II.6Документация и сопровождение разработки

vanillaOVO/correction_1 — исправленное слияние предварительно обученных языковых моделей, созданное с помощью mergekit. Это плотная авторегрессионная модель семейства Mistral на 7,1 млрд параметров, предназначенная для генерации текста. Модель можно загружать через Transformers как MistralForCausalLM; веса доступны в формате safetensors. Контекст модели составляет до 32 768 токенов. README не описывает специализацию, языковое покрытие или сравнительные преимущества модели, поэтому её уместно рассматривать как языковую модель общего назначения без подтверждённых узких сценариев. Модель распространяется по лицензии Apache-2.0.

Карточка модели NormalGuy85/Crunch-Ai2 на Hugging Face совпадает с карточкой Qwen/Qwen2.5-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-1.5B-Instruct — инструктивно дообученная языковая модель семейства Qwen2.5, разработанная командой Qwen. Она предназначена для диалогов и генерации текста по инструкциям, включая ответы на вопросы, создание длинных текстов и выдачу структурированных результатов, например JSON. Модель имеет плотную архитектуру причинного трансформера Qwen2 с RoPE, SwiGLU и RMSNorm и содержит 1,5 млрд параметров. Контекст составляет 32 768 токенов, максимальная длина генерации — 8 192 токена. Карточка описывает поддержку более 29 языков, включая русский и английский; метаданные указывают английский как язык карточки. Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Среди сильных сторон — следование инструкциям, работа с длинными текстами и структурированными данными, а также интерфейс для вызова инструментов. Это компактная модель, поэтому её возможности ограничены по сравнению с более крупными языковыми моделями; оценочные результаты для этой конкретной версии в карточке не приведены.

Crux-Qwen3_OpenThinking-4B — плотная авторегрессионная языковая модель семейства Qwen3, дообученная PrithivMLmods на базе Qwen/Qwen3-4B. Она содержит около 3,7 млрд параметров, принимает текст и поддерживает контекст до 40 960 токенов. Для диалогового применения доступны интерфейс вызова инструментов и генерация кода. Модель ориентирована на пошаговые рассуждения, решение математических и логических задач, STEM-обучение, объяснение и генерацию кода, а также структурированные ответы и перевод. В README заявлена поддержка более 20 языков; метаданные карточки отмечают английский. Для обучения использованы наборы s1K-1.1, OpenMathReasoning и FineTome-100k. Модель может быть полезна для учебных и технических задач, но иногда допускает фактические ошибки, лучше работает с ясными однозначными запросами и, согласно карточке, хуже подходит для творческой и художественной генерации. Доступна по лицензии Apache-2.0.

Kaballas/Cyber18 — языковая модель семейства Llama, разработанная Kaballas и дообученная на Kaballas/Cyber16. Модель содержит 7,5 млрд параметров и предназначена для генерации текста в диалоговых сценариях; в метаданных также указана поддержка интерфейса вызова инструментов. Для обучения использовались Unsloth и библиотека TRL. Модель принимает текст и генерирует текст. В карточке указан английский язык, а максимальный размер контекста по метаданным составляет 131 072 токена. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не описывает специальные предметные области или результаты оценки качества.

CyberCore-Qwen-2.1-7B — объединённая языковая модель на архитектуре Qwen2 с 7,1 млрд параметров, опубликованная bunnycore. Она создана методом TIES с помощью mergekit на основе rombodawg/Rombos-LLM-V2.5-Qwen-7b и объединяет варианты cybertron-v4 и Persona. Модель предназначена для генерации текста и диалоговых сценариев; метаданные также отмечают интерфейс вызова инструментов. Модель работает с текстом, использует библиотеку Transformers и имеет заявленную длину контекста 131 072 токена. Веса доступны в формате safetensors. Карточка не приводит оценки качества или подробных ограничений; качество ответов и работа с инструментами могут зависеть от промпта и используемого способа запуска. Лицензия в предоставленных данных не указана.

DareBeagle-7B — текстовая генеративная модель на архитектуре Mistral, созданная shadowml путём слияния моделей NeuralBeagle14-7B и NeuralDaredevil-7B с помощью LazyMergekit и метода SLERP. Модель содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Модель предназначена для генерации текста и ответов на запросы в диалоговых и других текстовых сценариях. В карточке приведены результаты оценки на бенчмарках рассуждений и здравого смысла, включая AI2 Reasoning Challenge и HellaSwag. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0. Результаты бенчмарков не гарантируют качество на конкретных прикладных задачах; сведения о поддерживаемых естественных языках в карточке отсутствуют.

Darewin-7B-v2 — языковая модель на архитектуре Mistral, созданная mlabonne путём слияния семи моделей с помощью LazyMergekit. Она предназначена для генерации текста и диалогового общения; результаты оценки также показывают способности к рассуждению и решению задач из бенчмарков AI2 Reasoning Challenge и HellaSwag. Модель содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Модель принимает текст и генерирует текст. В карточке указана лицензия Apache-2.0. README приводит результаты Open LLM Leaderboard, но не описывает ограничения по языкам или конкретным сценариям; языковая поддержка в метаданных явно не перечислена.

SinclairSchneider/dbrx-instruct-quantization-fixed — исправленная копия DBRX Instruct от Databricks. Изменение позволяет загружать модель в 4- и 8-битном режиме, чтобы снизить требования к памяти; в метаданных репозитория указан формат safetensors. Это трансформерная авторегрессионная языковая модель с архитектурой fine-grained mixture-of-experts: всего 132 млрд параметров, из которых для одного входа активны 36 млрд. Модель использует 16 экспертов, выбирая 4, и контекст до 32 768 токенов. Модель предназначена для коротких диалогов, ответов на вопросы на английском языке и задач с кодом. Она принимает и генерирует только текст. В обучении использовались текст и код, преимущественно на английском; модель не тестировалась на других языках и не поддерживает мультимодальность, встроенное исполнение кода или вызов функций. Лицензия — Databricks Open Model License; применяются также условия Acceptable Use Policy Databricks.

DDPOO-7B-slerp — плотная языковая модель семейства Mistral с 7,1 млрд параметров, созданная слиянием двух моделей с помощью mergekit и метода slerp. В метаданных указана базовая модель CultriX/MistralTrix-v1; конфигурация README также называет Weyaxi/OpenHermes-2.5-neural-chat-v3-3-openchat-3.5-1210-Slerp и EmbeddedLLM/Mistral-7B-Merge-14-v0.1 источниками слияния. Модель предназначена для генерации текста и диалоговых ответов. Она принимает текст и выдаёт текст, а заявленная длина контекста составляет 32 768 токенов. Метаданные базовой модели описывают её как ориентированную на английский язык; отдельные языки для DDPOO-7B-slerp в карточке не перечислены. Модель распространяется по лицензии Apache-2.0.

Deacon-20B — разговорная языковая модель семейства Llama, опубликованная KnutJaegersberg. Она предназначена для генерации текста и выполнения пользовательских инструкций в диалоге. В README приведён пример запроса о дообучении языковой модели, а метаданные указывают 19,6 млрд параметров и контекст до 4096 токенов. Модель использует плотную архитектуру LlamaForCausalLM и распространяется в формате safetensors. В карточке приведены результаты оценок на задачах рассуждения и продолжения здравого смысла. Указанная лицензия CC BY-NC 4.0 разрешает использование с атрибуцией, но запрещает коммерческое применение.

DeepSauerHuatuoSkywork-R1-o1-Llama-3.1-8B — объединённая языковая модель, собранная grimjim с помощью mergekit. В основе лежит meta-llama/Llama-3.1-8B; в слияние также включены SauerHuatuoSkywork-o1-Llama-3.1-8B с весом 0,9 и DeepSeek-R1-Distill-Llama-8B с весом 0,1. Использован метод task arithmetic, итоговые веса сохранены в формате safetensors. Модель предназначена для генерации текста и диалоговых сценариев, где полезны рассуждения и следование инструкциям. Она содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка приводит результаты оценивания на IFEval и BBH, однако не описывает языки, на которых модель проверена. Лицензия — llama3.1; её условия следует учитывать при использовании и распространении модели.

DeepSeek-R1-0528-Qwen3-8B — плотная языковая модель с 7,6 млрд параметров, размещённая Unsloth и основанная на Qwen3 8B Base. По README, модель получена дообучением на цепочках рассуждений DeepSeek-R1-0528; метаданные указывают базовую модель deepseek-ai/DeepSeek-R1-0528-Qwen3-8B и архитектуру Qwen3ForCausalLM. Репозиторий содержит веса safetensors и поддерживает диалоги и интерфейс вызова инструментов. Модель предназначена для генерации текста и диалогов с многоэтапными рассуждениями, в частности для решения математических и логических задач, программирования и помощи при написании кода. Её контекст составляет до 131 072 токенов. README сообщает об улучшении результатов на отдельных математических и общих бенчмарках, но эти результаты не гарантируют качество на других задачах. Лицензия — MIT.

DeepSeek-R1-Distill-Qwen-14B-GGUF — квантизированная GGUF-версия модели DeepSeek-R1-Distill-Qwen-14B, разработанной deepseek-ai и подготовленной компанией Second State Inc. Модель предназначена для текстового диалога и генерации ответов, а также может использоваться в локальных приложениях и сервисах на базе LlamaEdge. Для взаимодействия применяется шаблон запросов ChatML. Модель содержит 14 млрд параметров и поддерживает контекст до 128 000 токенов. Доступны варианты квантизации Q2_K–Q8_0 и f16 размером примерно от 5,77 до 29,5 ГБ. Варианты с меньшим числом бит требуют меньше памяти, но могут заметно терять в качестве; README рекомендует Q4_K_M как сбалансированный вариант, а Q5_K_M и Q5_K_S — как варианты с небольшими потерями качества. Модель рассчитана на работу через llama.cpp и LlamaEdge, включая запуск как локального чат-приложения или API-сервиса. Сильными сторонами являются большой контекст, возможность локального развертывания и широкий выбор компромиссов между размером, требованиями к ресурсам и качеством. Ограничения связаны с потерями качества при низкой квантизации и значительными требованиями к памяти для крупных вариантов. Сведения о поддерживаемых языках, точной архитектуре, назначении обучения и лицензии в README не указаны.

DeepSeek-V2-Lite — языковая модель компании DeepSeek для генерации текста и диалогового общения. Она предназначена для дополнения текста, ответов в чате и локального развертывания; в README также описаны базовая и дообученная для чата версии семейства. Модель поддерживает английский и китайский языки, а метаданные указывают на контекстное окно до 163 840 токенов. Архитектура DeepSeek-V2-Lite сочетает разреженную Mixture-of-Experts (MoE) с Multi-head Latent Attention (MLA), которая сжимает KV-кэш для более эффективного вывода. README приводит 16 млрд общих параметров и 2,4 млрд активных параметров на токен; метаданные каталога указывают 2,5 млрд параметров. В README указано, что для инференса BF16 требуется GPU с 40 ГБ памяти. Модель подходит для локальных чат-сервисов и генерации текста. Заявленная в README лицензия не уточнена; метаданные Hugging Face обозначают её как other, поэтому конкретные условия использования следует проверять в файлах лицензии репозитория.

TechxGenus/DeepSeek-V2-Lite-Chat-AWQ — AWQ-квантованная версия диалоговой модели DeepSeek-V2-Lite-Chat, разработанной DeepSeek AI. Это языковая модель, дообученная для взаимодействия в формате чата и предназначенная для генерации текста, ответов на вопросы и других сценариев использования разговорных LLM. Модель построена по архитектуре Mixture-of-Experts (MoE) с Multi-head Latent Attention (MLA): всего она содержит 16 млрд параметров, из которых при обработке активируется 2,4 млрд. MLA сжимает KV-кэш в латентное представление, а разреженные вычисления MoE повышают эффективность обучения и инференса. Контекстное окно составляет 32 тысячи токенов. В README заявлена поддержка сценариев на английском и китайском языках; модель обучалась с нуля на 5,7 трлн токенов. К сильным сторонам относятся сравнительно небольшое число активных параметров, эффективность инференса и возможность развертывания на одной GPU с 40 ГБ памяти. Квантованный формат AWQ ориентирован на более экономичное локальное развертывание, однако README не приводит подробностей о влиянии квантования на качество, аппаратных требованиях конкретного запуска или результатах именно этой квантованной сборки. Модель распространяется по лицензии DeepSeek Model Agreement; код проекта отдельно отмечен как распространяемый по MIT, но это не заменяет условия лицензии самой модели.

mlx-community/DeepSeek-V3.2_bf16 — преобразованная в формат MLX версия DeepSeek-V3.2 от deepseek-ai, подготовленная сообществом mlx-community. Модель предназначена для генерации текста; её можно запускать с библиотекой mlx-lm на поддерживаемых MLX системах. Архитектура — DeepseekV32ForCausalLM; в метаданных указаны 37,6 млрд параметров и контекст до 163 840 токенов. Репозиторий создан преобразованием исходной модели с помощью mlx-lm 0.28.4. Метаданные указывают лицензию MIT и формат safetensors с FP8. README не описывает специализированные сценарии, языковое покрытие или результаты оценки качества, поэтому модель следует рассматривать как универсальную генеративную языковую модель без подтверждённой отраслевой специализации.

DeepSeek-V4-Flash-0731-dwarfstar-q2-gguf — это 2-битная квантизированная версия модели DeepSeek-V4-Flash-0731, разработанной DeepSeek. Сборка создана сообществом Rednalreden с использованием инструментов DwarfStar (ds4) и предназначена для запуска на машинах с 96 или 128 ГБ оперативной памяти, где 4-битная версия не помещается. Модель относится к задачам генерации текста и может применяться для написания кода, работы с длинным контекстом, агентских сценариев, вызовов инструментов, анализа исходного кода и подготовки связного текста. Модель использует архитектуру MoE с 43 слоями, 256 маршрутизируемыми экспертами, из которых для каждого запроса выбираются 6, а также одним общим экспертом. Файл GGUF занимает около 80,8 GiB, резидентная модель — около 80,76 GiB; при контексте 32 768 токенов требуется примерно 0,86 GiB дополнительной памяти. Маршрутизируемые эксперты квантизированы в 2 бита с использованием importance matrix, тогда как attention-проекции, общие эксперты и выходной слой используют Q8_0, а отдельные компоненты — F16. Заявлена поддержка контекста до 100 000 токенов при использовании ds4-server. Importance matrix улучшила среднюю оценку по отрицательной логарифмической правдоподобности на 1,42% относительно аналогичной Q2-сборки без importance matrix. Основное преимущество — существенная экономия памяти при сохранении большей части качества; ограничение — заметная потеря качества по сравнению с 4-битными или смешанными q2/q4-сборками. Модель требует runtime DwarfStar (ds4) и несовместима с llama.cpp. Лицензия — MIT, унаследованная от базовой модели.

TehVenom/Dolly_GPT-J-6b — объединённая модель на основе GPT-J-6B и LoRA-адаптера Dolly, опубликованная для использования возможностей Dolly без зависимости от PEFT. Она предназначена для генерации текста по инструкциям и диалоговых запросов, в сценариях, похожих на Alpaca, но на базе GPT-J вместо LLaMA. В карточке указано, что LoRA обучена samwit на очищенной версии датасета Alpaca; архитектура — плотная авторегрессионная GPT-J, формат весов — PyTorch, контекст — 2048 токенов. Автор README отмечает, что качество модели хорошее, но уступает Alpaca, связывая это с меньшим объёмом предварительного обучения GPT-J-6B по сравнению с LLaMA 7B. Поддерживаемые языки отдельно не указаны. Лицензия в предоставленных данных не указана.

Dolphin 2.0 Mistral 7B — диалоговая языковая модель, разработанная Eric Hartford и обученная при спонсорской поддержке a16z. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста и ответов в формате чата. Модель принимает текст и использует формат запросов ChatML; заявленная длина контекста — 32 768 токенов. Модель дообучена на наборе Dolphin, основанном на открытой реализации Microsoft Orca, с добавлением данных Airoboros 2.2.1. В карточке заявлены очистка данных от alignment и bias и высокая готовность следовать запросам. Подходит для диалоговых помощников, генерации и продолжения текста, а также творческих ответов. Основной язык карточки — английский. Модель распространяется под лицензией Apache-2.0 и заявлена как пригодная для коммерческого и некоммерческого использования. Автор предупреждает, что модель может выполнять в том числе неэтичные запросы, поэтому перед предоставлением пользователям рекомендуется добавить собственный слой контроля поведения.

dolphin-2.0-mistral-7b-Mistral-7B-Instruct-v0.1 — чат-модель на архитектуре Mistral с 7,1 млрд параметров, созданная объединением mistralai/Mistral-7B-Instruct-v0.1 и cognitivecomputations/dolphin-2.0-mistral-7b методом SLERP. Конфигурация указывает диапазон слоёв 0–32 для обеих моделей и формат весов bfloat16. Модель предназначена для генерации текста в ответ на инструкции и диалоговые запросы. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов, язык в карточке — английский. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или подробных ограничений; качество ответов может зависеть от формулировки запроса и задач, на которых проверяется модель.

Dolphin 2.9.2 Phi 3 Medium (Abliterated) — разговорная языковая модель, подготовленная Eric Hartford, Lucas Atkins, Fernando Fernandes и сообществом Cognitive Computations; подавление отказов выполнено FailSpy. Модель дообучена методом qLoRA на базе unsloth/Phi-3-mini-4k-instruct, а затем изменена для снижения частоты отказов. В метаданных указаны плотная архитектура MistralForCausalLM, 13,8 млрд параметров и контекст 4096 токенов; модель распространяется в формате safetensors. Модель предназначена для диалогов и выполнения инструкций, в том числе задач программирования и математики. В README также заявлены начальные агентные возможности и поддержка вызова функций; используется шаблон ChatML. В карточке указаны английский язык и наборы данных для инструкций, диалогов, кода и математики. MIT-лицензия. Модель специально настроена на более высокую готовность отвечать и может давать нежелательные ответы; авторы рекомендуют добавить собственный слой выравнивания перед предоставлением модели как сервиса. README предупреждает, что после изменения модели часть отказов базовой модели могла сохраниться.

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.

dqnGPT-v1 — это универсальный мультимодальный AI-ассистент, разработанный DQN Labs как центральный интерфейс экосистемы моделей DQN. Модель предназначена для повседневного общения, объяснения учебных и общих тем, творческого письма, мозгового штурма и решения бытовых задач. В модульных системах она может выступать разговорным фронтендом и координировать взаимодействие со специализированными моделями dqnCode, dqnMath и dqnScience, рекомендуя их для задач, требующих более глубокой экспертизы. В основе модели лежит архитектура Gemma 4 E4B с Mixture-of-Experts (MoE). Это causal language model примерно с 8 млрд параметров, из которых около 4,5 млрд активны при обработке запроса. Указан основной язык English. Модель поддерживает обработку изображений, визуальных материалов, диаграмм и структурированных входных данных, однако качество мультимодальной работы зависит от возможностей используемого runtime. Предоставляется в формате GGUF и ориентирована на эффективный локальный запуск, включая потребительские GPU и конфигурации с квантованием, в том числе 4-bit. dqnGPT-v1 делает акцент на естественном разговорном стиле, понятных объяснениях, следовании инструкциям, контекстной делегации и выразительной, слегка игривой манере общения. Ограничения модели включают отсутствие оптимизации для узкоспециализированных областей, возможную передачу сложных задач специализированным моделям, зависимость мультимодальных возможностей от runtime и непредназначенность для крупномасштабных корпоративных нагрузок. Модель не дообучалась на предметно-ориентированных датасетах: поведение формируется промптами, структурированным форматом диалогов и системными настройками. Лицензия — Apache 2.0.

DreadMix — языковая модель, созданная BoltMonkey с помощью LazyMergekit путём объединения моделей DreadPoor/Eunoia_Vespera-8B-LINEAR и DreadPoor/Promissum_Mane-8B-LINEAR-lorablated. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, примерно 7,5 млрд параметров и контекстом до 8192 токенов. Репозиторий содержит веса в формате safetensors; в конфигурации слияния указаны метод dare_ties и точность bfloat16. Модель предназначена для генерации текста и диалогового использования. Её можно применять для ответов на вопросы, написания и продолжения текста, а также для следования инструкциям в чате. В README приведены результаты Open LLM Leaderboard, включая IFEval и BBH; они дают ориентир по оценке, но не гарантируют качество в конкретных задачах. Язык обучения или преимущественный язык карточкой не установлен. Условия лицензии в предоставленных данных отсутствуют.

ECE_Poirot — языковая модель, созданная студентами инженерной школы ECE Youri LALAIN и Lilian RAGE при участии лаборатории ECE iLab и под руководством специалистов ECE и Exaion. Модель получена слиянием bond005/meno-tiny-0.1 и Qwen/Qwen2.5-1.5B-Instruct методом SLERP с настройкой весов для слоёв self-attention и MLP. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и формирует текстовые ответы; метаданные также отмечают интерфейс для вызова инструментов. Контекстное окно — 32 768 токенов. Модель опубликована в формате safetensors и доступна по лицензии Apache-2.0.

Lambent/Eidolon-v3.1-14B — объединённая разговорная языковая модель, созданная разработчиком Lambent с помощью mergekit из Lambent/Eidolon-v3-14B-wyrd и Lambent/Eidolon-v3-14B-abliterated. В README указано, что слияние линейное, с равными весами; работа также проверяла восстановление словаря до дополненного размера. Модель построена на архитектуре Qwen2, содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации текста и диалогов; метаданные также указывают интерфейс вызова инструментов. Вариант abliterated описан в каталоге как модель с уменьшенным количеством отказов. README характеризует компонент wyrd как вмешательство, связанное с направлением креативности, однако не приводит количественной оценки качества. Репозиторий содержит веса Safetensors для использования с Transformers. Лицензия в предоставленных данных не указана.

Eidolon-v3-14B — разговорная текстовая модель на архитектуре Qwen2, разработанная Lambent и дообученная на базе Lambent/ProtoEidolon-v2.2.4-14B с использованием TRL. Модель предназначена для диалогов, следования инструкциям и генерации продолжений текста; в карточке также указана совместимость с интерфейсом вызова инструментов. Модель содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. В обучении использовались SFT и DPO, в том числе данные предпочтений и текстовые корпуса; предыдущие версии в цепочке разработки включали слияния моделей. Карточка приводит результаты EQ-Bench, IFEval и GPQA, но не даёт полного независимого сравнения. Автор отмечает возможные проблемы с настроенным шаблоном чата и допускает его возврат к предыдущей версии. В метаданных указана пометка not-for-all-audiences, поэтому модель может выдавать нежелательный или токсичный контент. Лицензия в предоставленных данных не указана.

jaspionjader/ek-3 — слитая автором модель семейства Llama, созданная методом Model Stock с помощью mergekit на основе jaspionjader/ek-1 и с участием ещё четырёх моделей: Kosmos-EVAA-Franken-Immersive-v39-8B, ek-2, Kosmos-EVAA-Franken-Immersive-v41-8B и bbb-6. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и доступна в формате safetensors. Она предназначена для генерации текста и диалогового общения. Поддерживает контекст длиной до 131 072 токенов; в карточке указаны возможности chat и библиотека Transformers. Метаданные не приводят сведений о специализированной предметной области или поддерживаемых естественных языках. Лицензия в предоставленных данных не указана.

jaspionjader/ek-5 — разговорная языковая модель на архитектуре Llama, созданная объединением моделей с помощью mergekit и метода Model Stock. В качестве базовой использована jaspionjader/ek-1; в слияние также вошли jaspionjader/ek-3 и jaspionjader/ek-4. Модель предназначена для генерации текста и диалогового общения. Она содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия в доступных данных не указана.

ELM Turbo 0.25 Instruct — инструкционная языковая модель SliceX AI из семейства ELM Turbo, созданная на основе Microsoft Phi-3 Mini Instruct. Это плотная авторегрессионная модель архитектуры Phi-3 с 1,5 млрд параметров, предназначенная для диалогов и генерации текста. Разработчики описывают её как обученный с применением техник декомпозиции и «нарезки» вариант Phi-3, рассчитанный на более гибкий баланс качества, скорости вывода и потребления памяти. Модель можно запускать через Transformers; для A100 и H100 также описана интеграция с TensorRT-LLM. Модель подходит для генерации ответов и других текстовых задач в приложениях, где важны умеренный размер и возможность развертывания на ограниченных вычислительных ресурсах. Метаданные указывают контекстное окно 4096 токенов и английский язык. Репозиторий содержит веса в формате safetensors, а лицензия указана как Apache-2.0. В README рекомендовано проверять ответы: обучающие данные могут содержать ошибки, смещения и неподходящий контент.