мультимодальные возможности. Модель распространяется по лицензии qwen-research; условия следует уточнять в указанном лицензионном документе Qwen.

Mungert/Qwen2.5-7B-Instruct-GGUF — набор GGUF-квантизованных вариантов Qwen2.5-7B-Instruct, разработанный пользователем Mungert на базе Qwen/Qwen2.5-7B. Модель предназначена для генерации текста и диалоговых сценариев, включая запуск на устройствах с ограниченными ресурсами, CPU, edge-устройствах и системах с небольшим объёмом GPU VRAM. Ключевая особенность набора — сверхнизкобитная квантизация с методом IQ-DynamicGate, использующим адаптивное распределение точности по слоям. Для отдельных частей модели применяются IQ4_XS, IQ2_XXS, IQ3_S и Q5_K, чтобы снизить потребление памяти и ограничить накопление ошибок. README приводит результаты экспериментов на Llama-3-8B-Instruct с контекстом 2048 токенов, поэтому эти показатели нельзя напрямую считать характеристиками Qwen2.5-7B-Instruct. Доступны варианты с очень низкой разрядностью, включая IQ1 и IQ2, а также упоминаются более распространённые форматы квантизации. Сильная сторона модели — существенное сокращение размера и требований к памяти при сохранении более высокой точности по сравнению со стандартной квантизацией той же разрядности; в приведённых тестах улучшение perplexity составило до 43,9%, а разница в скорости была менее 5%. Ограничения включают возможное снижение качества из-за экстремально низкой разрядности, увеличение размера на 0,1–0,3 ГБ относительно стандартных вариантов и отсутствие подробных данных о фактическом контекстном окне, поддерживаемых языках и характеристиках именно Qwen-вариантов. Указана лицензия Apache-2.0.

Arm/qwen3-5-2b-q4-k-m-ggml-llama-cpp-vivo-x300 — оптимизированная для мобильных CPU на базе Arm версия Qwen3.5-2B, разработанного командой Qwen компании Alibaba Cloud. Модель предназначена для генерации текста в среде llama.cpp и поставляется в формате GGUF с квантизацией Q4_K_M. Оптимизация ориентирована на платформы Arm с поддержкой SME2; эталонные измерения выполнены на смартфоне vivo X300 под управлением Android 16 и OriginOS 6. Модель содержит около 2 млрд параметров и сохраняет 24 основных transformer-блока исходной модели. GGUF включает необходимые словарь, merges и chat template, поэтому внешние файлы токенизатора не требуются. В комплект также входит отдельный vision projector в формате f16, однако он не квантизирован, не тестировался и не учитывался в приведённых результатах, поэтому подтверждённые характеристики относятся только к текстовому декодеру. Языки и размер контекстного окна в карточке не указаны. К сильным сторонам относятся существенное уменьшение размера модели до 1215,36 МБ, снижение требований к памяти и ускорение инференса на совместимых Arm-устройствах: 22,09 токена в секунду и 983,29 мс до первого токена против 7,87 токена в секунду и 6346,48 мс у f16-базовой версии. На тесте MMLU Redux в режиме 0-shot точность составила 62,4578%, что на 1,44 процентного пункта ниже исходной модели. Реальная производительность зависит от устройства, настроек и температурного режима, поэтому перед использованием в продуктивных сценариях необходима проверка на собственных данных. Модель распространяется по лицензии Apache-2.0.

nDimensional выпустил конверсию Qwen3.5-9B Uncensored в формате safetensors на основе объединённой модели HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive и Qwen/Qwen3.5-9B. Это плотная мультимодальная модель на 9 млрд параметров с гибридной архитектурой: 24 слоя GDN и 8 стандартных слоёв внимания. Она предназначена для диалога и обработки изображений; поддерживает интерфейс вызова инструментов. В описании базовой Qwen3.5 также указаны рассуждения, программирование и агентные задачи. Конверсия сохраняет веса в BF16 и предназначена для Transformers, vLLM и других фреймворков, не поддерживающих исходный формат GGUF. В README отмечены изменения весов отдельных тензоров языковой модели; энкодер изображений, токенизатор и перечисленные эмбеддинги и MLP-слои совпадают с базовой моделью. В конфигурации отключено предсказание нескольких токенов. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B-Claude-4.7-Opus-Reasoning-Distilled-GGUF — квантизированная GGUF-версия модели, разработанной lordx64 и опубликованной для распространения mradermacher. Модель основана на Qwen3.6-35B-A3B и дообучена методом дистилляции рассуждений на наборе reasoning-distill-opus-4-7-max-sft. В метаданных указаны архитектура Mixture-of-Experts, поддержка LoRA и библиотека Transformers. Модель предназначена для генерации текста и задач, требующих рассуждений; заявленный язык — английский. Доступны варианты квантования от Q2_K до Q8_0, размер файлов составляет примерно от 13 до 37 ГБ. Также предоставляются дополнительные файлы mmproj для мультимодального использования, однако конкретные поддерживаемые модальности и контекстное окно в README не указаны. Более качественными считаются старшие варианты квантования, а Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые. Модель может быть полезна для локального запуска и сценариев, где важны рассуждения при ограниченных ресурсах, но квантование создаёт компромисс между размером, скоростью и качеством. Ограничения включают отсутствие подробных результатов тестирования, описания точного числа активных параметров, языкового охвата и контекстного окна. Лицензия — Apache-2.0.

dealignai/Qwen3.8-Flash-Next-CRACK-JANG_4M — это экспериментальная CRACK-abliterated сборка модели JANGQ-AI/Qwen3.8-Flash-Next-JANG_4M, подготовленная для запуска на Apple Silicon через MLX и vMLX. Модель относится к предварительной линейке qwen4_exp и предназначена для мультимодальных сценариев, включая работу с текстом, изображениями и видео, рассуждения, агентное взаимодействие и использование инструментов. Архитектура описана как смесь экспертов примерно на 176 млрд параметров с 512 экспертами и около 6 млрд активных параметров. Используется гибрид Gated DeltaNet и Qwen Sparse Attention, hashed n-gram embedding и встроенная multi-token-prediction head. Доступны режимы рассуждения off, low и xhigh; заявлена поддержка английского и китайского языков. Сборка использует смешанную точность JANG_4M и занимает около 96 ГБ на диске, при этом требует примерно 70 ГБ активной оперативной памяти; около 26 ГБ таблицы n-грамм хранится на диске и подгружается по требованию. К сильным сторонам относятся сохранённые мультимодальные возможности, рассуждение, работа с инструментами и отсутствие встроенного отказного поведения. По приведённому тесту MMLU результат CRACK составляет 85,92% против 86,89% у базовой версии, то есть наблюдается небольшое снижение качества, а по отдельным предметам падение заметнее. Модель является исследовательским артефактом, требует значительных ресурсов и рассчитана прежде всего на совместимый runtime vMLX. Лицензия указана как qwen-community-1.0; условия следует уточнять в файле LICENSE.

Baekpica/Qwen3.8-Flash-Next-Mixed-Quant-GGUF — это смешанно-квантизированная GGUF-конверсия базовой модели Qwen/Qwen3.8-Flash-Next, подготовленная Baekpica для запуска на оборудовании с ограниченной памятью, прежде всего NVIDIA DGX Spark с GB10. Модель предназначена для задач генерации и понимания текста, а согласно метаданным также относится к классу image-text-to-text. Репозиторий ориентирован на эксперименты с локальным инференсом, SSD-offload, оптимизацией выполнения и пользовательскими ядрами. Опубликованный вариант MQ-NG5-Q2K-Q4-SPLIT-E4 состоит из четырёх GGUF-шардов общим размером около 98,5 ГБ и содержит 1 756 тензоров. В нём применяются разные форматы точности, включая Q2_K, Q4_K, Q4_0, Q5_1, Q8_0, BF16 и F32; крупная PLE n-gram table объёмом 51,2 млрд параметров хранится в Q5_1, а внутренние routed gate/up-компоненты преимущественно квантизированы в Q2_K. Также описан более компактный калиброванный вариант с IQ2_XXS, но его сборка приостановлена. Точное общее число параметров, размер контекста, список языков и подтверждённые характеристики качества в README не указаны. Сильная сторона модели — существенное снижение требований к памяти за счёт смешанной квантизации при сохранении отдельных крупных или чувствительных компонентов в более высокой точности. При этом качество, поведение runtime и работа на DGX Spark для опубликованного варианта обозначены как предварительные. Используется пользовательская схема GGUF qwen4exp и ветка dfm проекта ds4; совместимость с upstream llama.cpp и другими GGUF-runtime не гарантируется. Лицензия указана как qwen-community-1.0; дополнительные условия следует проверять в лицензии базовой модели Qwen/Qwen3.8-Flash-Next.

Это квантованная версия Qwen3-Omni-30B-A3B-Thinking, опубликованная пользователем vito95311 на Hugging Face и приписанная в карточке квантованию vito1317. В README заявлены веса INT8 с активациями FP16 и архитектура Qwen3OmniMoeForConditionalGeneration; метаданные указывают семейство Qwen3-Omni и библиотеку llama.cpp. Версия предназначена для запуска мультимодальной модели с меньшими требованиями к памяти на локальном оборудовании. README описывает настройку GPU и CPU, гибридное выполнение и ответы в режиме рассуждения; базовая модель поддерживает работу с текстом, изображениями, аудио и видео, однако каталог для этой копии подтверждает только генерацию текста. В README заявлено снижение потребления памяти примерно на 50% относительно FP16, но приведённые там цифры и показатели скорости зависят от оборудования и не сопровождаются независимой оценкой. Для применения указана лицензия Apache 2.0, при этом README отдельно оговаривает, что веса подчиняются условиям лицензии исходной модели, а калибровочные данные предназначены только для исследований и некоммерческого использования.

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.

ShadowCalme-7B — объединённая модель для генерации текста, созданная Maxime Labonne автоматическим слиянием CorticalStack/shadow-clown-7B-dare и MaziyarPanahi/Calme-7B-Instruct-v0.1.1. В ней использована архитектура Mistral с плотной структурой и около 7,1 млрд параметров; конфигурация слияния применяет метод SLERP. Модель принимает текст и выдаёт текст, а её контекст составляет до 32 768 токенов. Модель подходит для генерации текста и диалоговых сценариев, где нужна языковая модель общего назначения. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_AlloyingotneoyExperiment28 — объединённая модель Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/AlloyingotneoyExperiment28-7B. Она предназначена для генерации текста и диалогов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий распространяет веса в формате safetensors. Модель принимает текст и генерирует текст. В README не описаны специализация, языки или результаты оценки качества, поэтому её можно охарактеризовать только как модель общего назначения для генерации текста. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_Experiment26Experiment24 — объединённая автором репозитория модель Mistral с 7,1 млрд параметров для генерации текста и диалогов. Она принимает текст и выдаёт текст; длина контекста составляет до 32 768 токенов. Модель объединяет automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment26Experiment24-7B. Репозиторий содержит веса в формате Safetensors и распространяется по лицензии Apache-2.0. Карточка не описывает специализированные сценарии, набор поддерживаемых языков или результаты оценки качества.

T3qm7xNeuralsirkrishna_Ognoexperiment27M7 — объединённая текстовая модель на архитектуре Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Ognoexperiment27M7-7B. Репозиторий подготовлен пользователем MaziyarPanahi. Модель предназначена для генерации текста и диалогов; она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Карточка не описывает отдельные языковые или специализированные прикладные сценарии, поэтому модель можно рассматривать как средство общего назначения для генерации текста.

T3qm7xNeuralsirkrishna_YamStrangemerges_32 — объединённая языковая модель семейства Mistral, созданная на основе automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamStrangemerges_32-7B. Она содержит 7,1 млрд параметров и принимает текст для авторегрессионной генерации текста, включая диалоги; максимальный контекст составляет 32 768 токенов. Модель подойдёт для генерации продолжений, ответов и диалоговых реплик в текстовых приложениях. В репозитории указана лицензия Apache-2.0. README и метаданные не сообщают о специализированной предметной области или конкретных ограничениях качества.

Это GGUF-квантизированная версия языковой модели Hunyuan-4B-Instruct, разработанной Tencent и преобразованной пользователем bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и работы в инструкционном формате: она может применяться в диалоговых сценариях, для ответов на запросы пользователя и других задач text-generation. Модель содержит около 4 миллиардов параметров и доступна в вариантах от BF16 до низкобитных квантований Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 1,9 до 8,45 ГБ; варианты с более высокой точностью обычно обеспечивают лучшее качество, а варианты с меньшим размером требуют меньше оперативной памяти. Для работы предусмотрен специальный шаблон промпта Hunyuan. Модель можно запускать через LM Studio, llama.cpp и другие совместимые проекты. К сильным сторонам относятся широкий выбор квантований, возможность локального запуска и хороший баланс качества и размера у рекомендуемых вариантов Q4–Q6. Низкобитные версии экономят память, но могут заметно уступать по качеству более точным вариантам. В README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура, мультимодальные возможности и лицензия, поэтому эти характеристики нельзя достоверно оценить.

SyedAbdul/test-7B-slerp — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. По README, автор объединил OpenPipe/mistral-ft-optimized-1218 и cognitivecomputations/dolphin-2.6-mistral-7b-dpo методом SLERP с помощью mergekit; в конфигурации указана базовая модель OpenPipe/mistral-ft-optimized-1218. Модель предназначена для генерации текста. Метаданные указывают контекстное окно до 32 768 токенов и формат весов safetensors. Лицензия — Apache-2.0. Данные не уточняют языковой охват модели и её ограничения, поэтому их нельзя конкретизировать.

Tulu V2.5 DPO 13B – Nectar 60k — англоязычная чат-модель-помощник от Allen Institute for AI (AI2), основанная на Tulu 2 и дообученная методом DPO на случайной выборке из 60 тысяч примеров Nectar. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров и контекстом 4096 токенов; репозиторий содержит веса PyTorch и шаблон чата в токенизаторе. Модель предназначена для диалогов с помощником и генерации ответов на инструкции на английском языке. Она обучалась на смеси открытых, синтетических и созданных людьми данных, включая наборы Tulu, а затем выравнивалась по предпочтениям на Nectar. Лицензия — Apache 2.0. В фазе RLHF модель не обучали выдавать безопасные ответы, а встроенной фильтрации нет; при соответствующих запросах возможны проблемные ответы. Качество генерации зависит от правильного формата входа, включая завершающий перевод строки.

TwinLlama-3.1-8B-DPO3-GGUF — это набор GGUF-квантизированных версий текстовой генеративной модели TwinLlama-3.1-8B-DPO3, исходно разработанной mlabonne и квантизированной bartowski. Модель относится к семейству Llama, содержит около 8 миллиардов параметров и предназначена для генерации текста на английском языке, включая диалоговые сценарии и задачи, поддерживаемые базовой моделью после обучения методом DPO. Набор рассчитан на локальный запуск через llama.cpp и совместимые приложения, включая LM Studio. Доступны варианты от F16 размером 16,07 ГБ до компактных квантов Q2 и Q3, а также распространённые Q4, Q5, Q6 и Q8; размер файлов составляет примерно от 3,66 до 8,54 ГБ для квантованных версий. Для общения используется шаблон с ролями system, user и assistant в формате ChatML. Для некоторых вариантов предусмотрена оптимизация под ARM-процессоры, требующая соответствующих аппаратных инструкций. Более высокие уровни квантования обеспечивают качество, близкое к исходному, тогда как компактные варианты позволяют снизить требования к оперативной памяти ценой ухудшения качества. Сведения о размере контекста, поддерживаемых модальностях помимо текста, результатах оценки и аппаратных требованиях отсутствуют. Указанная лицензия — Apache-2.0.

VAETKI-20B-A2B — языковая модель NC-AI для генерации текста и диалогов. Она построена на архитектуре Transformer с причинным автодекодированием и смесью экспертов (MoE): всего 19,64 млрд параметров, из которых активируются 2,2 млрд, восемь из 128 экспертов. Модель прошла предобучение и постобучение; в репозитории веса представлены в формате Safetensors. Модель предназначена для эффективного инференса и поддерживает корейский, английский, китайский и японский языки. Карточка указывает контекст 16 тысяч токенов, а метаданные — нативный контекст 32 768 токенов. Лицензия — MIT. Модель может выдавать неточные или неполные ответы и галлюцинировать, особенно на неоднозначных запросах и задачах, требующих высокой фактической точности. Возможны трудности со сложными рассуждениями, точными вычислениями и корректной генерацией кода; ответы могут отражать предубеждения обучающих данных. Модель не предназначена для критически важных решений в медицине, праве, финансах и военной сфере.

vorenthos-architect-v4 — языковая модель для генерации текста и диалогов, опубликованная vorenthiclabs как экспорт из локальной установки Ollama. В репозитории размещены квантизированные веса в формате GGUF и шаблон чата; метаданные указывают на плотную архитектуру размером 7,6 млрд параметров и поддержку диалогового режима. Модель предназначена для генерации ответов и ведения диалога через Ollama или совместимые инструменты для запуска GGUF. В карточке не приведены сведения о языках, контекстном окне или специализированных областях применения. Лицензия указана как other, поэтому условия использования следует проверять в исходной карточке модели и связанных материалах.

Aaron-di/Yamshadowexperiment28M70.81-0.36-0.63-1.0-0.79-0.74-7B — объединённая текстовая модель семейства Mistral с архитектурой MistralForCausalLM и примерно 7,1 млрд параметров. Карточка показывает использование через Transformers и chat template для генерации текста и диалога; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации продолжений и ответов в диалоговом формате. В метаданных указаны две объединённые базовые модели: AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Данные карточки не описывают отдельную специализацию по предметной области или конкретные оценки качества.

YamshadowInex12_Percival_01Shadow — слитая модель для генерации текста, созданная на основе automerger/YamshadowInex12-7B и automerger/Percival_01Shadow-7B. Она построена на архитектуре Mistral и содержит 7,1 млрд параметров; модель принимает текстовые запросы и генерирует текст, поддерживая контекст до 32 768 токенов. Модель подходит для диалогов, написания и продолжения текста, а также генерации ответов на запросы. Данные не описывают специализацию по предметной области или конкретные языковые возможности, поэтому качество для отдельных языков и сценариев нельзя определить по карточке. Весы опубликованы в формате Safetensors под лицензией Apache 2.0.

YamshadowStrangemerges_32_T3qM7 — объединённая языковая модель семейства Mistral, созданная из automerger/YamshadowStrangemerges_32-7B и automerger/T3qM7-7B. Модель содержит 7,1 млрд параметров и использует архитектуру MistralForCausalLM; её контекст рассчитан на 32 768 токенов. Модель предназначена для генерации текста и диалога по текстовым запросам. Её можно применять для составления ответов, продолжения текста и ведения диалога. Карточка не уточняет специализацию или языки обучения. Модель распространяется под лицензией Apache-2.0.

YamT3qm7xp_YamExperiment24 — объединённая модель для генерации текста, построенная на архитектуре Mistral. Она создана слиянием моделей automerger/YamT3qm7xp-7B и automerger/YamExperiment24-7B. Размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации продолжений текста и диалоговых ответов. Она принимает текст и выдаёт текст. Репозиторий содержит веса в формате Safetensors; лицензия — Apache-2.0.

Zelus-8B-Model_Stock — диалоговая языковая модель, созданная DreadPoor с помощью mergekit методом Model Stock. В качестве базовой использована FuseAI/FuseChat-Llama-3.1-8B-SFT, а в слияние вошли также модели семейства Llama 3.1 от Arcee, VAGOsolutions, Unsloth, Nous Research, Orenguteng и NeverSleep. Модель имеет плотную архитектуру LlamaForCausalLM с 7,5 млрд параметров и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов, включая ответы на инструкции и свободные запросы. Метаданные указывают контекст до 131 072 токенов, библиотеку Transformers и возможность chat. В README приведены результаты оценок IFEval и BBH; данных о языковой поддержке в карточке недостаточно, чтобы утверждать, какие языки модель поддерживает. Модель распространяется по лицензии Apache-2.0. Результаты в README ограничены приведёнными бенчмарками и сами по себе не гарантируют качество в конкретных сценариях; поведение унаследовано от нескольких объединённых моделей.

zephyr-7b-sft-full — диалоговая модель генерации текста, дообученная командой HuggingFaceH4 на mistralai/Mistral-7B-v0.1 с использованием набора HuggingFaceH4/ultrachat_200k. Это плотная авторегрессионная архитектура MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенная для общения и генерации ответов по текстовым запросам. В карточке приведено значение loss 0,9353 на оценочном наборе. Модель подходит для чат-ботов, ответов на вопросы и других сценариев генерации текста. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не приводит дополнительных сведений о целевых сценариях, языковом охвате или известных ограничениях.

weijie210/zephyr-7b-UC-0 — диалоговая модель генерации текста, полученная дообучением alignment-handbook/zephyr-7b-sft-full. Она построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; заявленная длина контекста — до 32 768 токенов. Модель предназначена для общения в чате и генерации ответов на текстовые запросы. В карточке приведены метрики оценки, включая точность предпочтений 0,867, но описание данных обучения и сценариев применения отсутствует. Модель опубликована в формате safetensors под лицензией Apache-2.0. Возможности и качество для конкретных задач следует проверять на собственных запросах.

Модель ShenaoZhang/0.001_ablation_4iters_bs128_nodpo_iter_2 — дообученная версия ShenaoZhang/0.001_ablation_4iters_bs128_nodpo_iter_1, созданная на наборах данных updated и original. Это плотная Mistral-модель класса MistralForCausalLM с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors по лицензии MIT. README не приводит сведений об оценке качества или специальных сценариях применения; результаты генерации могут требовать проверки.

ShenaoZ/0.0_continue_iter_2 — диалоговая языковая модель на архитектуре Mistral, дообученная разработчиком ShenaoZ на базе ShenaoZ/0.0_continue_iter_1 с использованием датасета HuggingFaceH4/ultrafeedback_binarized. Она предназначена для генерации текста и ведения диалога, включая ответы на запросы в контексте до 32 768 токенов. Модель содержит 7,1 млрд параметров и опубликована в формате safetensors. Модель распространяется по лицензии MIT. README не приводит результатов оценки и не описывает специальные сценарии применения или ограничения; качество ответов и их соответствие запросу следует проверять для конкретной задачи.