II.2Создание и понимание программного кода

MaziyarPanahi/Qwen2.5-3B-Instruct-GGUF — это набор файлов модели в формате GGUF для инструкционной языковой модели Qwen2.5-3B-Instruct, разработанной командой Qwen и квантованной MaziyarPanahi. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через совместимые приложения и библиотеки. Модель содержит около 3 миллиардов параметров и работает в текстовой модальности. В репозитории представлены варианты квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством ответов. Формат GGUF поддерживается llama.cpp, llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другими инструментами. Сведения о языках и размере контекстного окна в README не указаны. К сильным сторонам относятся возможность локального запуска, широкий выбор уровней квантования и совместимость с популярной экосистемой GGUF, включая GPU-ускорение и OpenAI-совместимые серверы в некоторых клиентах. Ограничения связаны с потерей качества при использовании более агрессивного квантования, а также с тем, что README не содержит результатов тестирования, подробностей архитектуры, языкового охвата и условий лицензирования. Лицензия в предоставленных данных не указана.

SirSahOl подготовил 16-битную конверсию базовой языковой модели Qwen3-1.7B-Base в формат MLX для локального запуска на Apple Silicon. Это плотная авторегрессионная модель Qwen3ForCausalLM с 1,7 млрд параметров, контекстом 32 768 токенов и весами в формате safetensors; README указывает, что контекст можно расширять до 131 072 токенов с YaRN. Для генерации текста модель подходит для диалогов, локальных дополнений и сценариев с вызовом инструментов. Конверсия рассчитана на ускорение инференса на GPU Apple Silicon через MLX. README оценивает занимаемую память примерно в 4,2 ГБ и рекомендует не менее 8 ГБ объединённой памяти; фактическая скорость зависит от оборудования и длины запроса. Для запуска требуется совместимое окружение MLX и устройство Apple Silicon. Лицензия — Apache-2.0.

Модель mlx-community/Qwen3.6-27B-AEON-Ultimate-Uncensored-BF16-mlx-4Bit — 4-битная версия в формате MLX, полученная преобразованием модели AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-BF16 с помощью mlx-lm 0.31.2. Она предназначена для диалогов и генерации текста; базовая модель также описана как мультимодальная и поддерживающая работу с изображениями, рассуждения и программирование, однако README этой версии подтверждает только преобразование формата. Модель основана на семействе Qwen3.6 и имеет лицензию Apache 2.0. Метаданные указывают поддержку английского и китайского языков, а также многоязычный характер модели. Версия рассчитана на запуск через MLX; карточка не приводит отдельных оценок качества этой конвертации.

Это GGUF-представление модели Qwen3.6-35B-A3B, подготовленное SC117 с применением метода APEX для квантования MoE-моделей. В основе лежит llmfan46/Qwen3.6-35B-A3B-uncensored-heretic-Native-MTP-Preserved — модифицированная версия Qwen3.6-35B-A3B со сниженным числом отказов. В репозитории представлены варианты GGUF, включая F16; README описывает уровни квантования APEX, которые распределяют точность по типам тензоров и слоям. Модель предназначена для диалогов и генерации текста по текстовым и визуальным запросам. Вариант сохраняет 20 слоёв MTP для спекулятивного декодирования; README приводит настройки запуска через llama.cpp и Ollama. Метаданные указывают возможность работы с изображениями, но подробности мультимодальных возможностей и поддерживаемые языки в доступных материалах не раскрыты. Модификация исходной модели позиционируется как uncensored: в README заявлено снижение отказов на 88% при сохранении качества, однако эти цифры приводятся авторами и не являются независимой оценкой. Модель распространяется по лицензии Apache-2.0. Для запуска необходим совместимый движок GGUF; скорость и качество зависят от выбранного варианта квантования и оборудования.

taurusduan/Qwen3.8-27B-Heretic-Abliterated-Uncensored-GGUF — это модифицированная версия Qwen3.8-27B семейства Qwen, подготовленная в формате GGUF для запуска через llama.cpp. Она основана на варианте trohrbaugh/Qwen3.8-27B-heretic-ara, созданном Tim Rohrbaugh с применением метода ARA, и дополнительно прошла два полноразмерных прохода ARA для уменьшения остаточных отказов модели. Точная команда разработчиков RVN в README не указана. Модель предназначена для генерации текста, исследовательских задач, творческого письма, ролевых сценариев и генерации с уменьшенным числом отказов на вредоносные запросы. Архитектура — гибрид Gated DeltaNet и стандартного внимания: 27 млрд параметров, 64 слоя, из которых 16 используют обычное внимание, а 48 — линейное внимание Gated DeltaNet; предусмотрены GQA с 24 attention heads и 4 KV heads. Размер скрытого слоя — 5120, словарь содержит 248 320 токенов, контекст — до 262 144 токенов. Модель текстовая; языки в README явно не перечислены. К сильным сторонам относятся низкое поведенческое отклонение от исходной модели после модификации и существенно сниженная вероятность отказов: заявлены KL примерно 0,0085 и 0–1 отказов на 100 вредоносных запросов в независимой проверке. При этом защитные ограничения намеренно ослаблены, поэтому модель не подходит для сценариев, требующих строгих гарантий безопасности, и предназначена только для совершеннолетних пользователей. Использование должно соответствовать законам и ответственным практикам. Лицензия — Apache-2.0; доступны GGUF-файлы, а отдельные варианты содержат встроенную поддержку MTP для speculative decoding.

Qwen3.8-Flash-Next-heretic-2-GGUF — это квантизированная GGUF-версия модели Qwen3.8-Flash-Next-heretic-2. Модель разработана trohrbaugh на основе Qwen3.8-Flash-Next от команды Qwen с применением модифицированного Heretic для снижения отказов; данный репозиторий spiritfather переупаковывает веса для запуска через llama.cpp. Модель предназначена для генерации текста, диалогов, творческого письма и ролевых сценариев, а также поддерживает обработку изображений через отдельный vision-проектор. Архитектура — qwen4exp, MoE: 177 млрд параметров всего и около 3 млрд активных. Указан нативный контекст до 262 144 токенов, встроенное рассуждение с уровнями reasoning_effort и возможность его отключения. Доступны квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0 размером примерно от 130,8 до 175,3 GiB; также включена собственная MTP/NextN-голова для speculative decoding. Сильные стороны модели — большой контекст, мультимодальность, низкое авторское число отказов и поддержка ускоренного декодирования через MTP. Ограничения связаны с очень высокими требованиями к памяти, необходимостью актуальной версии llama.cpp, а для MTP — поддержки PR #27836. Представленные показатели CaliperBench характеризуют творческое письмо, ролевое взаимодействие и готовность отвечать, а не общий интеллект модели. Лицензия указана как qwen-community-1.0; применяются условия лицензии Qwen.

Qwen3.8-Flash-Next-VQ-5.5bpw — это квантизированная data-free vector-quantized версия модели Qwen3.8-Flash-Next, разработанная TheDrainFlorist с использованием VQLab и предназначенная для запуска на Apple Silicon через MLX. Базовая модель создана командой Qwen. Модель поддерживает генерацию текста и работу с изображениями; заявленный язык — английский. Она основана на MoE-архитектуре с 180 млрд параметров в общей сложности и 10 из 512 активных экспертов, а также включает 51,2 млрд параметров n-gram PLE и vision-компонент. Размер квантизации — 5,5 бит на параметр, объём checkpoint составляет около 111,6 GiB, поэтому для запуска требуются машины с большим объёмом unified memory, ориентировочно от 128 ГБ.

RAG Audit Judge — небольшая модель для локальной проверки ответов в системах генерации с дополнением поиском (RAG). Она принимает вопрос пользователя, найденные фрагменты контекста и ответ-кандидат, а затем возвращает JSON-аудит с оценкой обоснованности ответа, риском галлюцинаций, качеством цитирования, списком проблем и рекомендуемым исправлением. Модель предназначена для проверок качества RAG при разработке и в локальной автоматизации; оценка должна опираться только на переданный контекст, а не на внешние знания. В репозитории представлены PEFT LoRA-адаптеры для unsloth/Llama-3.2-1B-Instruct-bnb-4bit и unsloth/Llama-3.2-3B-Instruct-bnb-4bit, а также обучающие данные из 108 примеров и материалы для экспорта. Метаданные указывают форматы GGUF и safetensors и библиотеку PEFT. Готовые GGUF-файлы в репозитории отсутствуют: для использования через Ollama их нужно получить из адаптеров. Лицензия указана как other, поэтому конкретные условия следует проверять в карточке модели и у базовых моделей.

rwkv-6-world-7b-GGUF — это GGUF-квантизированная версия языковой модели RWKV-6 World 7B, разработанной командой RWKV и подготовленной для распространения пользователем bartowski. Модель предназначена для генерации текста и локального запуска через совместимые инструменты, включая llama.cpp и LM Studio. Модель содержит около 7 миллиардов параметров и использует архитектуру RWKV-6. В репозитории представлены варианты от полноточного F16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и Q2, а также форматы IQ. Размер файлов составляет примерно от 3,02 до 15,51 ГБ, поэтому можно выбирать между качеством генерации и требованиями к памяти. Квантизация выполнена с использованием imatrix на базе llama.cpp; отдельно доступны варианты, оптимизированные для ARM-процессоров. Сильной стороной репозитория является широкий выбор квантизированных сборок, включая рекомендуемые варианты Q4 и Q5, что упрощает запуск модели на компьютерах с ограниченными ресурсами. При этом качество низкобитных вариантов снижается, а для некоторых ARM-сборок требуются определённые аппаратные расширения. Формат промпта, поддерживаемые языки, максимальный контекст и лицензия в предоставленном README не указаны; для их определения требуется информация со страницы исходной модели RWKV/rwkv-6-world-7b.

Это языковая модель в формате GGUF, подготовленная и квантованная MaziyarPanahi. Репозиторий содержит файлы модели MaziyarPanahi/SciPhi-Self-RAG-Mistral-7B-32k-Mistral-7B-Instruct-v0.2-slerp, созданной на основе Mistral-7B-Instruct-v0.2 и SciPhi-Self-RAG-Mistral-7B-32k с использованием объединения моделей методом slerp. Модель предназначена для генерации текста и совместима с инструментами локального запуска, включая llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python. Вариант GGUF ориентирован на эффективное развертывание на локальных системах, в том числе с GPU-ускорением. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать между сниженным потреблением памяти и сохранением качества, однако README не содержит точных размеров файлов и результатов тестирования. Модель относится к классу 7B, работает с текстом и рассчитана на контекст до 32k токенов согласно названию базовой модели. Языки, специальные возможности Self-RAG и фактическое качество на конкретных задачах в README не описаны. Лицензия — Apache-2.0.

Это объединённая языковая модель, созданная с помощью mergekit и метода Linear merge. В неё вошли контрольные точки обучения на шагах 2000, 3000, 4000, 5000 и 6000; контрольная точка шага 6000 использовалась как базовая при объединении. Модель разработана автором репозитория yuhengtu-bytedance. Модель построена на архитектуре GPT-NeoX, содержит 8,8 млрд параметров и принимает текст для генерации текста. Она поддерживает контекст длиной до 16 384 токенов и имеет интерфейс для диалога, поэтому подходит для генерации ответов и ведения текстовых бесед. В репозитории указаны формат Safetensors и библиотека Transformers. Сведения о лицензии и конкретных языках в предоставленных данных отсутствуют.

Карточка модели corypaik/silero-vad на Hugging Face совпадает с карточкой istupakov/silero-vad-onnx, поэтому описание составлено по ней. Это модель Silero VAD версии 6.2 в формате ONNX, опубликованная пользователем istupakov для работы с onnx-asr. Она определяет участки речи в аудиозаписи и может использоваться как этап предварительной обработки перед распознаванием речи, например вместе с Parakeet v3 ASR для анализа WAV-файлов. Формат ONNX позволяет запускать модель через совместимые среды выполнения.

silero-vad-v5 — модель обнаружения голосовой активности Silero, опубликованная Vokra в формате GGUF для runtime Vokra. Это конверсия исходных весов snakers4/silero-vad версии 5, а не новая или дообученная модель. Репозиторий содержит файл размером 2,1 МБ с архитектурой silero-vad. Модель предназначена для выделения участков речи в аудиозаписях и потоках речи. Для указанного в README сценария на вход подаётся монофонический WAV с частотой 16 кГц, а результатом являются сегменты с обнаруженной речью. Формат GGUF позволяет runtime Vokra напрямую отображать файл в память. Модель распространяется по лицензии MIT. Карточка не описывает другие частоты дискретизации, языковые ограничения или показатели качества.

MLX-версия языковой модели SmolLM3-3B, разработанная сообществом mlx-community и конвертированная из базовой модели HuggingFaceTB/SmolLM3-3B. Модель предназначена для генерации текста и может использоваться в сценариях локального запуска через библиотеку mlx-lm, включая диалоговые приложения при наличии соответствующего chat template. Модель представлена в формате MLX с 4-битным квантованием, что делает её ориентированной на эффективный запуск на совместимом оборудовании Apple. Заявлены языки: английский, французский, испанский, итальянский, португальский, китайский, арабский и русский. Размер архитектуры указан как 3B, однако дополнительные сведения об архитектуре, контекстном окне, модальностях и точных характеристиках производительности в README отсутствуют. К сильным сторонам относятся компактный размер, 4-битное представление и поддержка нескольких языков. Ограничения включают зависимость от экосистемы MLX и отсутствие в предоставленных данных подробных результатов оценки, информации о качестве по отдельным языкам и описания ограничений применения. Модель распространяется по лицензии Apache-2.0; конвертация выполнена с использованием mlx-lm версии 0.25.3.

SirSahOl подготовил 16-битную конверсию SmolLM3-3B для запуска на компьютерах Apple Silicon с библиотекой MLX. Это плотная причинная языковая модель на 3,1 млрд параметров, предназначенная для генерации текста и диалогового общения; архитектура и поведение унаследованы от HuggingFaceTB/SmolLM3-3B. Модель поддерживает контекст до 65 536 токенов и распространяется в формате safetensors. Конверсия ориентирована на устройства Apple Silicon с достаточным объёмом памяти. Карточка рекомендует этот вариант для оценки и исследований на компьютерах с 64 ГБ памяти и более; результаты бенчмарков пока не приведены. Лицензия — Apache-2.0.

Steelskull_L3.3-Cu-Mai-R1-70b-GGUF — набор GGUF-квантизованных версий текстовой генеративной модели L3.3-Cu-Mai-R1-70b, разработанной Steelskull. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для локального запуска задач генерации текста через llama.cpp, LM Studio и другие совместимые проекты. В набор входят варианты с разным уровнем квантизации — от Q8_0 до Q2_K и IQ-семейств. Размер файлов составляет примерно от 27,4 до 75 ГБ; версии Q6_K, Q5_K_M, Q5_K_S, Q4_K_L, Q4_K_M, Q4_K_S и IQ4_XS отмечены как рекомендуемые с точки зрения соотношения качества и занимаемой памяти. Более компактные варианты позволяют снизить требования к оперативной памяти, но могут заметно уступать по качеству. Версии Q4_1 и Q4_0 используют устаревшие форматы, однако README указывает для них отдельные преимущества на некоторых CPU и устройствах Apple. Модель поддерживает текстовую генерацию; сведения о мультимодальности, языках и размере контекстного окна в README не указаны. Основное преимущество набора — выбор между качеством, размером и требованиями к оборудованию, а также совместимость с распространённой экосистемой llama.cpp. Ограничения связаны с большими требованиями к памяти даже у компактных вариантов и неизбежными потерями качества при сильной квантизации. Для работы следует использовать указанный формат prompt с системными и пользовательскими сообщениями. Лицензия указана как llama3.3.

T3qm7xNeuralsirkrishna_Experiment24Alloyingotneoy — объединённая модель генерации текста на архитектуре Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment24Alloyingotneoy-7B. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и диалогов. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. README и метаданные не уточняют языковую специализацию или дополнительные ограничения модели.

T3qm7xNeuralsirkrishna_Experiment28Experiment24 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/Experiment28Experiment24-7B. Модель содержит 7,1 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогов по текстовым запросам. Она доступна по лицензии Apache-2.0. Сведения о специальной предметной настройке или дополнительных возможностях в карточке не приведены.

T3qm7xNeuralsirkrishna_YamExperiment26 — объединённая модель на архитектуре Mistral, созданная путём слияния automerger/T3qm7xNeuralsirkrishna-7B и automerger/YamExperiment26-7B. Она предназначена для генерации текста и диалоговых ответов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель может служить основой для приложений, которым нужна генерация текста с длинным контекстом. В README не описаны специальные преимущества или ограничения качества. Лицензия — Apache-2.0.

Tanuki-8B-dpo-v1.0 — диалоговая языковая модель семейства Llama, разработанная участниками проекта GENIAC Matsuo Laboratory. Базовая Tanuki-8B обучалась с нуля примерно на 1,3 трлн токенов; эта версия настроена для диалога с помощью SFT и DPO и содержит около 7,2 млрд параметров. Модель предназначена для генерации ответов в диалоге и выполнения инструкций на японском языке. Также в метаданных указана поддержка английского. Для работы используется шаблон Japanese Alpaca и контекст до 8192 токенов; авторы рекомендуют стандартный системный промпт из карточки. Модель основана на архитектуре Llama и распространяется в формате safetensors. Модель выпущена под лицензией Apache-2.0. Карточка приводит результаты Japanese MT-Bench и описывает человеческую оценку, но не задаёт гарантий качества для отдельных задач. Указанные в README варианты AWQ, GPTQ и GGUF относятся к квантованным версиям; для GGUF авторы предупреждают о возможном снижении качества.

Hunyuan-7B-Instruct-GGUF — это квантизированная GGUF-версия текстовой генеративной модели Hunyuan-7B-Instruct, разработанной Tencent. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для запуска локально через llama.cpp, LM Studio и другие совместимые проекты. Модель ориентирована на диалоговые сценарии и генерацию текста по инструкциям. В репозитории доступны варианты от BF16 до квантизаций Q2–Q8, размером примерно от 3 ГБ до 15 ГБ; это позволяет выбирать между качеством и требованиями к памяти. Для работы необходимо использовать указанный формат prompt с системным сообщением и специальными токенами. README не содержит сведений об архитектуре, поддерживаемых языках, длине контекста, мультимодальности или результатах бенчмарков. Квантизации с более высокой разрядностью обычно обеспечивают лучшее качество, а варианты Q3 и ниже экономят память, но заметнее теряют в качестве; некоторые форматы предназначены для совместимости с ARM или Apple Silicon. Лицензия в предоставленных данных не указана.

nm-testing/TinyLlama-1.1B-Chat-v1.0-W8A8-Dynamic-Per-Token-compressed — тестовая сжатая версия TinyLlama-1.1B-Chat-v1.0, опубликованная организацией nm-testing. Исходную TinyLlama разработала команда проекта TinyLlama; модель предназначена для генерации текста и диалоговых сценариев с ограниченными требованиями к памяти и вычислительным ресурсам. Это компактная causal language model с архитектурой и токенизатором, совместимыми с Llama 2, примерно с 1,1 млрд параметров. Исходная чат-модель дообучалась на диалоговых данных UltraChat и выравнивалась методом DPO на UltraFeedback. Основной язык — английский, контекст — до 2048 токенов. Суффикс W8A8-Dynamic-Per-Token означает 8-битное представление весов и активаций; масштабирование активаций выполняется динамически отдельно для каждого токена. Вариант предназначен прежде всего для более экономичного и потенциально более быстрого инференса, включая тестирование интеграции с compressed-tensors и совместимыми средствами запуска. Сжатие уменьшает требования к памяти и размеру модели, но может снижать точность по сравнению с исходной версией; отдельные бенчмарки именно этого варианта в найденных источниках не указаны. Модель текстовая и не предназначена для обработки изображений или аудио. Для исходной TinyLlama указана лицензия Apache 2.0, однако отдельная карточка точного тестового варианта недоступна, поэтому условия лицензирования именно опубликованного артефакта следует проверять в его репозитории.

Vectorite-Pro-4B — дообученная Sup2Doggie языковая модель семейства Qwen3 для генерации текста и диалогового общения. В основе лежит unsloth/qwen3-4b-unsloth-bnb-4bit; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 3,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель подходит для генерации ответов в чате и задач, сводящихся к продолжению или созданию текста. Метаданные отмечают интерфейс вызова инструментов, но README не описывает специальные навыки или результаты оценки качества. Модель распространяется по лицензии Apache-2.0.

Venomia-1.1-m7-Mistral-7B-Instruct-v0.1 — чат-модель MaziyarPanahi, созданная слиянием Mistral-7B-Instruct-v0.1 и Sao10K/Venomia-1.1-m7 методом SLERP. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и предназначена для генерации текста в ответ на инструкции и диалоговые запросы; поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. В метаданных указан английский язык. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0. Карточка не описывает отдельные специализированные области применения или ограничения качества.

Vicuna-13B-V1.1 — авторегрессионная языковая модель-чатбот на архитектуре Transformer семейства LLaMA, разработанная командой Vicuna при участии специалистов из UC Berkeley, CMU, Stanford и UC San Diego. Модель содержит 12,9 млрд параметров и была получена в апреле 2023 года объединением весов LLaMA-13B с delta-весами Vicuna v1.1, обученными на пользовательских диалогах из ShareGPT. Модель предназначена для генерации текста в диалогах и исследований чатботов и больших языковых моделей. В версии v1.1 изменены токенизация и разделитель конца ответа, а также исправлен расчёт функции потерь при дообучении. Контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache License 2.0. Карточка ориентирует модель на исследователей и энтузиастов NLP, машинного обучения и ИИ. Результаты могут быть ненадёжными, а качество зависит от запроса и сценария; сведения о поддерживаемых языках и подробной оценке качества в карточке не приведены.

Vicuna-7B-v1.5-16k — авторегрессионная языковая модель на архитектуре Transformer семейства Llama, разработанная LMSYS. Она дообучена на Llama 2 на пользовательских диалогах из ShareGPT и предназначена для чат-ботов и исследований в области больших языковых моделей. Число параметров — 6,6 млрд; в репозитории указаны веса PyTorch. Метаданные Hugging Face сообщают контекст 4096 токенов, поэтому название версии «16k» само по себе не подтверждает контекст на 16 тысяч токенов. Модель принимает текст и генерирует текст, подходит для диалоговых ответов и экспериментов с языковыми моделями. В README указана оценка по стандартным бенчмаркам, предпочтениям людей и оценке другой языковой моделью, но численные результаты здесь не приведены. Лицензия — Llama 2 Community License Agreement; перед использованием следует учитывать её условия.

Katayoon/VPO-Zephyr-7B-iter-2 — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров. Разработчик дообучил её на обновлённом и исходном наборах данных, продолжив версию Katayoon/VPO-Zephyr-7B-iter-1. Модель предназначена для генерации текста в формате диалога; заявленная длина контекста — 32 768 токенов. Модель принимает текст и генерирует текст. Карточка не описывает языки, качество на конкретных задачах или результаты оценки, поэтому её сильные стороны и ограничения в этих аспектах определить нельзя. Распространяется по лицензии MIT.

Aaron Di/Yamshadowexperiment28M70.49-0.87-0.92-0.72-0.23-0.18-7B — объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров. В метаданных указаны две базовые модели: AurelPx/Percival_01-7b-slerp и liminerity/M7-7b; веса представлены в формате Safetensors. Модель предназначена для генерации текста и диалогов. В README показан пример использования через Transformers с шаблоном чата и генерацией продолжения; заявленная длина контекста — 32 768 токенов. Лицензия — Apache-2.0. README содержит демонстрационный код, но не приводит результаты оценки качества или сведения о языках.

Yamshadowexperiment28M70.52-0.68-0.85-0.75-0.05-0.09-7B — объединённая текстовая модель на архитектуре Mistral, созданная автором репозитория aaron-di на основе AurelPx/Percival_01-7b-slerp и liminerity/M7-7b. Она предназначена для генерации текста и диалогов; в README показан запуск через Transformers с шаблоном чата. Модель содержит 7,1 млрд параметров, имеет контекст до 32 768 токенов и распространяется в формате safetensors. Указана лицензия Apache-2.0. README не описывает специализацию, языковое покрытие или результаты оценки качества.

Yamshadowexperiment28M70.64-0.81-0.33-0.12-0.46-0.05-7B — объединённая текстовая модель семейства Mistral от автора aaron-di, предназначенная для генерации текста и диалогов. В метаданных указаны 7,1 млрд параметров, архитектура MistralForCausalLM, контекст до 32 768 токенов и формат весов safetensors. README показывает запуск через Transformers с применением chat template и генерацией продолжения ответа на пользовательский запрос. Модель можно использовать для диалога и создания текстовых ответов; сведений о целевой предметной области или языковой специализации в карточке нет. Лицензия — Apache 2.0.