II.2Создание и понимание программного кода

GPT4 Alpaca LoRA 30B HF — версия модели Chansung GPT4 Alpaca 30B, подготовленная TheBloke с объединёнными весами LoRA и исходной Llama 30B. Это плотная авторегрессионная модель семейства Llama с 32,3 млрд параметров, предназначенная для диалогов и выполнения инструкций на естественном языке. Модель принимает текст и генерирует текст; в карточке указан английский язык, а максимальный контекст составляет 2048 токенов. Модель подходит для чат-ботов, ответов на инструкции и текстовых запросов. README указывает, что для запуска требуется не менее 60 ГБ видеопамяти. Репозиторий содержит веса PyTorch; лицензия обозначена как other, поэтому условия использования следует проверять в исходных лицензиях Llama и обученной модели.

Ignis-7B-DPO-Laser — англоязычная разговорная языковая модель, опубликованная NeuralNovel при участии сообщества ConvexAI. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое применение; длина контекста составляет 32 768 токенов. README указывает, что Ignis-7B-DPO обучена на наборе NeuralNovel/Neural-DPO с использованием GPU A100 80 ГБ. Модель распространяется в формате safetensors по лицензии Apache-2.0. Данных о специальных ограничениях или профиле безопасности карточка не приводит.

Jibay 2 — выпущенная JibayAI компактная плотная языковая модель на базе Qwen3-1.7B, дообученная для генерации текста и диалогов. Она содержит 1,7 млрд параметров, не использует архитектуру MoE и поддерживает контекст до 40 960 токенов по метаданным; README указывает 32 768 токенов на вход и выход суммарно. Модель предназначена для дообучения на предметных данных, запуска на устройствах с ограниченными ресурсами, прототипирования и лёгких агентных сценариев с вызовом инструментов. Карточка приводит результаты общих тестов и рекомендует для практического использования оптимизированный формат GGUF. Заявлены языки фарси, английский, китайский и арабский. Лицензия Apache-2.0 допускает открытое использование и модификацию. Модель компактна и пригодна для настройки под конкретные задачи, однако результаты тестирования опубликованы без подробной методики, а знания ограничены началом 2025 года. README приводит более раннюю дату первого выпуска, чем дата создания репозитория в метаданных.

Модель Jhjhugv/kanana-1.5-8b-instruct-2505-Safe-DPO опубликована разработчиком Jhjhugv и представлена как дообученная разговорная языковая модель семейства Llama. Она предназначена для генерации текста в диалогах; метаданные также отмечают интерфейс вызова инструментов. Модель содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке указано, что модель дообучена на Jhjhugv/kanana-1.5-8b-instruct-2505-Safe-DPO с использованием Unsloth и библиотеки TRL от Hugging Face. Доступны веса в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает конкретные тесты качества или подробные ограничения; метаданные указывают английский язык.

Kimi-Linear-48B-A3B-Instruct-GGUF — экспериментальная GGUF-квантизация модели Kimi-Linear-48B-A3B-Instruct от Moonshot AI, подготовленная пользователем ymcki. Репозиторий предназначен для запуска модели локально через специальную ветку llama.cpp с поддержкой backend-agnostic реализации Kimi-Linear. Модель относится к классу текстовых генеративных instruct-моделей и ориентирована на диалоговые сценарии, выполнение инструкций и другие задачи генерации текста. В метаданных указан английский язык и лицензия MIT. Модель имеет архитектуру Kimi-Linear с разреженными экспертами (MoE); в названии указаны 48B общих параметров и 3B активных параметров, однако другие архитектурные характеристики и точный размер контекста базовой модели в README не приведены. Доступны варианты GGUF с разными типами квантизации, включая Q5_K_M, Q4_K_M, MXFP4_MOE, IQ4_XS, IQ3 и Q2_K, с размерами файлов примерно от 16 до 35 ГБ. Для некоторых конфигураций заявлена работа с контекстом до 400 тыс. токенов при наличии подходящей видеопамяти, но фактические возможности зависят от квантизации и оборудования. Сильными сторонами являются локальный запуск, поддержка MoE и возможность выбирать баланс между качеством, размером файла и объёмом контекста. Варианты с imatrix на основе c4_en_ja_imatrix.txt ориентированы на улучшение работы с японским языком; базовая модель также оценивается для английского языка. Ограничения включают экспериментальный статус, необходимость специальной ветки llama.cpp, высокие требования к памяти и снижение качества у более агрессивных вариантов квантизации. Для запуска требуется самостоятельно собрать совместимую версию llama.cpp; поддержка мультимодальных входов не указана.

kromcomp/L3.1-Phantasmav2-12B — объединённая авторегрессионная языковая модель семейства Llama, созданная методом NuSLERP с помощью mergekit на основе merge/spectre и merge/twilight. Модель предназначена для генерации текста и диалогового общения; число параметров — 11,4 млрд, заявленная длина контекста — 131 072 токена. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. README и метаданные не описывают языковую специализацию или отдельные прикладные области. Условия лицензии в доступных данных не указаны.

QuantFactory/lb-reranker-0.5B-v1.0-GGUF — это квантизированная версия модели LB Reranker v1.0, созданная QuantFactory с использованием llama.cpp на основе Qwen/Qwen2.5-0.5B-Instruct, разработанной командой lightblue. Модель предназначена для оценки связанности поискового запроса с фрагментом текста и последующего ранжирования или переранжирования результатов в системах информационного поиска и retrieval-based приложениях. Также она показала хорошие результаты при ранжировании фрагментов кода. Модель представляет собой компактную causal language model с примерно 0,5 млрд параметров, работающую с текстовыми запросами и контекстами. Она обучена выдавать оценку от 1 до 7, где 1 означает минимальную, а 7 — максимальную связанность; для получения непрерывного рейтинга рекомендуется рассчитывать математическое ожидание по вероятностям этих значений. Обучение проводилось на данных более чем на 95 языках, поэтому модель ориентирована на многоязычные сценарии, включая английский, китайский, русский и многие другие языки. Точный размер контекста в карточке не указан. К сильным сторонам относятся компактный размер, поддержка широкого набора языков, возможность использования распространённых средств инференса и заявленное преимущество по ряду оценочных бенчмарков. Ограничения включают отсутствие подробных сведений о результатах тестирования, точном контекстном окне и характеристиках квантизации; модель выдаёт оценку релевантности, а не готовый ответ на запрос, поэтому её качество зависит от формата входных данных и конкретного домена. Модель распространяется по лицензии Apache-2.0.

LFM2-24B-A2B-MLX-4bit — 4-битная квантованная версия модели LFM2-24B-A2B, разработанной LiquidAI. Квантование выполнено командой LM Studio с использованием mlx_lm, а модель оптимизирована для запуска на устройствах Apple Silicon. Она предназначена для генерации текста и локального использования в приложениях и инструментах, поддерживающих формат MLX. В карточке указано, что модель работает с английским, арабским, китайским, французским, немецким, японским, корейским, испанским и португальским языками. Размер исходной модели обозначен как 24B-A2B, однако подробности архитектуры, фактическое назначение компонентов A2B, максимальная длина контекста и список поддерживаемых модальностей не приведены. Ключевые преимущества — снижение требований к памяти благодаря 4-битной квантованию и оптимизация для экосистемы Apple Silicon. Ограничения включают зависимость от совместимого MLX-окружения и возможное снижение качества по сравнению с полной точностью; конкретные показатели качества в README отсутствуют. Модель распространяется по лицензии lfm1.0.

Mahou-1.5-mistral-nemo-12B-lorablated — объединённая языковая модель на базе Mistral, созданная с помощью mergekit из flammenai/Mahou-1.5-mistral-nemo-12B и nbeerbower/Mistral-Nemo-12B-abliterated-LORA. Модель содержит 12,1 млрд параметров и использует архитектуру MistralForCausalLM; веса опубликованы в формате safetensors и представлены в библиотеке Transformers. Модель предназначена для генерации текста, диалогов и ролевого общения. В метаданных заявлено контекстное окно до 1 024 000 токенов. Слияние выполнено методом task arithmetic с типом данных bfloat16. Модель распространяется по лицензии Apache-2.0. Карточка приводит результаты оценки на IFEval и BBH, но не описывает подробно условия тестирования или ограничения качества.

Manticore-13b-Landmark — объединённая модель на архитектуре LLaMA, представленная Honkware. Она сочетает Manticore-13B и Manticore-13B-Landmark-QLoRA и предназначена для генерации текста с применением Landmark Attention. В README заявлен увеличенный размер контекста около 18 тысяч токенов; метаданные указывают 12,9 млрд параметров и нативный контекст 2048 токенов. Модель подходит для продолжения текста и диалоговых сценариев, где полезно учитывать длинный контекст. Репозиторий содержит веса PyTorch; лицензия обозначена как «other», поэтому условия использования следует сверить с лицензией и файлами репозитория перед применением. README также содержит настройки запуска через Oobabooga, включая включение доверенного удалённого кода.

Карточка модели mahiatlinux/MasherAI-7B-v6.1-another_test3 на Hugging Face совпадает с карточкой mahiatlinux/MasherAI-7B-v6.1-final, поэтому описание составлено по ней. MasherAI-7B-v6.1-final — дообученная разработчиком mahiatlinux языковая модель семейства Mistral с плотной архитектурой для генерации текста и диалогового взаимодействия. Она основана на mahiatlinux/MasherAI-v6.1-7B-checkpoint3-code4 и обучалась с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. В карточке указан английский язык. Репозиторий распространяется в формате PyTorch по лицензии Apache-2.0.

MiniMax M2.7 JANGTQ_K + CRACK — модифицированная версия MiniMaxAI/MiniMax-M2.7, созданная Jinho Jang. Это причинная языковая модель семейства MiniMax M2 в архитектуре MoE для генерации текста, диалога, рассуждений и вызова инструментов. В README указано 230 млрд параметров, около 10 млрд активных на токен и 256 экспертов; в метаданных репозитория указан размер 2,9 млрд параметров. Эти сведения расходятся, поэтому фактический размер модели по доступным данным определить нельзя. Указанное окно контекста — 196 608 токенов. Веса подвергнуты смешанной квантизации JANGTQ_K: слои down_proj хранятся в 4-битном формате, gate_proj и up_proj — в 2-битном, а attention, общие эксперты, embeddings и lm_head — в 8-битном. README сообщает, что размер файла составляет 74 ГБ и что формат поддерживается MLX Studio и пакетом jang-tools; метаданные указывают библиотеку MLX и формат safetensors. Модель также подвергнута CRACK-abliteration: автор заявляет, что вмешательство снимает защитное выравнивание и направлено на сохранение возможностей рассуждения. Модель предназначена для генерации ответов и рассуждений, но её поведение может быть менее безопасным и отказоустойчивым. README описывает её как reasoning-only и предупреждает о возможных циклах при жадной генерации. В языковых тегах указаны английский, китайский и корейский. README заявляет о постоянной цепочке рассуждений перед итоговым ответом и рекомендует длинный лимит генерации для сложных запросов. Лицензия в метаданных обозначена как other; README содержит оговорку о предоставлении модели для исследовательских и образовательных целей, но точные условия лицензии не раскрыты.

zelk12/MT4-Gen2-gemma-2-9B — объединённая разговорная языковая модель семейства Gemma 2, опубликованная в формате safetensors для использования с Transformers. Это плотная авторегрессионная модель на 9 млрд параметров; она создана слиянием SLERP двух предварительно обученных моделей: zelk12/MT4-Gen2-IMM-gemma-2-9B и zelk12/MT4-Gen2-GBMAMU-gemma-2-9B. В конфигурации слияния указаны bfloat16 и параметр t=0.25. Модель предназначена для генерации текста и диалоговых сценариев: она может отвечать на запросы и продолжать текст. Контекстное окно составляет 8192 токена. Карточка приводит результаты оценки на Open LLM Leaderboard, в том числе IFEval и BBH, но не описывает целевые области применения или языковую специализацию. Лицензия в предоставленных данных не указана.

RadixArk/Muse-Glimmer-q4-MLX — это квантованный MLX-чекпойнт модели Muse Glimmer, преобразованный из BF16-экспорта поставщика. Модель предназначена для запуска на компьютерах Apple Silicon через MLX-бэкенд SGLang и ориентирована на генерацию текста. Визуальный модуль отсутствует, поэтому модель поддерживает только текстовые сценарии. Модель имеет плотную архитектуру размером 28B параметров и 52 слоя: 13 слоёв с полным вниманием без позиционных смещений и 39 слоёв со скользящим окном внимания размером 2048 токенов. Максимальный контекст составляет 131 072 токена. Используется 4-битное аффинное квантование MLX с размером группы 64; веса распределены по трём safetensors-фрагментам общим объёмом около 15 ГБ. В README не указаны языки, на которых модель обучалась. Вариант позиционируется как самый компактный и быстрый среди MLX-вариантов Muse Glimmer. На M5 Pro с 64 ГБ объединённой памяти он показал 0,975 на GSM8K и скорость декодирования до 56,9 токена в секунду при пакетном размере 8. Ограничениями являются поддержка только Apple Silicon, необходимость примерно 48 ГБ объединённой памяти или более, а также ненулевая доля нарушений в тесте CIMemories: 11,28%. По сравнению с калиброванными вариантами этот чекпойнт обеспечивает более высокое покрытие, но менее строгий профиль конфиденциальности. Лицензия в README не указана.

NeuralsirkrishnaShadow_MeliodasT3q — объединённая модель, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/MeliodasT3q-7B. Это плотная Mistral-архитектура с 7,1 млрд параметров для генерации текста; она также подходит для диалогов и поддерживает контекст до 32 768 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые естественные языки или специализированные предметные области.

FuseAI/OpenChat-3.5-7B-Starling-v2.0 — диалоговая языковая модель, выпущенная исследовательской группой Sun Yat-sen University в рамках проекта FuseChat. Это целевая модель, полученная лёгким дообучением для попарного слияния знаний OpenChat-3.5-7B и Starling-LM-7B-alpha; архитектура — плотная Mistral с 7,1 млрд параметров. В README она описана как компонент для объединения с другими целевыми моделями FuseChat в единую чат-модель. Модель предназначена для ответов на вопросы, выполнения текстовых инструкций и диалогового общения. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 8192 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README приводит результаты MT-Bench для итоговой FuseChat-7B-v2.0, но не отдельную оценку этого целевого чекпойнта, поэтому эти показатели нельзя напрямую переносить на данную модель. Качество ответов может зависеть от шаблона диалога и сценария применения.

DuoNeural OpenYourMind-Gemma4-12B-IT-Abliterated-GGUF — набор GGUF-квантизаций модели OpenYourMind/gemma-4-12B-it-abliterated-uncensored, разработанной OpenYourMind на основе Google Gemma 4 12B IT. DuoNeural отвечает за конвейер квантизации, а OpenYourMind — за метод abliteration и создание исходной uncensored-версии. Модель предназначена для генерации текста и диалоговых сценариев, включая задачи рассуждения, а также мультимодального анализа изображений и аудио в исходной архитектуре. Это плотная decoder-only модель с унифицированным encoder-free стеком для текста, изображений и аудио. Она содержит около 11,95 млрд параметров, 48 слоёв, скрытый размер 3840, словарь из 262 144 токенов и поддерживает контекст до 256K токенов. Используются 16 attention heads, 8 KV heads, гибридное внимание с локальным окном 1024 и глобальным вниманием, а также p-RoPE. В README явно указан английский язык. Ключевые особенности — сохранение мультимодальности и режима рассуждений исходной Gemma 4, совместимость по форме с google/gemma-4-12B-it и наличие квантизаций Q3_K_L, Q4_K_M, Q5_K_M и Q8_0 для запуска на видеокартах с примерно 8–16+ ГБ VRAM. Вариант Q4_K_M заявлен как оптимальный баланс размера и качества. Ограничения включают зависимость качества и требований к памяти от выбранного уровня квантизации, необходимость актуальной поддержки Gemma 4 в используемом ПО, а для полной мультимодальности — применение исходных BF16-весов; для них требуется около 24 ГБ памяти GPU при умеренном контексте. Abliterated uncensored-поведение означает отсутствие стандартных отказов по заявленным направлениям, но README не содержит независимой оценки качества или безопасности. Лицензия указана как gemma. Отдельные условия лицензии GGUF-квантизаций в README не раскрыты.

Ornith-1.5-35B-A3B-GGUF — это набор GGUF-квантизованных производных модели Ornith-1.5-35B-A3B, разработанной ornith-ai. Конвертацию в GGUF, квантизацию и публикацию выполнил NANI-Nithin с использованием upstream llama.cpp. Модель предназначена для генерации текста и локального инференса в llama.cpp и совместимых приложениях, включая LM Studio, KoboldCpp, Open WebUI, Jan и Text Generation WebUI с бэкендом llama.cpp. Базовая модель представляет собой vision-language модель архитектуры Qwen3.5-MoE с 40 трансформерными слоями, гибридным вниманием на основе Gated DeltaNet linear attention и full attention, 256 маршрутизируемыми экспертами, из которых 8 активируются для каждого токена, одним MTP-слоем и позиционным кодированием MRoPE. Однако опубликованные GGUF-файлы являются текстовыми: vision tower исходной VLM-модели пропущена при конвертации, поэтому обработка изображений в них не поддерживается. Указан язык English; контекст в README не указан. Репозиторий предлагает квантизации от Q2_K до Q8_0, а также IQ-варианты. Q4_K_M рекомендована как наиболее сбалансированный вариант, Q8_0 обеспечивает максимальное качество, а Q2_K предназначена для систем с жёсткими ограничениями по памяти, но может заметно уступать в качестве. Для IQ-квантизаций использовалась importance matrix, построенная на калибровочных данных WikiText-2; для запуска требуется свежая версия llama.cpp или совместимого рантайма с поддержкой архитектуры Qwen3.5-MoE. Модель распространяется по лицензии Apache-2.0.

Prima-LelantaclesV7-experimental-7b — объединённая языковая модель семейства Mistral, опубликованная ChaoticNeutrals. Она создана методом SLERP из моделей Nitral-AI/Prima-LelantaclesV6.69-7b и Nitral-AI/Prima-LelantaclesV6.31-7b. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и предназначена для генерации текста; её контекстное окно составляет 32 768 токенов. Модель может применяться для создания и продолжения текста, а также для задач рассуждения на основе текстового запроса. В README приведены результаты оценивания на отдельных тестах Open LLM Leaderboard. Доступны веса в формате safetensors. Репозиторий указывает лицензию «other», поэтому условия использования следует уточнять по карточке модели и её лицензии.

QandoraExp-7B-Persona — объединённая плотная языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом passthrough из bunnycore/QandoraExp-7B и bunnycore/Qwen-2.1-7b-Persona-lora_model. Модель содержит 7,1 млрд параметров, распространяется в формате safetensors и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговой генерации текста и сценариев с вызовом инструментов. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH; эти оценки дают ориентир по отдельным тестам, но не гарантируют качество в конкретном приложении. Языки и специализированные предметные области в доступных данных не обозначены. Лицензия в предоставленных сведениях не указана.

bunnycore/Qwen2-7B-TitanFusion — разговорная языковая модель на архитектуре Qwen2, созданная сообществом Bunnycore путём слияния нескольких моделей с помощью mergekit и метода DARE TIES. В качестве базовой использована natong19/Qwen2-7B-Instruct-abliterated; в слияние также вошли Samantha-Qwen-2-7B, Dolphin 2.9.2 Qwen2 7B, Arcee Spark и Orca Mini v7 7B. Модель содержит 7,1 млрд параметров, работает с текстом и предназначена для диалогов и генерации текста, включая ответы на вопросы. Максимальная длина контекста составляет 32 768 токенов. В карточке не заявлена специализация на конкретных языках или предметных областях. Файлы доступны в формате safetensors для Transformers; лицензия в предоставленных данных не указана.

pioneeeeeeer/Qwen3-0.6B-JSON-SFT — компактная модель генерации текста из семейства Qwen3, опубликованная пользователем pioneeeeeeer на Hugging Face. Модель содержит около 507,9 млн параметров, работает через библиотеку Transformers и имеет нативное контекстное окно до 40 960 токенов. В метаданных также указаны supervised fine-tuning и conversational-сценарии. Модель предназначена для генерации текста и может использоваться в диалоговых приложениях, прототипах ассистентов, структурированном выводе и задачах, где важны небольшой размер и поддержка длинного контекста. README не содержит сведений о разработчике, языках, лицензии, составе обучающих данных, результатах оценки или специальных ограничениях, поэтому качество на конкретных языках и надёжность JSON-вывода требуют самостоятельной проверки.

Карточка модели localized-ft/Qwen3-32B-target-only-no-hallucination-kld-20260920-seed1 на Hugging Face совпадает с карточкой localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1, поэтому описание составлено по ней. Модель localized-ft/Qwen3-32B-good-vs-bad-mixed-multifact-ip-20260920-seed1 разработана localized-ft как дообученная версия Qwen/Qwen3-32B. Это плотная причинная языковая модель семейства Qwen3 с 29,7 млрд параметров, предназначенная для диалога и генерации текста; каталог также отмечает интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 40 960 токенов; в метаданных указан английский язык. Карточка не раскрывает состав обучающих данных и конкретную специализацию, поэтому название репозитория само по себе не позволяет надёжно установить назначение оценки «хорошего» и «плохого» или многозадачного обучения. Лицензия — Apache-2.0.

Youssofal подготовил BF16-версию Qwen3.6-35B-A3B, обработанную методом abliteration с использованием Heretic. Это мультимодальная модель с архитектурой Qwen MoE и интерфейсом диалога; вмешательство применено к текстовой части MoE, при этом сохранена обёртка для обработки изображений. Модель предназначена для генерации текста и диалогов, а также может принимать изображения благодаря сохранённой vision-language обёртке. В тесте отказов на 25 запросах модель отказала в 1 случае; в исходной модели таких отказов было 22. Это показывает снижение склонности к отказам, но не гарантирует качество или безопасность ответов во всех сценариях. Чекпойнт опубликован в формате safetensors с точностью BF16 и распространяется по лицензии Apache-2.0.

Qwen3.8-27B-MLX-6bit — это квантованная версия мультимодальной модели Qwen3.8-27B, разработанной командой Qwen и адаптированной пользователем majentik для запуска на Apple Silicon через MLX и mlx-lm. Модель предназначена для генерации текста в диалогах и обработки сценариев image-text-to-text, то есть может работать с текстовыми запросами и изображениями. Текстовая часть модели имеет размер 27B параметров и подвергнута 6-битному аффинному квантованию с размером группы 64. Vision tower и projector сохранены в формате BF16. В README не указаны поддерживаемые языки и размер контекстного окна. Модель рассчитана на локальный запуск с использованием mlx-lm; заявлена проверка базовой связности генерации, успешно пройденная без пустых ответов, циклов повторения и повреждённого текста. К преимуществам относятся уменьшенный объём хранения и потенциально более низкие требования к памяти по сравнению с полной версией, а также сохранение мультимодального vision-компонента в BF16. Ограничения связаны с потерями, возможными при квантовании, зависимостью от экосистемы MLX и Apple Silicon, а также отсутствием в README подробных данных о производительности на широком наборе задач. Указанные результаты составляют 0,6000 на ARC-Easy и 0,5400 на HellaSwag и не дают полного представления о качестве модели. Модель распространяется по лицензии Apache-2.0.

Reasoning-Llama-3.1-CoT-RE1 — языковая модель EpistemeAI для генерации текста и диалоговых ответов с рассуждениями. Это плотная авторегрессионная модель семейства Llama на 7,5 млрд параметров, дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit с использованием Unsloth и Hugging Face TRL. В метаданных указан набор Bespoke-Stratos-17k. Модель предназначена для генерации ответов на текстовые запросы и ведения диалога. В карточке указаны английский язык и контекстное окно до 131 072 токенов; доступен формат safetensors. Указанная в метаданных лицензия — Llama 3.1, тогда как README сообщает Apache-2.0; перед использованием следует проверить условия лицензии исходной модели и репозитория.

Reason-ModernColBERT — англоязычная модель много-векторных текстовых эмбеддингов, разработанная LightOn и дообученная на наборе reasonir-hq на основе lightonai/GTE-ModernColBERT-v1. Модель использует архитектуру ModernBERT с проекцией векторов с 768 до 128 измерений и поздним взаимодействием в стиле ColBERT: она кодирует текст в последовательности векторов, а сходство оценивается оператором MaxSim. Контекст документа — до 8192 токенов, длина запроса — до 128 токенов; модель содержит около 149 млн параметров и работает через PyLate. Она предназначена для семантического поиска и ранжирования документов по запросам, в том числе для поиска, требующего сопоставления нескольких смысловых фрагментов. В README сообщается о сильных результатах на бенчмарке BRIGHT для запросов, требующих рассуждений, однако показатели зависят от набора данных и сценария оценки. Модель принимает текст и выдаёт последовательности векторов, поэтому для получения результатов поиска её используют с индексом и поисковой системой либо для ранжирования переданных пар запрос-документ. Лицензия CC BY-NC 4.0 допускает использование с некоммерческими ограничениями.

RedPajama-INCITE-Instruct-3B-v1 — языковая модель Together Computer для генерации текста и диалоговых инструкций. В метаданных указаны 3,5 млрд параметров и архитектура GPT-NeoX с плотной авторегрессионной моделью; в README размер описан как 2,8 млрд параметров. Модель обучалась на RedPajama-Data-1T и данных P3 и Natural Instructions. Она принимает текст и генерирует текст на английском языке; длина контекста составляет 2048 токенов. Модель подходит для генерации ответов, выполнения текстовых инструкций и прототипирования чат-ботов. Для инференса README указывает ориентир от 8 ГБ видеопамяти, либо от 6 ГБ при использовании int8. Ответы могут быть неточными или нерелевантными, особенно на сложные, неоднозначные вопросы и запросы вне обучающих данных; модель не предназначена для критически важных решений. Лицензия — Apache 2.0.

SJT-2.1B — языковая модель Sakalti, созданная слиянием чекпойнтов через mergekit. В README указан метод passthrough и модель-источник Sakalti/SJT-1.5B-Alpha; архитектура — плотная Qwen2 с классом Qwen2ForCausalLM, размером 1,9 млрд параметров и форматом safetensors. Модель предназначена для генерации текста и диалогов, включая структурированные ответы и интерфейс вызова инструментов. Поддерживает английский и японский языки, а длина контекста составляет до 131 072 токенов. Распространяется по лицензии Apache-2.0.

T3qm7Mergerix-7B — автоматически объединённая модель, созданная Maxime Labonne на основе Mistral-7B-v0.1, T3QM7 и Mergerix-7b-v0.3. Она предназначена для генерации текста и диалога, включая ответы на математические запросы. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстное окно до 32 768 токенов; веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. В README не приведены результаты оценки качества или сведения о поддерживаемых языках, поэтому практическую точность для конкретных задач и языков следует проверять отдельно.