II.2Создание и понимание программного кода

mlabonne/llama-2-7b-guanaco — языковая модель семейства Llama 2, разработанная как дообученная версия llama-2-7b-chat-hf. Автор дообучил её методом QLoRA с 4-битной точностью на датасете mlabonne/guanaco-llama2; в метаданных указан датасет timdettmers/openassistant-guanaco. Модель содержит 6,6 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев: она может создавать связные ответы и использоваться для написания текстов, суммаризации, перевода, классификации и анализа тональности. README приводит пример генерации объяснительного текста, но не содержит результатов оценки качества или подробностей о языках обучения. В репозитории доступны веса PyTorch и safetensors. Лицензия — Apache-2.0. Качество и пригодность для конкретной задачи следует проверять отдельно; карточка не приводит бенчмарков и не описывает специальные ограничения или гарантии.

hugging-quants/Llama-3.2-1B-Instruct-Q8_0-GGUF — это квантованная версия инструкционной языковой модели Meta Llama 3.2 1B Instruct, подготовленная в формате GGUF для использования с llama.cpp и совместимыми инструментами. Модель предназначена для генерации текста и выполнения инструкций в диалоговых и прикладных сценариях, где важны умеренные требования к вычислительным ресурсам. Модель относится к семейству Llama 3.2 и имеет размер 1 миллиард параметров. Квантование Q8_0 снижает требования к хранению и вычислениям по сравнению с полноточной версией, сохраняя близкое к исходному качество, однако возможны небольшие потери точности. В карточке указаны английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки. Модель работает с текстом; сведения о контекстном окне и дополнительных модальностях не указаны. Сильными сторонами являются компактный размер, поддержка инструкционного режима и совместимость с экосистемой GGUF и llama.cpp. Ограничениями выступают меньшая по сравнению с крупными моделями ёмкость и отсутствие подтверждённых в карточке характеристик контекстного окна и качества на конкретных тестах. Использование регулируется Llama 3.2 Community License от Meta. При распространении материалов или производных продуктов необходимо соблюдать условия лицензии, включая указание соглашения, атрибуцию, обозначение «Built with Llama» и требования Acceptable Use Policy.

MaziyarPanahi/M7T3qm7xp_YamshadowInex12 — слитая модель семейства Mistral на основе automerger/M7T3qm7xp-7B и automerger/YamshadowInex12-7B. Она предназначена для генерации текста и подходит для приложений, которым нужна языковая модель с контекстом до 32 768 токенов. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и распространяется в формате Safetensors. Лицензия — Apache-2.0.

mahiatlinux/merged1 — объединённая языковая модель, созданная автором репозитория с помощью LazyMergekit из mistralai/Mistral-7B-Instruct-v0.2 и chihoonlee10/T3Q-Mistral-Orca-Math-DPO. Веса объединены методом slerp; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, формат файлов — safetensors. Модель рассчитана на генерацию текста и диалоговые сценарии, включая ответы на инструкции и математические запросы. Поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст. В карточке указана лицензия базовой модели, но лицензия самого объединённого репозитория не приведена в доступных данных, поэтому условия использования установить нельзя. Качество и ограничения именно этого слияния в карточке не оценены.

Ministral-3-3B-Reasoning-2512-GGUF — это конвертированная в формат GGUF версия модели Ministral-3-3B-Reasoning-2512, разработанной Mistral AI. Модель предназначена для задач генерации текста с поддержкой визуально-текстового ввода, что отражено в типе pipeline image-text-to-text. В README указано, что конвертация выполнена с использованием скрипта convert_hf_to_gguf.py. Модель подходит для локального запуска и интеграции с инструментами, совместимыми с форматом GGUF, включая llama-server. Из идентификатора следует, что модель относится к классу 3B, однако точные сведения об архитектуре, размере контекста, поддерживаемых языках, модальностях и вариантах квантования в README не приведены. Сильными сторонами являются компактный размер и возможность использования в локальной инфраструктуре, но производительность и требования к ресурсам зависят от конкретной конфигурации запуска. Лицензия модели — Apache 2.0. README указывает базовую модель mistralai/Ministral-3-3B-Reasoning-2512, но не содержит дополнительных ограничений, результатов оценки или подробностей о допустимых сценариях коммерческого использования.

MN-Lulanum-12B-FIX — объединённая языковая модель, созданная с помощью mergekit на основе unsloth/Mistral-Nemo-Base-2407 и четырёх моделей: VAGOsolutions/SauerkrautLM-Nemo-12b-Instruct, anthracite-org/magnum-v2.5-12b-kto, Undi95/LocalC-12B-e2.0 и NeverSleep/Lumimaid-v0.2-12B. Для слияния применён метод della_linear. Модель использует плотную архитектуру MistralForCausalLM, содержит 12,1 млрд параметров и предназначена для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Заявленная длина контекста — 1 024 000 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о лицензии, поддерживаемых естественных языках и ограничениях в доступных материалах отсутствуют.

NeuralDaredevil-7B — диалоговая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная mlabonne. Это DPO-дообучение модели mlabonne/Daredevil-7B на предпочтениях из набора argilla/distilabel-intel-orca-dpo-pairs. Модель предназначена для генерации текста и ответов в диалоге; использует шаблон запросов Mistral-7B-Instruct-v0.2 и поддерживает контекст до 32 768 токенов. В README приведены результаты оценивания на наборах Nous и Open LLM Leaderboard. Модель распространяется в формате safetensors по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

bunsenfeng/parti_4_full — текстовая генеративная модель семейства Qwen2, размещённая пользователем bunsenfeng на Hugging Face. По метаданным, она содержит 7,1 млрд параметров, построена на архитектуре Qwen2ForCausalLM и использует Transformers; заявлены генерация текста и диалоговый режим. Для развёртывания указаны веса Safetensors и контекст до 32 768 токенов. Модель подходит для диалогов и генерации текста, в том числе для работы с длинным контекстом. Источники не позволяют надёжно установить конкретные обучающие задачи, поддерживаемые языки или лицензионные условия; поэтому не следует считать её специализированной для отдельных областей или языков.

ZeroXClem/Qwen2.5-7B-CelestialHarmony-1M — языковая модель, созданная ZeroXClem слиянием нескольких дообученных вариантов Qwen2.5-7B методом Model Stock. Она построена на архитектуре Qwen2 и содержит около 7,1 млрд параметров по метаданным; README указывает 7,61 млрд. Модель принимает текст и генерирует текст, а заявленная длина контекста составляет до 1 010 000 токенов. Модель предназначена для диалогов, ролевых сценариев и сторителлинга, структурированных рассуждений, а также работы с очень длинными документами и контекстами. В метаданных отмечен интерфейс вызова инструментов; конкретные возможности зависят от используемого шаблона и среды запуска. Модель распространяется под лицензией MIT. Для практического применения на длинном контексте потребуются совместимая среда инференса и значительные вычислительные ресурсы; заявленные качества рассуждения и работы с контекстом основаны на описании автора.

Модель kihyun-K/Qwen3-0.6B-JSON-SFT-GRPO — дообученная версия Qwen3, созданная kihyun-K на основе kihyun-K/Qwen3-0.6B-JSON-SFT. Это плотная авторегрессионная языковая модель с 507,9 млн параметров, предназначенная для генерации текста в диалоговом формате; название модели указывает на настройку для вывода JSON с использованием GRPO. Контекстное окно составляет 40 960 токенов. Модель может использоваться для генерации структурированных JSON-ответов и других текстовых ответов в приложениях на базе чат-моделей. Она распространяется в формате Safetensors и выпущена по лицензии Apache-2.0. В README указано, что при обучении использовались Unsloth и библиотека TRL от Hugging Face.

Aimin12/Qwen3-4B-Thinking-2507-Distill-Claude-Opus-4.6-Reasoning-Abliterated — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров для генерации текста и диалоговых ответов. Модель дообучена на наборе Opus-4.6-Reasoning-3000x-filtered; в README указаны LLaMA-Factory и Unsloth как использованные инструменты обучения. Модель принимает текст и выдаёт текст. Её контекстное окно составляет 262 144 токена. Карточка связывает её с базовой Huihui-Qwen3-4B-Thinking-2507-abliterated, описанной в каталоге как Qwen3 с уменьшенной склонностью к отказам. Репозиторий распространяется под лицензией Apache-2.0.

Qwen3-8B-SFT-Claude-Opus-Reasoning-Unsloth — языковая модель ermiaazarkhalili, дообученная методом SFT с LoRA на базе unsloth/Qwen3-8B. Она предназначена для генерации текста и диалогов с акцентом на рассуждения, чему модель обучали на 10 477 примерах трасс рассуждений Claude из набора claude-reasoning-distillation. Архитектура — плотная Qwen3ForCausalLM, размер — 7,6 млрд параметров; модель принимает и выдаёт текст. В метаданных указан контекст до 40 960 токенов, однако README сообщает, что дообучение проводилось с контекстом 2 048 токенов, поэтому поведение на длинных контекстах может быть ограничено. Модель рассчитана прежде всего на английский язык. Она может быть полезна для диалоговых задач, генерации ответов с последовательными рассуждениями и вызова инструментов через интерфейс модели. Базовая модель при обучении была в 4-битном представлении; репозиторий модели содержит веса Safetensors, а README также указывает на отдельные квантизованные версии GGUF. Модель выпущена под лицензией Apache-2.0. README предупреждает о возможных галлюцинациях и недостаточной настройке безопасности; результаты требуют проверки, а для практического использования могут понадобиться дополнительные защитные механизмы.

Qwen3-Reranker-0.6B-seq-cls — вариант Qwen3-Reranker-0.6B, преобразованный в модель классификации последовательностей. Это плотная модель архитектуры Qwen3 с 507,6 млн параметров, дообученная на базе Qwen/Qwen3-0.6B-Base и предназначенная прежде всего для ранжирования текстовых пар. Она оценивает релевантность документа запросу, чтобы переупорядочить кандидатов в поиске или RAG-системе; также в метаданных указана поддержка классификации текста. Модель рассчитана на многоязычные сценарии: карточка заявляет поддержку более 100 языков, включая языки программирования. Она подходит для поиска по тексту и коду, межъязыкового поиска и отбора документов по запросу. Входные инструкции можно настраивать под задачу; README сообщает, что инструкции часто улучшают результаты ранжирования. Метаданные указывают контекст до 40 960 токенов, а README — 32K. Для работы с Transformers требуется версия 4.51.0 или новее. Модель опубликована в формате safetensors по лицензии Apache-2.0.

Seraph-7B-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на основе Mistral-7B-Instruct-v0.2, созданная MaziyarPanahi слиянием весов через метод SLERP с моделью Weyaxi/Seraph-7B. Она предназначена для генерации текста в диалоге и выполнения инструкций. Модель имеет плотную архитектуру MistralForCausalLM, около 7,1 млрд параметров и контекст до 32 768 токенов; принимает текст и выдаёт текст. Слияние сочетает две модели с настройкой коэффициентов для слоёв self-attention и MLP. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Доступные сведения не описывают отдельные тесты качества или специальные предметные области, поэтому результат следует проверять на задачах, где важны точность и надёжность ответов.

smol_bruin-7b — языковая модель для генерации текста, созданная объединением методом SLERP моделей go-bruins-v2 и smol-7b с помощью MergeKit. В README указана базовая модель mistralai/Mistral-7B-v0.1; в репозитории размещены веса Safetensors общей архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель подходит для генерации продолжений текста и ответов на запросы в диалоговом формате. В README приведены результаты оценки на AI2 Reasoning Challenge и HellaSwag, но сведений о специализации на конкретной области или языках нет. Лицензия — CC BY 4.0; при использовании необходимо соблюдать её условия.

jaspionjader/sof-10 — это объединённая авторегрессионная языковая модель семейства Llama, созданная с помощью mergekit методом Model Stock. В качестве базовой модели использована jaspionjader/sof-6; в объединение также вошли jaspionjader/sof-3, jaspionjader/sof-5 и jaspionjader/sof-9. Модель содержит 7,5 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый режим и имеет контекстное окно до 131 072 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Файлы опубликованы в формате safetensors, библиотека для работы — Transformers. Карточка не сообщает о специализированной предметной области или поддерживаемых естественных языках, поэтому нельзя определить основной язык модели. Лицензия в доступных данных не указана.

TheBeagle-v2beta-32B-MGS — экспериментальная инструктивная языковая модель команды Beagle, дообученная на базе Qwen/Qwen2.5-32B-Instruct. Это плотная модель семейства Qwen2 с 32 млрд параметров; она принимает текст и генерирует текст, поддерживает диалог и интерфейс вызова инструментов. В качестве обучающих данных использован набор Magpie-Align/Magpie-Pro-300K-Filtered, обучение проведено за одну эпоху. Заявленная длина контекста — 32 768 токенов; метаданные указывают английский язык. Модель предназначена для диалоговой генерации текста и следования инструкциям; результаты приведённых в карточке оценок относятся к набору тестов без chat template. Разработчик сообщает о значении loss 0,5378 и приводит оценки IFEval и BBH, но этих данных недостаточно для вывода о качестве в конкретных приложениях. Выпуск обозначен как beta и экспериментальный. Лицензия основана на условиях Qwen с дополнительным требованием включать «Beagle» или «MGS» в название производных моделей; перед использованием следует свериться с полным текстом лицензии.

WizardDolphin-7B — языковая модель на 7,1 млрд параметров, созданная слиянием Mistral-7B-v0.1, Dolphin-2.6-Mistral-7B-DPO-Laser и WizardMath-7B-V1.1 методом TIES. Она использует плотную архитектуру Mistral и предназначена для генерации текста, диалогов и решения задач, сочетающих общие языковые и математические навыки. Модель поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors. Модель может быть полезна для ответов на вопросы, ведения диалогов, объяснения математических решений и генерации текста. Карточка не сообщает о специальной настройке для конкретного языка, поэтому языковую поддержку нельзя уверенно уточнить. Лицензия — Apache-2.0.

Yi-70B-200k-RPMerge-Franken — плотная языковая модель примерно на 70,7 млрд параметров, созданная автором DisOOM с помощью mergekit. Автор описывает её как frankenmerge: слои Yi-34B-200K-RPMerge чередуются с копиями той же модели. В карточке также заявлены чат-возможности и контекст длиной до 200 000 токенов. Модель предназначена для генерации текста в диалогах, а также для задач понимания, рассуждения и письма. Автор сообщает о субъективно лучших результатах по сравнению с версией на 34 млрд параметров, но отмечает, что не проводил формальных бенчмарков и не смог широко проверить модель. Репозиторий содержит веса в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

grimjim/zephyr-beta-wizardLM-2-merge-7B — объединённая языковая чат-модель на основе Mistral, созданная автором репозитория с помощью mergekit. Она сочетает модели HuggingFaceH4/zephyr-7b-beta и lucyknada/microsoft_WizardLM-2-7B методом SLERP с параметром смешивания 0,5. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и формат safetensors; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста в диалоге, ответов на вопросы, выполнения инструкций, рассуждений и создания повествовательного текста. Карточка описывает слияние как эксперимент по изучению влияния объединения моделей на рассуждения и генерацию историй. Основное описание базовой модели указывает на англоязычную чат-модель, поэтому английский — единственный язык, подтверждённый имеющимися сведениями. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов сравнительной оценки качества; как у генеративной языковой модели, ответы могут содержать ошибки или вымышленные сведения.

jeiku/32kBase — слитая языковая модель на архитектуре Mistral, созданная автором репозитория с помощью mergekit. В слиянии методом SLERP использованы jeiku/DareDeez и jeiku/DareNutz; модель содержит 7,1 млрд параметров и имеет контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Метаданные также отмечают интерфейс вызова инструментов. Веса опубликованы в формате Safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана.

bartowski/arcee-ai_Trinity-Mini-GGUF — это набор квантизированных версий языковой модели Trinity-Mini, разработанной arcee-ai и подготовленной bartowski в формате GGUF. Модель предназначена для генерации текста и локального запуска через llama.cpp, LM Studio и другие совместимые проекты на базе llama.cpp. В README указана поддержка английского, испанского, французского, немецкого, итальянского, португальского, русского, арабского, хинди, корейского и китайского языков. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4 и Q3, а также IQ-варианты. Размер файлов составляет примерно от 10,54 до 52,27 ГБ. Более качественные варианты Q6 и Q5 рекомендуются для большинства сценариев, тогда как Q3 экономят оперативную память, но заметно уступают по качеству. Ключевые характеристики исходной архитектуры, число параметров, размер контекста и поддерживаемые модальности в README не указаны, поэтому модель следует рассматривать как текстовую. Квантизация выполнена с использованием imatrix и llama.cpp; доступные варианты позволяют выбирать компромисс между качеством, размером файла и требованиями к памяти. Модель распространяется по лицензии Apache-2.0.

ZZichen/DeepSeek-V2-Lite — текстовая языковая модель семейства DeepSeek-V2, представленная в карточке как базовая модель для генерации и диалогов. Архитектура использует Multi-head Latent Attention (MLA) для сжатия KV-кэша и разреженные MoE-слои DeepSeekMoE. В README указаны 15,7 млрд параметров, из которых для каждого токена активируется 2,4 млрд; модель имеет 27 слоёв. Метаданные каталога при этом оценивают общий размер в 2,5 млрд параметров. Модель предназначена для продолжения текста и диалогового взаимодействия на английском и китайском языках, включая ответы на вопросы и генерацию текста. README сообщает результаты на англоязычных и китайских бенчмарках и описывает контекст 32 тыс. токенов; метаданные указывают нативный контекст 163 840 токенов. Для инференса в BF16 авторы указывают требование одной GPU с 40 ГБ памяти. В репозитории представлены веса safetensors; README также описывает запуск через Transformers и рекомендует vLLM для более эффективного инференса. Лицензионные условия в предоставленных данных не указаны.

EXAONE-3.5-7.8B-Instruct-GGUF — набор GGUF-квантизаций инструкционной языковой модели EXAONE-3.5-7.8B-Instruct, разработанной LGAI. Репозиторий подготовлен ThomasBaruzier с использованием llama.cpp и imatrix-квантизации; представлены варианты с разными уровнями сжатия и размерами файлов. Модель предназначена для генерации текста и выполнения инструкций в текстовых сценариях. В README указаны английский и корейский языки. Размер исходной модели составляет 7,8 млрд параметров, однако архитектура и максимальная длина контекста не указаны. Доступны варианты квантизации IQ и Q, примерно от 1,8 до 5,6 ГБ; выбор варианта позволяет балансировать между требованиями к памяти и сохранением качества. К сильным сторонам относятся возможность локального запуска через совместимый стек llama.cpp, широкий выбор квантизаций и опубликованные показатели perplexity и accuracy для сравнения вариантов. Более агрессивное сжатие уменьшает размер модели, но может заметнее снижать качество. Модель текстовая и не поддерживает заявленные мультимодальные сценарии. Лицензия обозначена как EXAONE; подробные условия следует уточнять в файле LICENSE.

Fikr-7B-Reasoning-GRPO — языковая модель для генерации текста, опубликованная пользователем Hatim2221 на Hugging Face. По метаданным она работает через библиотеку Transformers, относится к семейству Qwen2 и содержит около 7,1 млрд параметров. Название указывает на ориентацию на рассуждения и обучение методом GRPO, однако README не содержит подробностей о процедуре дообучения или результатах оценки. Модель предназначена для задач генерации и продолжения текста, диалоговых сценариев, составления ответов на вопросы и выполнения инструкций в приложениях на базе LLM. Заявленная длина контекста составляет 32 768 токенов, что позволяет обрабатывать достаточно объёмные запросы и документы. В метаданных отмечен conversational-сценарий использования, но поддерживаемые естественные языки явно не перечислены. README не содержит сведений о разработчике, лицензии, обучающих данных, тестах, показателях качества, рекомендуемых параметрах генерации или специальных ограничениях. Поэтому перед применением модель следует самостоятельно проверять на фактические ошибки, нестабильность рассуждений, токсичные или предвзятые ответы и пригодность для конкретной области.

flammen30-mistral-7B — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная flammenai слиянием предобученных моделей через mergekit. Для объединения применён метод Model Stock: базой служила flammenai/flammen29-mistral-7B, вместе с ней в слияние вошли ещё семь моделей, включая варианты flammenai и Excalibur-7b-DPO. Модель предназначена для генерации текста и диалогового общения. Она принимает текст и выдаёт текст, работает через Transformers, а заявленная длина контекста составляет 32 768 токенов. В карточке не указаны специальные предметные области или поддерживаемые языки. Модель распространяется по лицензии Apache-2.0. Результат слияния объединяет несколько чекпойнтов, однако README не приводит сравнительных оценок качества или подробных рекомендаций по применению; возможности и точность следует оценивать на целевых задачах.

OneNexus/GLM-5.3-MXFP4 — квантизированная версия полноразмерной модели GLM-5.3, разработанной Z.ai и основанной на исходном контрольном пункте zai-org/GLM-5.3-BF16. Модель предназначена для генерации текста и диалоговых сценариев; входом и выходом служит текст. В метаданных заявлены английский и китайский языки, архитектура GlmMoeDsaForCausalLM и поддержка pipeline text-generation. Модель использует MoE-архитектуру GLM-5.3 с DSA. Весовые параметры маршрутизируемых MoE-экспертов квантизированы в формате OCP MXFP4 E2M1 с блочным масштабированием 1×32, тогда как внимание, DSA-проекции, маршрутизатор, общие MLP-проекции, lm_head и отдельные компоненты сохранены в BF16. Размер индексированных весов составляет около 407,92 ГиБ в 282 шардах, что существенно меньше исходной BF16-версии. Валидация выполнена с контекстом до 1 048 576 токенов. К сильным сторонам относятся заметное сокращение объёма весов, совместимость с готовым рецептом InferenceX/SGLang и оптимизация для AMD Instinct MI350 с поддержкой EAGLE, DSA, MXFP4 MoE, FP8 KV-кэша и HiCache. Ограничения связаны с узкой инфраструктурой валидации: заявлена конфигурация из четырёх GPU AMD Instinct MI350 и ROCm-стек с конкретной версией SGLang; производительность и качество на другом оборудовании или в других средах могут отличаться. Модель распространяется по лицензии glm-5.3, обозначенной в README как license: other.

egoriow/gpt-oss-120b-GGUF — квантованная в формате GGUF версия модели openai/gpt-oss-120b, размещённая egoriow. Это разговорная текстовая модель для генерации ответов и ведения диалога; README указывает на запуск через LlamaEdge, а метаданные отмечают поддержку чата и архитектуру GPT-OSS типа MoE. В метаданных указаны 2,1 млрд параметров и контекст до 131 072 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит варианты GGUF и GGUF F16; лицензия — Apache-2.0. Карточка называет исходной моделью openai/gpt-oss-120b, но конкретные характеристики качества и ограничения применения не описывает.

Inex16Calme-7B — слитая Maxime Labonne модель для генерации текста на архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она создана автоматическим слиянием MSL7/INEX16-7b и MaziyarPanahi/Calme-7B-Instruct-v0.1.1 методом SLERP; в конфигурации указана точность bfloat16. Модель подходит для генерации продолжений текста и диалоговых ответов в сценариях, где полезен длинный контекст. Для использования предлагается загрузка через Transformers. Модель распространяется по лицензии Apache-2.0.

Instruct-v0.2-Seraph-7B — языковая модель Weyaxi для генерации текста в формате инструкций. Она создана слиянием методом SLERP моделей Weyaxi/Seraph-7B и mistralai/Mistral-7B-Instruct-v0.2; в конфигурации также указана базовая модель mistralai/Mistral-7B-v0.1. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и имеет контекстное окно 32 768 токенов. Модель подходит для диалоговых ответов и выполнения текстовых инструкций. Веса доступны в формате safetensors, лицензия — Apache-2.0. README не приводит результатов оценки качества или перечня поддерживаемых языков, поэтому конкретные языковые возможности и сравнительные преимущества установить нельзя.