II.2Создание и понимание программного кода

akjindal53244/Mistral-7B-v0.1-Open-Platypus — инструкционно дообученная языковая модель на архитектуре Mistral, созданная на основе набора данных Open-Platypus. Она предназначена для генерации текста и ответов на инструкции и вопросы. Модель содержит 7,1 млрд параметров, работает с текстом и поддерживает контекст до 32 768 токенов. В карточке приведены результаты оценки на Open LLM Leaderboard, включая ARC и HellaSwag. Модель распространяется в формате PyTorch по лицензии Apache-2.0. README не уточняет поддерживаемые языки и ограничения качества; результаты оценки не гарантируют точность ответов в конкретных сценариях.

NeuralsirkrishnaShadow_NeuralExperiment26 — объединённая модель Mistral, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/NeuralExperiment26-7B. Она предназначена для генерации текста по текстовому запросу и подходит для диалоговых и других текстовых сценариев. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Веса доступны в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0.

ArchSpace-Collection публикует экспорт базовой OLMo 3 3B после четвёртого этапа обучения с SFT, ориентированного на рассуждения. Это плотная авторегрессионная языковая модель на 3,2 млрд параметров, реализованная в Transformers как Olmo3ForCausalLM; для загрузки не требуется удалённый код. В репозитории указаны скользящее оконное внимание размером 4 096 токенов и ёмкость контекста 65 536 токенов. Модель предназначена для генерации текста и диалогового использования, включая запросы с рассуждениями и интерфейс вызова инструментов. Обучающая длина последовательности составляла 32 768 токенов. README описывает техническую конфигурацию и экспорт, но не сообщает конкретные результаты оценивания или полный перечень поддерживаемых языков. Модель распространяется в формате safetensors; лицензия в предоставленных данных не указана.

piano-medley-7b-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная объединением mistralai/Mistral-7B-Instruct-v0.2 и chargoddard/piano-medley-7b методом SLERP. Она предназначена для генерации текста и ответов на инструкции в чат-сценариях. Модель построена на архитектуре Mistral с 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не описывает специальные предметные области или отдельные ограничения качества.

ChaoticNeutrals/Prima-LelantaclesV5-7b — слитая методом DARE TIES текстовая модель на архитектуре Mistral, опубликованная ChaoticNeutrals. В объединение вошли Test157t/Pasta-Lake-7b и Test157t/Prima-LelantaclesV4-7b-16k; README указывает, что обе модели использованы с весом 1. Модель содержит 7,1 млрд параметров, распространяется в формате safetensors и рассчитана на генерацию текста с контекстом до 32 768 токенов по метаданным.

Карточка модели LIF1014/ptdbench-Qwen2.5-0.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-0.5B-Instruct, поэтому описание составлено по ней. Qwen/Qwen2.5-0.5B-Instruct — компактная инструктивно настроенная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов, выполнения инструкций и генерации текста, включая длинные ответы, структурированные данные и JSON; также может применяться для простых задач по коду и математике. Модель построена на архитектуре Qwen2 с причинным языковым моделированием и содержит 494 млн параметров. В карточке указаны 24 слоя, RoPE, SwiGLU, RMSNorm и группированное внимание; контекст — 32 768 токенов, генерация — до 8 192 токенов. Модель работает с текстом, поддерживает чат и интерфейс вызова инструментов. Семейство Qwen2.5 заявляет поддержку более 29 языков, включая русский и английский. Небольшой размер упрощает запуск по сравнению с крупными языковыми моделями, но ограничивает сложность задач, которые она может надёжно решать. Модель распространяется по лицензии Apache-2.0; для загрузки через Transformers рекомендуется актуальная версия библиотеки.

bunnycore/Qwen2.5-3B-Smart — объединённая языковая модель, созданная автором с помощью mergekit методом passthrough из bunnycore/Qwen2.5-3B-RP-Mix и bunnycore/Qwen2.5-3b-Smart-lora_model. Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров; она предназначена для генерации текста и диалогового использования, включая следование инструкциям и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, работает через Transformers и распространяется в формате safetensors; нативный контекст — 32 768 токенов. Карточка не описывает отдельные специализированные области или конкретные языки. Условия лицензии в предоставленных данных не приведены. Качество, безопасность и фактическая совместимость вызова инструментов не оценены в карточке.

dfurman/Qwen2-72B-Orpo-v0.1 — диалоговая языковая модель, созданная как дообучение Qwen/Qwen2-72B-Instruct на 1,5 тыс. примеров из набора mlabonne/orpo-dpo-mix-40k. Это плотная архитектура Qwen2ForCausalLM с 71,5 млрд параметров; модель опубликована в формате safetensors и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации текста и многоходовых диалогов, включая ролевые сценарии, рассуждения, задачи с агентными возможностями и поддержание связности на длинном контексте. В метаданных указан английский язык. Карточка приводит результаты Open LLM Leaderboard: среднее значение 43,32 и 78,80 для IFEval (0-shot). Лицензия обозначена как other, поэтому условия её использования следует проверять в карточке модели.

Qwen3-0.6B-JSON-SFT — небольшая языковая модель семейства Qwen3, дообученная методом supervised fine-tuning (SFT) для генерации текста в формате JSON. Модель опубликована пользователем Hugging Face ksyoung0215 и предназначена для использования через библиотеку Transformers. Модель имеет около 507,9 млн параметров и поддерживает контекст до 40 960 токенов. Основной сценарий — генерация структурированных ответов, извлечение данных в заданную JSON-схему и автоматизация задач, где результат должен быть пригоден для машинной обработки. Доступен pipeline text-generation; в метаданных также указана conversational-ориентация. Небольшой размер может упростить локальный запуск и снизить требования к ресурсам, однако README не содержит результатов оценки качества, сведений о датасете, точной архитектуре, поддерживаемых языках, разработчиках или лицензии. Перед использованием в критически важных системах необходимы собственное тестирование корректности JSON, устойчивости к сложным запросам и качества на целевых данных.

Карточка модели ArchiveStudio/Qwen3-Reranker-0.6B на Hugging Face совпадает с карточкой Qwen/Qwen3-Reranker-0.6B, поэтому описание составлено по ней. Qwen3-Reranker-0.6B — компактная модель переранжирования текста из серии Qwen3 Embedding, разработанная Qwen. Она оценивает соответствие пары «запрос — фрагмент» и помогает упорядочить найденные документы или другие текстовые кандидаты по релевантности. Модель содержит 507,6 млн параметров, построена на плотной архитектуре Qwen3 и принимает последовательности контекстом до 40 960 токенов по метаданным; README указывает длину 32K. Для запуска доступны веса Safetensors и интеграция с Transformers и Sentence Transformers. Модель предназначена для улучшения поиска по текстам и коду, в том числе многоязычного и межъязыкового поиска. README заявляет поддержку более 100 языков, понимание длинных текстов и настройку инструкции под сценарий; для поисковых задач приводится стандартная инструкция для запросов веб-поиска. Метаданные указывают дообучение от Qwen/Qwen3-0.6B-Base и лицензию Apache-2.0. Оценки в README получены на кандидатах из первой сотни, предварительно найденных эмбеддинг-моделью Qwen3-Embedding-0.6B, поэтому их нельзя напрямую считать качеством самостоятельного поиска. README также предупреждает, что без инструкции на стороне запроса качество в большинстве рассмотренных сценариев может снизиться примерно на 1–5%.

QwenLong-L1.5-30B-A3B — языковая модель Tongyi Lab, Alibaba Group, построенная на Qwen3-30B-A3B-Thinking и дообученная для рассуждений по длинному контексту и управления памятью. В карточке описана модель семейства Qwen3 MoE с архитектурой Qwen3MoeForCausalLM; метаданные указывают 2,6 млрд параметров, контекстное окно 262 144 токена и поддержку диалогового взаимодействия и интерфейса вызова инструментов. Модель предназначена для многошагового поиска и связывания сведений, распределённых по длинным документам, а также для задач, чей объём превышает одно контекстное окно: в README описан механизм итеративного обновления памяти. Для обучения применялись синтез сложных проверяемых вопросов, сбалансированная выборка задач и алгоритм AEPO. Авторы сообщают о повышении среднего результата на длинноконтекстных бенчмарках относительно базовой модели и улучшениях в математике, использовании инструментов и длинных диалогах. Модель распространяется по лицензии Apache-2.0. Заявленные результаты основаны на оценках авторов; карточка не приводит подробностей о качестве на отдельных языках и прикладных сценариях, поэтому их следует проверять на собственных данных.

SciPhi-Self-RAG-Mistral-7B-32k-Mistral-7B-Instruct-v0.1 — объединённая методом SLERP чат-модель на архитектуре Mistral, созданная на основе Mistral-7B-Instruct-v0.1 и SciPhi-Self-RAG-Mistral-7B-32k. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для генерации ответов на инструкции и диалоговые запросы, в том числе для сценариев Self-RAG с поиском и использованием внешних материалов. Может применяться в чат-ботах и системах ответов на вопросы по документам. В карточке не приведены результаты оценки качества или сведения о поддерживаемых естественных языках. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

Tess-10.7B-v1.5 — универсальная большая языковая модель семейства Tess, разработанная Miquiztli. Она основана на SOLAR-10.7B и предназначена для генерации текста в диалоговом формате с ролями SYSTEM, USER и ASSISTANT. Модель подходит для ответов на вопросы, ведения диалога и других общих задач генерации текста. Модель использует плотную архитектуру LlamaForCausalLM, содержит 10,6 млрд параметров и имеет контекст длиной 4096 токенов. Репозиторий содержит веса PyTorch; лицензия — Apache-2.0. В README указано, что для версии Tess-10.7B-v1.5b опубликованы оптимизации гиперпараметров.

TheTop-5x7B-Instruct-S4-v0.1 — текстовая генеративная модель MaziyarPanahi, полученная слиянием нескольких предварительно обученных моделей 7B и моделей, объединённых методом SLERP. Карточка упоминает mergekit как инструмент слияния; метаданные указывают на архитектуру MistralForCausalLM и веса в формате safetensors. Указанный размер — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и инструкционного диалога. В README приведены результаты оценки на бенчмарках рассуждений и здравого смысла. Она распространяется по лицензии Apache-2.0. Карточка не уточняет состав исходных моделей, языковую специализацию и ограничения качества.

MaziyarPanahi/una-cybertron-7b-v3-OMA-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель, созданная слиянием Mistral-7B-Instruct-v0.2 и fblgit/una-cybertron-7b-v3-OMA методом SLERP. Модель построена на плотной архитектуре Mistral с 7,1 млрд параметров и предназначена для генерации текста и ответов на инструкции в формате диалога. Модель принимает текстовые запросы и выдаёт текстовые ответы; её контекст составляет до 32 768 токенов. Файлы опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не описывает специализированные области применения и конкретные ограничения качества.

WestOrcaNeural-V2-DARETIES-7B — языковая модель для генерации текста, созданная объединением моделей с помощью mergekit. В основе лежит Mistral-7B-v0.1; в слияние также вошли kellemar-DPO-Orca-Distilled-7B-SLERP, WestLake-7B-v2 и NeuralBeagle14-7B. Использован метод DARE-TIES, итоговые веса имеют точность float16. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Mistral и поддерживает контекст длиной до 32 768 токенов. Карточка приводит результаты оценок на задачах рассуждения и понимания текста, включая AI2 Reasoning Challenge и HellaSwag. Лицензия — Apache-2.0.

AI4SGI-ExoMind-9B-GGUF — набор GGUF-квантизаций компактной модели ExoMind-9B, разработанной Shanghai AI Laboratory и дообученной на базе Qwen3.5-9B. Данный репозиторий поддерживается prithivMLmods и содержит варианты модели с точностью от BF16 до Q3_K_S. Модель предназначена для ресурсосберегающих экспериментов в области научного рассуждения и агентных исследовательских сценариев. ExoMind-9B ориентирована на ответы на научные вопросы, математическое и вычислительное рассуждение, поиск источников, обоснование выводов по доступным свидетельствам, исполняемую проверку результатов, интеграцию наблюдений, использование инструментов и создание агентных прототипов. Она сохраняет мультимодальные возможности базовой модели Qwen3.5 для работы с текстом и изображениями, поддерживает английский и китайский языки и имеет контекстное окно до 262 144 токенов. Обучение проводилось методом progressive Chain-of-Interaction на траекториях рассуждений и взаимодействия. К сильным сторонам относятся компактный размер в 9 миллиардов параметров, широкий контекст, мультимодальность, поддержка научно-исследовательских и tool-use-сценариев, а также доступность нескольких GGUF-квантизаций для запуска через llama.cpp и совместимых инструментов. При этом отдельные официальные результаты бенчмарков для ExoMind-9B не приведены: опубликованные показатели относятся к более крупной модели ExoMind-35B-A3B и не должны переноситься на эту версию. Модель выпущена по лицензии Apache License 2.0; сопутствующие материалы, бренд ExoMind и некоторые элементы публикации могут регулироваться отдельными условиями.

Bagel-Hermes-34B-Slerp — языковая модель для генерации текста и диалогов, созданная слиянием предварительно обученных моделей с помощью mergekit. В слияние вошли Nous-Hermes-2-Yi-34B, bagel-dpo-34b-v0.2 и nontoxic-bagel-34b-v0.2; применён метод SLERP с настройками, различающимися для слоёв внимания и MLP. Архитектура — плотная LlamaForCausalLM, размер — 33,9 млрд параметров, формат весов — safetensors, контекст — до 200 000 токенов. Модель предназначена для генерации текста и ведения диалогов. В README приведены результаты оценок на наборах задач рассуждения и следования инструкциям, включая ARC, HellaSwag, IFEval и BBH. Поддерживаемый язык в карточке не обозначен. Модель распространяется по лицензии Apache-2.0.

DiscoLM 70B — крупная языковая модель для генерации текста, разработанная Disco Research. Данная карточка содержит её квантованные файлы в формате GGUF, подготовленные TheBloke; исходная модель доступна в формате FP16 для GPU-инференса и дальнейших преобразований. Модель основана на архитектуре LLaMA и содержит 70 миллиардов параметров. Она предназначена для диалоговых и общих задач генерации текста, включая работу на английском и немецком языках. В обучении использовались наборы Open-Orca/SlimOrca-Dedup, teknium/openhermes, MetaMathQA, Synthia, AgentInstruct и немецкоязычные датасеты LeoLM и ultrachat_de. Для взаимодействия используется шаблон ChatML с ролями system, user и assistant. GGUF-файлы доступны в вариантах с 2-, 3-, 4-, 5-, 6- и 8-битным квантованием, что позволяет запускать модель с использованием CPU и GPU через llama.cpp и совместимые приложения. Квантование уменьшает требования к памяти, но может снижать точность по сравнению с исходной FP16-версией; конкретный контекстный размер и производительность в README не указаны. Модель распространяется по лицензии Llama 2.

Follex-7B-V2 — объединённая языковая модель на архитектуре Qwen2, созданная с помощью mergekit методом task arithmetic. В качестве базовой модели использована happzy2633/qwen2.5-7b-ins-v3; в объединение также вошли prithivMLmods/QwQ-LCoT-7B-Instruct, bunnycore/FuseQwQen-7B и AIDC-AI/Marco-o1. Модель содержит 7,1 млрд параметров и рассчитана на генерацию текста и диалоговое взаимодействие. Контекст — до 32 768 токенов. Репозиторий использует библиотеку Transformers и формат safetensors. Метаданные не уточняют поддерживаемые естественные языки, поэтому языковой охват и основной язык не заявлены. Условия лицензии в предоставленных данных не описаны.

duyntnet/gemma-3-1b-it-imatrix-GGUF — набор GGUF-квантизаций модели Gemma 3 1B IT, основанной на открытой модели Google Gemma 3 1B instruction-tuned. Репозиторий подготовлен для запуска через llama.cpp и совместимые клиенты, включая KoboldCPP, Ollama, text-generation-webui, Jan, GPT4All, LM Studio и другие интерфейсы. Модель предназначена для генерации текста, диалогов, ответов на вопросы, суммаризации и рассуждений. Gemma 3 поддерживает текстовые и графические входы с генерацией текста; для версии 1B заявлено контекстное окно до 32K токенов, а максимальный объём генерируемого вывода составляет 8192 токена. Модель поддерживает более 140 языков, однако в карточке отдельно указан английский язык. Изображения нормализуются до 896×896 и кодируются в 256 токенов каждое. Ключевое преимущество — небольшой размер, позволяющий развёртывать модель на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Ограничения связаны с компактным размером 1B, который может уступать более крупным моделям в сложном рассуждении и качестве генерации, а также с необходимостью использовать llama.cpp версии b4875 или новее для запуска GGUF-файлов. В карточке указана лицензия other; дополнительные условия лицензирования не приведены.

unsloth/gemma-3-270m-it-GGUF — GGUF-версия инструкционно дообученной модели google/gemma-3-270m-it, разработанной Google DeepMind и подготовленной Unsloth. Модель предназначена для генерации текста, ответов на вопросы, суммаризации документов и задач рассуждения, а также может использоваться локально на ноутбуках, настольных компьютерах и собственной облачной инфраструктуре. Это компактная модель семейства Gemma 3 с размером 270M параметров и поддержкой текстовых и, согласно общей карточке Gemma 3, визуальных входных данных при генерации текста. Для вариантов 270M заявлено контекстное окно до 32K токенов на запрос, включая вход и доступный объём вывода. Семейство поддерживает более 140 языков, однако конкретные языки и возможности именно этой версии отдельно не уточнены. Данные обучения имеют отсечку знаний августом 2024 года. К сильным сторонам относятся небольшой размер, возможность локального развёртывания и открытые веса; компактность может быть полезна при ограниченных ресурсах. Ограничения связаны с меньшей ёмкостью модели по сравнению с крупными вариантами Gemma 3, а также с тем, что README не содержит отдельных оценок качества для данной GGUF-квантизации и не уточняет её параметры квантизации. Использование регулируется лицензией Gemma и соответствующими Terms of Use.

Gemma 4 E2B Heretic Uncensored MLX 4-bit — это мультимодальная модель для генерации текста и работы с изображениями, разработанная на основе google/gemma-4-E2B-it и опубликованная пользователем deadbydawn101. Базовая модель была изменена методом abliteration с использованием Heretic v1.2.0 и Arbitrary-Rank Ablation, после чего квантована в формат MLX 4-bit для локального запуска на устройствах Apple Silicon. Модель предназначена для офлайн-инференса, быстрого прототипирования, творческого письма, локальных агентов и edge-сценариев, где важны приватность, низкая задержка и отсутствие облачных API-вызовов. Она также поддерживает обработку изображений вместе с текстовыми запросами. Модель имеет около 2 млрд активных параметров, архитектуру Gemma4ForConditionalGeneration, контекстное окно 131 072 токена, словарь из 262 144 токенов и размер файла около 3,34 ГБ. Архитектура использует 35 слоёв: 28 со sliding attention и окном 512 токенов и 7 с full attention; предусмотрен vision encoder с размерностью 768, 16 слоями и патчами 16 пикселей. Квантование выполнено в 4-битном формате с affine-схемой и group_size=64. В README заявлены скорости около 25–40 токенов в секунду на M1 MacBook Air, 50–70 на M3 Pro и 90–120 на M4 Max, однако эти значения указаны как оценочные. К сильным сторонам относятся компактный размер, поддержка текста и изображений, длинный контекст, локальная работа на M-series Mac и существенно сниженное количество отказов по сравнению с исходной моделью: 5 из 100 против 98 из 100 в приведённом сравнении. Ограничения включают возможное изменение поведения и качества после abliteration и 4-битного квантования, а также зависимость производительности от оборудования Apple Silicon. В README указанная лицензия — Apache-2.0; для базовой Gemma приведена отдельная ссылка на условия лицензии Google.

pekkAi/Gemma-4-Queen-31B-it-uncensored-heretic-NVFP4 — квантизированная версия NVFP4 модели Gemma-4-Queen-31B-it-uncensored-heretic. Квантизацию выполнил pekkAi с использованием NVIDIA Model-Optimizer; базовая модель разработана llmfan46 и основана на Gemma-4-Queen-31B-it, а версия без существенной части ограничений создана с помощью Heretic и метода Arbitrary-Rank Ablation (ARA). Модель предназначена для диалоговых сценариев, ролевого общения, генерации текста и мультимодальных задач, связанных с обработкой изображений и текста. В карточке указаны интеграция с Transformers и pipeline image-text-to-text, а также поддержка reasoning и tool calling в vLLM. Размер модели — 31 млрд параметров. Автор сообщает о работоспособности на одной NVIDIA GeForce RTX 5090 с 32 ГБ видеопамяти и контекстом до 64K токенов, однако это практический пример конфигурации, а не гарантированное требование. К сильным сторонам относятся существенно меньшее число отказов по сравнению с исходной моделью, близость поведения к оригиналу по измерению KL divergence и почти сохранённые результаты на тесте PIQA: 94,45% против 94,50% у оригинала. На MMLU версия показывает 85,33% против 86,88% у оригинала, что указывает на некоторое снижение качества на этом тесте. Из-за особенностей decensored-версии модель имеет меньше встроенных ограничений безопасности и может быть неподходящей для сценариев, требующих строгой фильтрации контента. Модель распространяется по лицензии Apache-2.0.

Kunoichi-DPO-v2-Instruct-32k-7B — языковая модель, созданная автором репозитория слиянием моделей через mergekit. В основе лежит alpindale/Mistral-7B-v0.2-hf; в слияние также вошли mistralai/Mistral-7B-Instruct-v0.2 и SanjiWatsuki/Kunoichi-DPO-v2-7B. Использован метод DARE TIES, итоговые веса представлены в формате bfloat16. Модель на архитектуре Mistral с 7,1 млрд параметров предназначена для генерации текста и ответов на инструкции. Заявленная длина контекста — до 32 768 токенов; включение Instruct-модели могло изменить поведение исходной Kunoichi-DPO-v2. Данных о целевых языках и специальных прикладных областях в карточке нет. Лицензия в предоставленных данных не указана.

win10/Llama-3.1-13.3B — текстовая генеративная модель, созданная слиянием весов через mergekit методом passthrough на основе NousResearch/Meta-Llama-3.1-8B. Она предназначена для генерации текста и может использоваться в приложениях, которым нужна языковая модель с длинным контекстом до 131072 токенов. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 12,7 млрд параметров; опубликована в формате safetensors для библиотеки Transformers. Карточка не описывает отдельную специализацию или результаты оценки качества. Базовая модель Llama 3.1 предназначена для многоязычной генерации текста, однако конкретные поддерживаемые языки этой сборки не перечислены. Лицензия в предоставленных данных не указана.

AMead10/Llama-3.2-3B-Instruct-AWQ — инструкционная языковая модель семейства Llama 3.2, разработанного Meta, представленная в формате AWQ-квантизации. Версия размещена пользователем или организацией AMead10 и предназначена для запуска через экосистему Transformers и совместимые средства инференса для text-generation. Модель рассчитана на диалоговые сценарии, генерацию текста и выполнение инструкций. В карточке заявлена поддержка английского, немецкого, французского, итальянского, португальского, хинди, испанского и тайского языков. Обозначение 3B указывает на класс примерно из 3 миллиардов параметров, однако точные сведения об архитектуре, размере контекста, методе дообучения и результатах тестирования в README не приведены. Ключевое преимущество AWQ-версии — уменьшенные требования к памяти и потенциально более эффективный локальный инференс по сравнению с полноразмерными весами, но квантизация может влиять на качество ответов. Ограничения и гарантии безопасности отдельно не описаны; результаты требуют проверки, особенно в критически важных задачах. Использование регулируется Llama 3.2 Community License от Meta: при распространении материалов или производных продуктов необходимо соблюдать условия лицензии, Acceptable Use Policy, требования к атрибуции и маркировке «Built with Llama».

Solshine/mergekit-passthrough-lhtboir — объединённая языковая модель на архитектуре Llama, созданная автором с помощью mergekit методом passthrough. В объединении использованы слои mlabonne/Hermes-3-Llama-3.1-8B-lorablated, Solshine/reflection-llama-3.1-8B и CopyleftCultivars/llama-3.1-natural-farmer-16bit; веса сохранены в формате safetensors с точностью float16. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно применять для ответов на вопросы, составления текстов и работы с интерфейсом вызова инструментов. В карточке указана архитектура LlamaForCausalLM и библиотека Transformers. Сведения о лицензии в предоставленных данных отсутствуют. Качество и поведение объединённой модели могут отличаться от исходных моделей; независимые результаты оценки не приведены.

winglian/Meta-Llama-3-8B-1M — слитая модель на базе Llama 3 8B, созданная объединением исходной модели с LoRA-адаптером от инструкционной модели Gradient AI с контекстом 1M токенов. Это плотная авторегрессионная языковая модель класса LlamaForCausalLM с 7,5 млрд параметров, предназначенная для генерации текста и работы с длинным контекстом. Репозиторий содержит веса в формате safetensors. Модель подходит для генерации продолжений и ответов на запросы с большим объёмом текста в контексте. README не сообщает сведения о поддерживаемых языках или конкретных оценках качества. Лицензия в предоставленных данных не указана.

Mistral-Starling-merge-trial3-7B — объединённая языковая модель, созданная grimjim с помощью mergekit методом SLERP на основе Nexusflow/Starling-LM-7B-beta и grimjim/Mistral-7B-Instruct-demi-merge-v0.2-7B. Модель с архитектурой Mistral содержит 7,1 млрд параметров и предназначена для генерации текста в диалоговом формате, включая задачи рассуждения; заявленная длина контекста составляет 32 768 токенов. Модель принимает текст и генерирует текстовые ответы. В метаданных Hugging Face указаны библиотека Transformers и лицензия Apache-2.0. README сообщает о цели объединить сильные стороны рассуждения с контекстом 32K, но не приводит оценок качества или подробных результатов проверки.