II.2Создание и понимание программного кода

balazsgamer918/qwen2.5-14b-balazs-assistant-full — дообученная плотная языковая модель семейства Qwen2.5, разработанная balazsgamer918 на базе unsloth/Qwen2.5-14B-Instruct-bnb-4bit с использованием Unsloth и библиотеки TRL. Модель содержит 14 млрд параметров, работает в режиме генерации текста и рассчитана на диалоговое взаимодействие; заявленный контекст — до 32 768 токенов. Модель можно применять для ведения диалога, генерации ответов и использования интерфейса вызова инструментов. В карточке не описаны конкретная специализация дообучения, результаты оценки качества или ограничения по сценариям. Репозиторий распространяется по лицензии Apache-2.0.

bunnycore/Qwen-2.5-3b-RP — чат-модель на архитектуре Qwen2, созданная автором репозитория слиянием весов через mergekit методом DARE TIES. В слияние вошли Replete-AI/Replete-LLM-V2.5-Qwen-3b, unsloth/Qwen2.5-3B-Instruct и bunnycore/qwen-2.5-3b-lora_model; в README базовой моделью назван Replete-AI/Replete-LLM-V2.5-Qwen-3b. Модель содержит 3,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста и ответов на запросы; метаданные также указывают интерфейс вызова инструментов. Карточка не описывает отдельную специализацию, языковое покрытие или оценку качества. Лицензия в предоставленных данных не указана.

Это дообученная hungpill модель Qwen3-0.6B-JSON-SFT-GRPO на архитектуре Qwen3 с плотной авторегрессионной языковой моделью Qwen3ForCausalLM. Она предназначена для генерации текста в диалоговом режиме и может применяться для задач, где нужен текстовый ответ в формате JSON. Параметры модели — около 507,9 млн, контекст — до 40 960 токенов. Обучение выполнялось с Unsloth и библиотекой Hugging Face TRL. Модель принимает текст и генерирует текст; в метаданных также заявлен интерфейс вызова инструментов. Карточка указывает на дообучение модели NotoriousH2/Qwen3-0.6B-JSON-SFT. Поддержка английского отмечена в метаданных, но подробностей о дополнительных языках и качестве на них карточка не приводит. Лицензия — Apache-2.0.

Qwen3.6-35B-A3B · Winnow keep-50 — это производная модель семейства Qwen, созданная методом структурного прореживания routed-экспертов. Разработчик уменьшил промежуточную ширину каналов SwiGLU-экспертов на 50% по оценкам важности, сохранив без изменений механизм внимания, эмбеддинги и маршрутизатор. В README указано 18,5 млрд параметров, тогда как метаданные каталога сообщают 2,9 млрд; эти сведения расходятся. Архитектура — MoE для причинной генерации текста, модель поддерживает диалоговый сценарий и принимает до 262 144 токенов контекста. Модель предназначена для генерации текста и диалогов. На тесте C4 для этого чекпойнта указана perplexity 14,69 на 32 последовательностях длиной 2048 токенов; README отсылает к отдельной работе за сравнением с REAP и результатами downstream-тестов. Для запуска требуется Transformers версии 5 или новее и trust_remote_code=True; README описывает обслуживание через vLLM с плагином winnow и поддержку запуска на двух GPU по 24 ГБ. Лицензия — Apache-2.0.

Shiftedx/qwen3.8-27b-aeon-ultimate-uncensored-mxfp8-vision-mtplx — экспериментальная независимая конверсия модели AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-BF16 в формат MLX, созданная сообществом, а не официальными разработчиками AEON-7 или Qwen. Модель предназначена для генерации текста и задач image-to-text, включая описание изображений, и ориентирована на запуск в экосистеме MLX и mlx-vlm. Для использования требуется локальный инференс; README также указывает поддержку speculative decoding через MTPLX и multi-token prediction. Модель имеет плотную архитектуру семейства Qwen3.5 с гибридным attention/GDN, 64 языковых слоя и заявленный контекст до 262 144 токенов. Языковые веса квантизированы в MXFP8 с 8-битными группами размера 32, а 333 исходных BF16-тензора визуальной части сохранены; размер индексированного артефакта составляет 27,50 ГиБ. В пакет включены 15 BF16-тензоров MTP, а локально выбранная глубина D3 показала 24,36 токена в секунду и ускорение 1,540 раза относительно авторегрессионного декодирования, однако фактическая производительность зависит от оборудования, запроса, контекста и версии MTPLX. К сильным сторонам относятся поддержка изображений, большой заявленный контекст, снижение требований к памяти благодаря MXFP8 и возможность ускоренного декодирования. Ограничения включают экспериментальный статус, необходимость локальной проверки загрузки и производительности, а также отсутствие исчерпывающей квалификации работы на полном контексте. Модель является abliterated и намеренно не обладает стандартным выравниванием безопасности; разработчики предупреждают о возможной генерации небезопасных или незаконных материалов, поэтому необходимы контроль доступа, журналирование, модерация и проверка человеком. Лицензия указана как Apache-2.0; при этом ответственность за соблюдение законодательства и безопасность применения возлагается на операторов модели.

Qwen3.8-27B-Uncensored MLX BF16 — конверсия сообщества для компьютеров Apple с Apple silicon, основанная на модели orcarouter/Qwen3.8-27B-Uncensored. Это плотная мультимодальная модель семейства Qwen3.5/Qwen3.8 с 27 млрд параметров: она принимает текст и изображения, поддерживает диалоги, рассуждения и анализ визуального содержимого. Настроенное окно контекста — 262 144 токена, но доступная длина зависит от памяти, настроек KV-кэша и типа входа. Модель предназначена для генерации текста и ответов на вопросы по изображениям; включён отдельный MTP-драфтер для ускорения спекулятивного декодирования. По карточке, исходная модель снижает склонность к отказам, а эта публикация переносит её веса в формат MLX BF16 без квантизации и дополнительного дообучения. Для запуска требуются Mac с Apple silicon, совместимая версия mlx-vlm и около 55 ГБ памяти только для весов, плюс память для вычислений и KV-кэша. Карточка приводит локальные проверки генерации, анализа изображений и MTP, а также результаты отдельных бенчмарков; они не гарантируют качество на других задачах и устройствах. В частности, указаны ограничения на длинных документах, а режим JSON не всегда соблюдал запрошенную схему. Модель не является официальным релизом Qwen или OrcaRouter. Лицензия — Apache-2.0.

Карточка модели etiennebamas/qwen3-lr-1-e-5-neat на Hugging Face совпадает с карточкой etiennebamas/qwen3-step32k-1e5, поэтому описание составлено по ней. Qwen3-step32k-1e5 — диалоговая модель генерации текста на базе Qwen3 с 7,6 млрд параметров, дообученная Etienne Bamas на датасете SFT от formalmathatepfl/qwen3-cpt. Она предназначена для текстовых запросов и диалоговых сценариев; использует плотную архитектуру Qwen3 и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors и рассчитана на работу через Transformers. Карточка не описывает конкретные специализации, результаты оценки или известные ограничения качества. Лицензия указана как other, поэтому условия использования следует сверять с лицензией в репозитории модели и базовой модели.

Модель valixonov04/qwen-7b-kiberagent-full разработана valixonov04 и представляет собой дообученную версию valixonov04/qwen-7b-kiberbase на архитектуре Qwen2 с 7,1 млрд параметров. Это плотная авторегрессионная языковая модель для генерации текста и диалогового общения; при обучении использовались Unsloth и Hugging Face TRL. Модель подходит для генерации ответов и ведения текстового диалога. Поддерживает контекст до 131 072 токенов; в карточке указан английский язык. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Qwopus-GLM-18B-Healed-i1-GGUF — это квантизированная GGUF-версия модели Qwopus-GLM-18B-Healed, разработанной Jackrong и подготовленной квантизатором mradermacher. Модель относится к типу qwen3_5, имеет около 18 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. В метаданных также заявлена поддержка сценариев рассуждения, работы с агентами и инструментами, однако подробные результаты тестирования не приведены. Модель поддерживает английский, китайский, корейский, японский, французский, немецкий и испанский языки. README указывает, что это vision-модель, поэтому она может использовать визуальные входы при наличии соответствующего multimodal-проектора, но сведения о поддерживаемых форматах изображений и конкретных возможностях анализа изображений отсутствуют. Длина контекста также не указана. Репозиторий содержит варианты квантизации от экстремально компактных IQ1 до Q6_K размером примерно от 4,5 до 13,1 ГБ. Это позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством; для общего использования автор рекомендует i1-Q4_K_M, а i1-Q4_K_S отмечает как удачный баланс размера, скорости и качества. Сильными сторонами являются многоязычность, поддержка текстовых и, вероятно, визуальных сценариев, а также возможность локального запуска через формат GGUF. Ограничениями выступают потери качества у низкобитных вариантов, отсутствие заявленной длины контекста и бенчмарков, а также необходимость совместимого ПО и multimodal-компонентов для работы с изображениями. Лицензия — Apache-2.0.

MaziyarPanahi/rfp_instruct_model-Mistral-7B-Instruct-v0.2-slerp — объединённая диалоговая модель на архитектуре Mistral, созданная методом SLERP из mistralai/Mistral-7B-Instruct-v0.2 и arjunssat/rfp_instruct_model. Модель содержит 7,1 млрд параметров, принимает текстовые инструкции и генерирует ответы; поддерживает контекст до 32 768 токенов. Модель предназначена для диалогов и выполнения инструкций в текстовом формате. Карточка описывает способ объединения весов, но не приводит оценок качества или специализированных сценариев применения. Распространяется по лицензии Apache-2.0.

Seraph-7B — языковая модель с 7,1 млрд параметров на базе архитектуры Mistral, опубликованная Weyaxi. Автор объединил модели с помощью mergekit; репозиторий содержит веса в формате safetensors и поддерживает генерацию текста с контекстом до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате. В README приведены шаблоны Alpaca и ChatML, причём автор рекомендует ChatML. Указаны результаты оценки на Open LLM Leaderboard, включая средний балл 71,86, ARC и HellaSwag. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и некоммерческого применения. README не уточняет состав объединённых моделей, языковую специализацию и известные ограничения качества; приведённые оценки не описывают все возможные сценарии использования.

SLIM-EXTRACT-PHI-3 — специализированная модель llmware для извлечения сведений из текста по заданному пользователем ключу. Она принимает контекстный фрагмент и название поля, а затем генерирует словарь Python, где этому ключу соответствует список найденных в тексте элементов. Модель построена на архитектуре Phi-3, имеет 3,7 млрд параметров и контекст длиной 4096 токенов; в метаданных указана поддержка чата и библиотека Transformers. Модель предназначена для извлечения сущностей и других значений из текстов по настраиваемому запросу, например названий компаний или университетов. Результат генерируется как текст, поэтому его можно преобразовать в словарь Python, проверив корректность разбора. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. В карточке не заявлены поддерживаемые языки или специализированная предметная область.

Bielik-11B-v3.0-Instruct-GGUF — квантизированная версия инструкционной языковой модели Bielik-11B-v3.0-Instruct, разработанной командой speakleash. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая локальный запуск через llama.cpp, LM Studio, KoboldCpp, Jan AI и другие совместимые инструменты. Модель содержит 11 миллиардов параметров и распространяется в формате GGUF с вариантами от BF16 до Q3 и IQ-квантизаций. Доступны файлы разного размера — примерно от 5 до 22 ГБ, что позволяет выбирать баланс между качеством, потреблением памяти и скоростью работы. Конкретные архитектура, поддерживаемые языки, размер контекстного окна и формат prompt не указаны в представленном README; для их уточнения требуется документация исходной модели. Сильной стороной является широкий выбор уровней квантизации: варианты Q5 и Q6 заявлены как высококачественные, а Q4 подходят для большинства сценариев и более ограниченных по памяти систем. Более компактные варианты позволяют запускать модель при меньшем объёме RAM, но могут снижать качество генерации. Лицензия в README не указана и должна быть проверена на странице исходной модели speakleash/Bielik-11B-v3.0-Instruct.

Strangemerges_32Neuralsirkrishna-7B — объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров. Её создал Maxime Labonne автоматическим слиянием моделей; в конфигурации указаны StrangeMerges_32-7B-slerp и Kukedlc/NeuralSirKrishna-7b с методом dare_ties. Репозиторий содержит веса в формате safetensors. Модель предназначена для генерации текста и диалогов. Она принимает текст и поддерживает контекст до 32 768 токенов. Указанная лицензия — Apache-2.0. Карточка не описывает целевые языки, специализированные области или результаты оценки качества.

Swallow 13B Instruct — языковая модель, разработанная tokyotech-llm и представленная в данном репозитории в формате GGUF с квантизацией TheBloke. Это инструкционная версия модели Swallow 13B, предназначенная для генерации текста и выполнения задач по текстовым инструкциям, включая диалоговые и прикладные сценарии локального запуска. Модель основана на архитектуре Llama, содержит около 13 млрд параметров и поддерживает английский и японский языки. В README не указаны модальности, размер контекста и результаты оценивания. Формат GGUFv2 ориентирован на инференс через llama.cpp и совместимые интерфейсы, включая text-generation-webui, KoboldCpp, GPT4All, LM Studio и llama-cpp-python; доступны варианты квантизации от 2 до 8 бит для CPU- и GPU-инференса. К сильным сторонам относятся инструкционная настройка, поддержка японского и английского языков и возможность локального запуска с различными уровнями квантизации. К ограничениям относятся возможная потеря качества при сильной квантизации, а также отсутствие в README подробных данных о качестве, безопасности, оптимальном оборудовании и максимальной длине контекста. Указана лицензия Llama 2.

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

YamshadowStrangemerges_32_Multi_verse_modelM7 — объединённая модель для генерации текста, построенная на архитектуре Mistral и содержащая 7,1 млрд параметров. Она принимает текстовые запросы и может использоваться для генерации продолжений и диалоговых ответов с контекстом до 32 768 токенов. Модель создана объединением automerger/YamshadowStrangemerges_32-7B и automerger/Multi_verse_modelM7-7B. В репозитории представлены веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Данных о специализации по языкам или предметным областям в карточке нет.

YamshadowStrangemerges_32_NeuralsirkrishnaM7 — объединённая модель семейства Mistral, созданная на основе automerger/YamshadowStrangemerges_32-7B и automerger/NeuralsirkrishnaM7-7B. Она содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате safetensors. Модель предназначена для генерации текста и диалогов. Контекст составляет до 32 768 токенов. В карточке не описаны специальные предметные области или поддерживаемые языки. Модель опубликована под лицензией Apache-2.0.

YamStrangemerges_32-7B — объединённая языковая модель на архитектуре Mistral, созданная с помощью mergekit методом DARE TIES. В слиянии использованы mayacinka/yam-jom-7B-slerp в качестве базовой модели и Gille/StrangeMerges_32-7B-slerp. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста с контекстом до 32 768 токенов. Модель подходит для генерации и продолжения текста в приложениях на базе Transformers, включая сценарии, где требуется передавать длинный контекст. Карточка не описывает специализированные предметные области или отдельные языковые возможности, поэтому применение следует оценивать на собственных примерах. Файлы представлены в формате safetensors; лицензия в предоставленных данных не указана.

zen-pro-i1-GGUF — это набор квантизированных файлов в формате GGUF для базовой текстовой модели zenlm/zen-pro. Модель разработана zenlm, а квантизация выполнена mradermacher с использованием weighted/imatrix-подхода. В метаданных указаны библиотека Transformers, назначение text-generation и специализация на reasoning-задачах. Модель предназначена для генерации текста и сценариев, требующих рассуждений. Указан английский язык. Репозиторий содержит варианты квантизации от i1-IQ1_S до i1-Q6_K размером примерно от 2,2 до 6,8 ГБ, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. Для большинства применений рекомендован вариант i1-Q4_K_M как быстрый, а i1-Q4_K_S отмечен как оптимальный по соотношению размера, скорости и качества; варианты с низкой битностью могут заметно уступать по качеству. В README не указаны архитектура, точное число параметров, максимальная длина контекста, поддерживаемые модальности или результаты бенчмарков. Файлы рассчитаны на использование с инструментами, поддерживающими формат GGUF; конкретные требования к оборудованию зависят от выбранного варианта квантизации. Лицензия модели — Apache-2.0.

Карточка модели punitkandoi/zerank-1-small-reranker на Hugging Face совпадает с карточкой zeroentropy/zerank-1-small-reranker, поэтому описание составлено по ней. zerank-1-small — компактная модель-реранкер компании zeroentropy на 1,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B. Она оценивает релевантность пар «запрос — документ» и сортирует найденные документы, чтобы повысить точность поисковой или RAG-системы. Модель использует плотную архитектуру Qwen3 и библиотеку sentence-transformers; по метаданным поддерживает контекст до 40 960 токенов. Модель предназначена для повторного ранжирования результатов поиска, в том числе в задачах по коду, финансам и диалоговым запросам. В README разработчик сообщает, что она близка по качеству к более крупной zerank-1 и превосходит ряд популярных реранкеров на приведённых оценках NDCG@10. Репозиторий распространяется по лицензии Apache 2.0. Это англоязычная модель общего назначения с прикладными оценками для кода и финансовых запросов. Поскольку она основана на Qwen3-4B и метаданные также указывают на поддержку генерации текста, её архитектурные возможности могут выходить за рамки ранжирования; основное назначение модели — оценка релевантности и сортировка кандидатов.

zerank-1-small — компактная модель-реранкер компании zeroentropy на 1,7 млрд параметров, дообученная на базе Qwen/Qwen3-4B. Она оценивает релевантность пар «запрос — документ» и сортирует найденные документы, чтобы повысить точность поисковой или RAG-системы. Модель использует плотную архитектуру Qwen3 и библиотеку sentence-transformers; по метаданным поддерживает контекст до 40 960 токенов. Модель предназначена для повторного ранжирования результатов поиска, в том числе в задачах по коду, финансам и диалоговым запросам. В README разработчик сообщает, что она близка по качеству к более крупной zerank-1 и превосходит ряд популярных реранкеров на приведённых оценках NDCG@10. Репозиторий распространяется по лицензии Apache 2.0. Это англоязычная модель общего назначения с прикладными оценками для кода и финансовых запросов. Поскольку она основана на Qwen3-4B и метаданные также указывают на поддержку генерации текста, её архитектурные возможности могут выходить за рамки ранжирования; основное назначение модели — оценка релевантности и сортировка кандидатов.

Модель dice-research/amharic-property-retriever-afro-xlmr-base — Sentence Transformer, дообученный исследовательской группой DICE Research на базе Davlan/afro-xlmr-large-76L для сопоставления амхарских обозначений полей и свойств с соответствующими названиями на английском языке. Она преобразует предложения и короткие фрагменты текста в плотные векторы размерности 1024; близость векторов оценивается косинусным сходством. Модель построена на XLM-RoBERTa и предназначена для семантического поиска и ранжирования соответствий, в том числе для поиска названий свойств в схемах данных. Обучение проводилось на 1 224 парах примеров из набора amharic-property-mapping с функцией потерь MultipleNegativesRankingLoss. В README указана максимальная длина последовательности 64 токена; метаданные каталога приводят контекст 514 токенов. Для практического использования стоит ориентироваться на ограничение 64 токена, описанное в карточке Sentence Transformers. На тестовой выборке из 186 пар приведены метрики поиска, однако они не гарантируют качество на других данных. Модель распространяется по лицензии MIT.

Модель mcikalmerdeka/cikal_merdeka_corp-qwen3-8b-merged — дообученная разговорная языковая модель на архитектуре Qwen3, разработанная mcikalmerdeka на основе unsloth/Qwen3-8B-unsloth-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и диалоговых сценариев; также репозиторий поддерживает интерфейс вызова инструментов. Модель содержит 7,6 млрд параметров и рассчитана на контекст до 40 960 токенов. В карточке указан английский язык. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не описывает специализированную предметную область, конкретные результаты оценки качества или ограничения применения; это дообученная модель общего назначения, и её ответы следует проверять в задачах, где важна точность.

Cypher-Laser-Mixtral-2x1.8B-v0.1 — языковая модель, созданная aloobun путём объединения двух моделей Cypher с применением техники LASER и инструмента LazyMergekit. Это архитектура Mixtral с разреженной смесью экспертов (MoE), предназначенная для генерации текста и диалогового использования. В репозитории указаны 1,7 млрд параметров, контекст до 16 384 токенов и формат safetensors. Модель можно использовать для диалоговых ответов и генерации текста, включая задачи с рассуждениями. В её основе лежат aloobun/Cypher-Mini-Laser-1.8B и aloobun/Cypher-CoT-Laser-1.8B; среди датасетов карточки указаны CoT-Collection и Hercules-v3.0. Модель распространяется по лицензии Apache-2.0. Языки обучения или приоритетные языки карточка не подтверждает.

Dark-Pane-i1-GGUF — набор квантованных файлов модели Dark-Pane, базовая модель которой разработана mars2titan. Квантизацию выполнил mradermacher в формате GGUF с использованием imatrix-квантов. Модель относится к семейству Gemma и помечена как экспериментальный исследовательский проект. Модель предназначена для генерации текста, а также для задач анализа отказов, red teaming, исследований безопасности и alignment. README указывает, что это vision-модель, поэтому для работы с изображениями могут потребоваться дополнительные файлы mmproj из статического репозитория. Заявленный язык — английский. Размер модели и контекстное окно не указаны. Доступны варианты квантизации от крайне компактных IQ1 и IQ2 до IQ6_K; объём файлов составляет примерно от 3,1 до 9,9 ГБ. Компромисс между размером, скоростью и качеством зависит от выбранного варианта: README рекомендует Q4_K_M как быстрый вариант, а Q4_K_S называет оптимальным по размеру, скорости и качеству. Низкобитные варианты могут заметно уступать по качеству, а сама модель имеет экспериментальный статус. Лицензия указана как Gemma.

Isotonic/distilbert_finetuned_ai4privacy_v2 — англоязычная модель Isotonic для обнаружения персональных и чувствительных данных в тексте. Она дообучена на английской части набора ai4privacy/pii-masking-200k и предназначена для разметки фрагментов текста перед удалением или маскированием PII, в том числе в потоках данных для AI-ассистентов и LLM. Модель использует архитектуру DistilBERT для классификации токенов, принимает текст и присваивает его фрагментам метки из 54 классов PII. Контекст составляет 512 токенов. В README указаны метрики на оценочной выборке: F1 0,9549 в целом, при этом результаты заметно различаются между классами; например, F1 для email равен 1,0, а для названия валюты — 0,2281. Модель выпущена по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

dolphin-2.1-mistral-7b-snr-math-laser — разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров, разработанная на основе Mistral AI и обученная командой Dolphin. В карточке описан метод частичной заморозки слоёв по анализу laserRMT, призванный уменьшать забывание ранее усвоенных знаний при обучении новым навыкам. Модель принимает текстовые запросы в формате ChatML и предназначена для диалогов с ассистентом, включая помощь с задачами и вызов функций. Контекст — до 32 768 токенов; в качестве обучающих данных указаны Dolphin и Airoboros 2.2.1, а в метаданных основным языком карточки отмечен английский. Авторы характеризуют модель как uncensored и более склонную выполнять запросы, поэтому для публичного сервиса рекомендуется самостоятельно добавить слой выравнивания поведения. Это повышает риск выдачи небезопасного или нежелательного контента. Модель распространяется под лицензией Apache-2.0, допускающей коммерческое и некоммерческое использование.

Donnager-70B-v1 — плотная языковая модель семейства Llama с примерно 68,7 млрд параметров, опубликованная BeaverAI. Модель предназначена для генерации текста и диалогового использования; карточка перечисляет шаблоны чата Metharme, Text Completion, Mistral, Alpaca и Vicuna. Модель принимает текст и генерирует текст. В метаданных указан контекст длиной 32 764 токена и формат весов safetensors. Автор благодарит @invisietch за базовую модель, однако её идентификатор не приведён. Лицензия обозначена как other, поэтому условия использования следует сверять с лицензией репозитория.

ehristoforu/exp-2-q-r — дообученная модель семейства Qwen2, разработанная ehristoforu на базе ehristoforu/exp-1-q-r. Это плотная языковая модель с 7,1 млрд параметров, предназначенная для генерации текста и диалогов. Модель принимает текст и выдаёт текст; заявленный родной контекст составляет 131 072 токена. В обучении использовались Unsloth и библиотека Hugging Face TRL. Модель подходит для диалогового взаимодействия и других задач генерации текста. В карточке отмечен интерфейс вызова инструментов, однако подробности его поведения не описаны. Поддержка английского указана в метаданных. Модель распространяется по лицензии Apache-2.0.