II.6Документация и сопровождение разработки

QuantFactory/CausalLM-35b-beta-long-GGUF — квантованная версия языковой модели CausalLM/35b-beta-long, созданная QuantFactory с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев; её карточка также указывает на обучение с учётом инструкций, математических задач, программирования и специализированных текстовых наборов данных. Модель имеет размер 35 миллиардов параметров и поддерживает контекст длиной 128K и более токенов. Заявлены языки English, Chinese, Japanese и German. Для взаимодействия используется шаблон ChatML, а токенизатор отличается от токенизатора Cohere. Формат GGUF и квантование ориентированы на запуск средствами экосистемы llama.cpp и могут снизить требования к вычислительным ресурсам по сравнению с полноразмерной моделью, однако конкретный уровень квантования в карточке не указан. Сильными сторонами модели являются очень длинный контекст, многоязычность и обучение на разнообразных инструкционных, математических, энциклопедических и диалоговых данных. Ограничения включают отсутствие подробных результатов оценивания, неуказанные характеристики квантования и аппаратные требования. Модель распространяется по лицензии GPL-3.0.

Cerberus-7B-slerp — объединённая модель для генерации текста, созданная методом slerp с помощью mergekit на основе fblgit/UNA-TheBeagle-7b-v1 и UCLA-AGI/zephyr-7b-sft-full-SPIN-iter3. Это плотная Mistral-модель с 7,1 млрд параметров, принимающая текст и поддерживающая контекст до 32 768 токенов. Она подходит для генерации текста и диалоговых задач; в README приведены результаты Open LLM Leaderboard по рассуждениям и пониманию естественного языка. Модель распространяется в формате safetensors по лицензии Apache-2.0. Указанные результаты бенчмарков не гарантируют качество для конкретных задач; README не описывает целевые языки и отдельные специализированные области применения.

win10/ChatML-Nemo-Pro-model_stock — объединённая языковая модель, созданная с помощью mergekit методом Model Stock на основе win10/ChatML-Nemo-Pro. Модель использует архитектуру Mistral с плотной причинной языковой сетью и содержит 12,1 млрд параметров. Она предназначена для генерации текста и диалогового общения в формате ChatML. Модель принимает текст и выдаёт текст. В метаданных указан контекст длиной до 1 024 000 токенов и библиотека Transformers. README не приводит список дополнительных моделей, участвовавших в слиянии, поэтому состав объединения помимо базовой модели определить нельзя. Лицензия в предоставленных данных не указана.

CodeCompass-Embed — дообученная модель Faisal Mumtaz для поиска и извлечения фрагментов кода по смыслу. Она основана на Qwen2.5-Coder-0.5B, содержит 494 млн параметров и формирует векторы размерности 896. В модели использована двунаправленная attention-механика; для получения эмбеддингов поддерживаются NL→Code, Code→Code, поиск ответов на технические вопросы и Text→SQL. Модель предназначена для семантического поиска по репозиториям, базам кода и техническим коллекциям. В README указана поддержка запросов на естественном языке и кода на Python, Java, JavaScript, Go, Ruby и PHP. Метаданные указывают контекст 32 768 токенов, а карточка описывает обучение на длине 512 токенов с экстраполяцией RoPE для более длинных входов. По результатам CoIR модель показывает сильные результаты, особенно на Python. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Среди ограничений — более слабые результаты на языках программирования, отличных от Python, ухудшение на задачах соревновательного программирования с длинными решениями и возможное слабое обобщение на редкие языки программирования.

domliu/Codellama-3-8B — чат-модель для генерации текста, разработанная domliu на основе unsloth/llama-3-8b-Instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 7,5 млрд параметров; она дообучена с помощью Unsloth и библиотеки TRL. Модель предназначена для диалоговой генерации текста на английском языке и имеет контекст длиной до 8192 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не уточняет, на каких данных проводилось дообучение и какие специализированные навыки оно добавило, поэтому её возможности следует считать общими для чат-модели.

CodeTrans — модель для генерации рекомендаций по использованию API в задачах программирования на Java, разработанная Ahmed Elnaggar и Wei Ding. Она обучена на базе T5-base на наборе данных Api Recommendation Generation и предназначена для генерации примеров использования API; в карточке также приведён сценарий генерации документации Java-функций. Модель использует архитектуру T5-base с 123,8 млн параметров и собственным словарём SentencePiece. Максимальная длина контекста составляет 512 токенов. Доступны реализации в форматах PyTorch и Flax. Карточка не указывает лицензию, поэтому условия использования установить по имеющимся данным нельзя.

Dolphin3.0-R1-Mistral-24B-GGUF — это квантизированная версия языковой модели Dolphin3.0-R1-Mistral-24B, разработанной cognitivecomputations и подготовленной в формате GGUF пользователем bartowski с помощью llama.cpp. Модель предназначена для генерации текста на английском языке и запуска локально через llama.cpp, LM Studio и другие совместимые приложения. Модель основана на архитектуре Mistral и содержит 24 миллиарда параметров. Она обучалась на смесях данных для инструкционного следования, рассуждений, математики, программирования, function calling и агентных сценариев, включая наборы Dolphin, OpenCoder, Orca, Hermes, NuminaMath, Tulu и CodeFeedback. Доступны варианты квантизации от Q4 до Q8 и полноточный вариант f32; размер файлов варьируется примерно от 13,5 до 94,3 ГБ. Квантизация уменьшает требования к памяти, сохраняя приемлемое качество, однако более компактные варианты могут уступать исходной модели по точности. Сильными сторонами являются поддержка локального запуска, широкий выбор уровней квантизации и ориентация на рассуждения, математические задачи, код и выполнение инструкций. README не содержит данных о длине контекста, мультимодальности, подробных результатах оценки, системных требованиях или лицензии, поэтому эти характеристики нельзя достоверно определить.

ColorShadow-7B-v2 — разговорная языковая модель на 7,1 млрд параметров, опубликованная nlpguy. Это слияние Gradient-SLERP двух моделей на базе Mistral 7B: diffnamehard/Mistral-CatMacaroni-slerp-7B и cookinai/Valkyrie-V1. Репозиторий содержит веса в формате safetensors; модель использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате, в том числе для ответов на запросы и рассуждений. В README приведены результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag. Указана лицензия Apache-2.0. README не описывает отдельные специализированные области применения или языки.

ColPali v1.3 merged — модель визуального поиска по документам, разработанная ViDoRe на основе PaliGemma-3B. Она преобразует изображения страниц и текстовые запросы в многовекторные представления ColBERT-типа, чтобы находить релевантные страницы по их визуальным и текстовым признакам. В этой версии LoRA-адаптер уже объединён с базовой моделью vidore/colpaligemma-3b-pt-448-base; для работы с эмбеддингами предусмотрена интеграция с Sentence Transformers. Модель предназначена прежде всего для поиска по PDF-подобным документам: например, для нахождения страниц, отвечающих на запрос пользователя. Обучение проводилось на 127 460 парах «запрос — страница» на английском языке; авторы проверяли обобщение на другие языки, однако основное внимание уделено английскому и другим распространённым языкам. Для сопоставления используется позднее взаимодействие между токенами текстового запроса и визуальными патчами страницы. Модель принимает текстовые запросы и изображения страниц и выдаёт многовекторные представления для поиска и оценки сходства. Она может потребовать адаптации для систем векторного поиска, которые не поддерживают многовекторный поиск ColBERT. Карточка указывает лицензию Gemma; следует учитывать её условия использования.

Citaman/command-r-13-layer — это объединённая модель для генерации текста, созданная разработчиком Citaman на основе Citaman/command-r-14-layer с помощью mergekit и метода SLERP. Конфигурация комбинирует слои одной базовой модели в диапазонах [0, 13] и [1, 14]; веса сохранены в формате safetensors и типе bfloat16. Архитектура — плотная CohereForCausalLM, размер — 12,8 млрд параметров, контекст — до 8192 токенов. Модель предназначена для диалоговой генерации текста и интерфейса вызова инструментов. В карточке не приведены результаты оценки качества или подробные сведения о поддерживаемых языках и сценариях. Лицензия в предоставленных данных не указана.

Citaman/command-r-28-layer — текстовая модель на архитектуре Cohere, созданная методом слияния SLERP из весов Citaman/command-r-29-layer. Конфигурация объединяет сдвинутые диапазоны слоёв 0–28 и 1–29; сохранённые веса имеют формат safetensors и точность bfloat16. Модель содержит 25,1 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Подходит для чат-сценариев и генерации ответов на текстовые запросы. Языки в доступных сведениях не определены. Модель выпущена 16 апреля 2024 года. Условия лицензирования в предоставленной карточке не указаны. Поскольку это слияние весов с нестандартной перестановкой диапазонов слоёв, поведение и совместимость могут отличаться от исходной модели; оценок качества в карточке нет.

Citaman/command-r-39-layer — объединённая с помощью mergekit методом SLERP модель семейства Cohere на архитектуре CohereForCausalLM. В сборку вошли два среза слоёв базовой модели CohereForAI/c4ai-command-r-v01 с диапазонами [0, 39] и [1, 40]. Модель содержит 34,2 млрд параметров и рассчитана на генерацию текста, в том числе в диалоговом формате и через интерфейс вызова инструментов; контекст составляет 8192 токена. Модель подходит для диалоговых систем и генерации текста. В карточке не приведены отдельные сведения о языках, качестве на конкретных задачах или ограничениях применения. Файлы опубликованы в формате safetensors; лицензия в доступных данных не указана.

ComplexKDA — плотная гибридная языковая модель с 1,36 млрд параметров, созданная командой авторов, перечисленных в карточке модели, и выпущенная в рамках ComplexKDA. В архитектуре 24 слоя: линейные слои внимания чередуются с полным вниманием на каждом четвёртом слое. Модель использует Kimi Delta Attention с signed decay gate: коэффициент затухания каждого канала может принимать значения от −1 до 1, что позволяет каналам не только забывать, но и осциллировать. В карточке также указаны 16 голов размерности 128, свёртка ширины 4 и MLP SwiGLU. Модель предназначена для генерации текста и диалогового применения. Обученный контекст составляет 4096 токенов; словарь токенизатора содержит 32 000 токенов. Для токенизации следует использовать токенизатор из репозитория: он не добавляет BOS автоматически и завершает документы EOS. Реализация модели поставляется для Transformers и использует PyTorch. Карточка сообщает, что веса экспортированы из обучающего чекпойнта, причём конверсия была только метаданной и сами веса сохранены без изменений. Лицензия — MIT. Модель работает с текстом; сведений о поддерживаемых естественных языках в предоставленных данных нет.

Edens-Gate/Control-8B-V1.1-abliteration — объединённая языковая модель, созданная с помощью mergekit методом task arithmetic на основе Delta-Vector/Control-8B-V1.1 и grimjim/Llama-3-Instruct-abliteration-LoRA-8B. Это плотная архитектура семейства Llama с примерно 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель принимает текст и выдаёт текст; заявленная длина контекста — 131072 токена. Модель опубликована в формате safetensors и использует библиотеку Transformers. Метаданные не содержат сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Карточка описывает метод слияния, но не приводит оценок качества или подробных ограничений применения.

CultriX-MonaCeption-7B-SLERP-DPO — языковая модель авторегрессионной генерации текста, созданная слиянием моделей CultriX методом SLERP и последующим DPO-дообучением. Это плотная модель архитектуры Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; для работы доступны веса в формате safetensors и библиотека Transformers. Модель предназначена для генерации продолжений текста и диалоговых ответов в сценариях, где нужен контекстный текстовый помощник. В README перечислены объединённые модели CultriX/MonaTrix-v4 и CultriX/MergeCeption-7B-v3, а также указано, что результат прошёл DPO-файнтюнинг. Сведения о специализации по языкам или предметным областям отсутствуют. Модель распространяется по лицензии Apache 2.0.

Kaballas/Cyber13 — языковая модель Kaballas, дообученная на Kaballas/Cyber8. Это плотная модель семейства Llama с 7,5 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель поддерживает контекст длиной до 131072 токенов и имеет интерфейс для вызова инструментов. Модель хранится в формате PyTorch и распространяется по лицензии Apache-2.0. В README указано, что при обучении использовались Unsloth и библиотека TRL; заявлено ускорение обучения вдвое. Карточка не описывает специализацию или результаты оценки качества, поэтому пригодность для конкретных задач следует проверять самостоятельно.

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

Lambent/danube2-upscale-1.7 — языковая модель, созданная разработчиком Lambent с помощью линейного слияния четырёх вариантов danube2-upscale. В основе архитектуры MistralForCausalLM с плотной структурой; модель содержит 2,2 млрд параметров и рассчитана на контекст до 8192 токенов. Веса опубликованы в формате Safetensors, лицензия — Apache-2.0. Модель предназначена для генерации текста и общих языковых задач. В README приведены результаты бенчмарков AGIEval, GPT4All, TruthfulQA, Bigbench и EQ-Bench; автор отмечает, что это первый вариант серии, показавший многообещающее улучшение относительно h2o-danube2-1.8b-base. Методика экспериментов описана как беспорядочная, а воспроизвести рецепт обучения автор считает затруднительным.

shadowml/DareBeagel-2x7B — языковая модель для диалоговой генерации текста, созданная объединением mlabonne/NeuralBeagle14-7B и mlabonne/NeuralDaredevil-7B в MoE-архитектуру Mixtral с помощью LazyMergekit. Конфигурация использует случайный режим маршрутизации экспертов. В метаданных указаны 7,1 млрд параметров, контекст до 32 768 токенов и формат safetensors. Модель предназначена для чатов и генерации ответов на текстовые запросы; в README приведены результаты оценки на задачах рассуждения и продолжения здравого смысла. Репозиторий распространяется по лицензии Apache-2.0. README озаглавлен Beyonder-2x7B-v2, тогда как идентификатор репозитория содержит DareBeagel-2x7B.

DeciLM-7B — авторегрессионная языковая модель для генерации текста, разработанная компанией Deci. Это предварительно обученная плотная модель с архитектурой Transformer decoder и 7,04 млрд параметров; метаданные репозитория указывают 7,9 млрд параметров. Архитектура создана с помощью AutoNAC и использует переменное число голов Grouped-Query Attention по слоям для сочетания качества и скорости. Длина контекста составляет 8192 токена. Модель предназначена для генерации текста на английском языке, коммерческого и исследовательского применения, а также для дообучения под различные задачи и языки. Карточка сообщает о высоких результатах среди базовых моделей класса 7B на Open LLM Leaderboard и высокой пропускной способности; доступен отдельный instruct-вариант для диалогового использования. Модель принимает текст и генерирует текст. Качество и поведение на других языках и в разных сценариях требуют отдельной проверки: оценивание проводилось преимущественно на английском языке. Выводы могут быть неточными, предвзятыми или нежелательными, поэтому перед внедрением необходимы тестирование и настройка под конкретное применение. Лицензия — Apache 2.0.

arcee-ai/DeepSeek-R1-bf16 — конверсия весов DeepSeek-R1 из исходного FP8 в BF16. DeepSeek-R1 разработана DeepSeek на базе DeepSeek-V3-Base; она использует обучение с подкреплением и этапы дообучения с учителем для развития навыков рассуждения. В репозитории указаны архитектура DeepSeek V3, 37,6 млрд параметров и контекст длиной до 163 840 токенов. Модель предназначена для генерации текста в диалоге, решения математических задач, программирования и многошаговых рассуждений. Карточка описывает саму DeepSeek-R1 как разреженную MoE-модель с 671 млрд параметров и 37 млрд активируемых параметров, однако метаданные этого репозитория классифицируют архитектуру как плотную и указывают 37,6 млрд параметров; характеристики оригинала не следует переносить на эту конверсию без оговорки. В метаданных также отмечен интерфейс вызова инструментов. В README не приведены сведения о лицензии и отдельных ограничениях для этой конверсии. Для запуска потребуется совместимая среда инференса с поддержкой BF16; пригодность модели зависит от доступной памяти и оборудования.

DeepSeek-R1-Distill-Llama-8B — плотная языковая модель семейства Llama, разработанная DeepSeek и дообученная на примерах рассуждений, созданных DeepSeek-R1. Она предназначена для генерации текста с акцентом на решение математических задач, программирование и многошаговые рассуждения; также поддерживает диалоговый режим. Модель содержит 7,5 млрд параметров и имеет контекст до 131 072 токенов. Модель основана на Llama-3.1-8B. В README указано, что конфигурации и токенизатор были слегка изменены, поэтому для ожидаемого качества рекомендуется использовать настройки из карточки модели. Метаданные указывают формат safetensors, библиотеку Transformers и лицензию MIT. Модель может генерировать длинные цепочки рассуждений; качество конкретных ответов зависит от задачи и настроек генерации.

win10/DeepSeek-R1-Distill-sthenno-14b-0121-union-tokenizer — объединённая модель на 14 млрд параметров, созданная автором репозитория методом TIES с помощью mergekit. В качестве основы использована sthenno-com/miscii-14b-1225; в объединение также вошли sthenno/tempesthenno-ppo-ckpt40 и unsloth/DeepSeek-R1-Distill-Qwen-14B. Модель построена на архитектуре Qwen2 и распространяется в формате safetensors. Модель предназначена для диалоговой генерации текста. Метаданные указывают контекст до 131 072 токенов и поддержку чата; языки и специализированные прикладные области в карточке не определены. Лицензия в предоставленных данных не указана.

DeepSeek-V4-Flash-0731-GGUF — квантизированная версия модели DeepSeek-V4-Flash-0731, разработанной DeepSeek и опубликованной в формате GGUF организацией ggml-org. Модель предназначена для задач генерации текста и может использоваться в совместимых инструментах для локального или серверного запуска, включая llama.cpp и приложение llama.app. В README не указаны архитектура, количество параметров, поддерживаемые языки, размер контекста и точный набор модальностей; по имеющимся данным модель относится к текстовым генеративным моделям. Доступны квантизированные варианты, при этом для вариантов Q2 пока не применялась imatrix-калибровка, что может влиять на их качество. Модель автоматически конвертирована средствами проекта ggml-org/convert. Модель распространяется по лицензии MIT. Для запуска требуется совместимое программное обеспечение, поддерживающее формат GGUF.

DeepVeo-R1-B — объединённая языковая модель сообщества mergekit-community, созданная методом DARE TIES на базе Qwen/Qwen2.5-1.5B-Instruct с включением Alfitaria/Q25-1.5B-VeoLu и deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, рассчитанная на генерацию текста и диалоговые сценарии. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Модель распространяется в формате safetensors через Transformers. Модель подходит для диалоговых ответов и генерации текста с использованием возможностей объединённых чекпойнтов. README описывает способ слияния, состав моделей и параметры конфигурации, но не приводит сравнительных оценок качества или подробных сведений о языковом покрытии. Лицензия в предоставленных данных не указана.

KnutJaegersberg/Deita-4b — диалоговая языковая модель на архитектуре Qwen2 с 3,6 млрд параметров. Она предназначена для генерации текста и выполнения пользовательских инструкций в формате чата; в карточке приведён пример ответа на вопрос о дообучении языковых моделей. Модель использует формат safetensors и поддерживает контекст до 32 768 токенов. В метаданных указан датасет KnutJaegersberg/Deita-6k, что указывает на дообучение базовой модели, однако идентификатор исходного чекпойнта не приведён. README сообщает результаты оценки на нескольких тестах Open LLM Leaderboard, но не даёт полного набора результатов. Лицензия обозначена как other, поэтому условия использования следует уточнять по странице модели.

DevQuasar-R1-Uncensored-Llama-8B — объединённая авторами DevQuasar языковая модель для генерации текста и диалогов. Она создана методом линейного слияния трёх моделей: DeepSeek-R1-Distill-Llama-8B, LLama-3.1-8B-HyperNova-abliteration и Llama-3.1-8B-Lexi-Uncensored-V2. Архитектура — плотная LlamaForCausalLM; размер — 7,5 млрд параметров, контекст — до 131 072 токенов. Модель предназначена для диалоговых ответов, рассуждений и задач общего характера. В README приведены результаты оценивания, включая HellaSwag, и заявлено улучшение по большинству тестов относительно DeepSeek-R1-Distill-Llama-8B, однако подробности таблицы в карточке представлены не полностью. Модель распространяется по лицензии MIT.

Dirk-Qwen3.8-27B-MLX-oQ4e — это квантизированная версия базовой модели Qwen3.8-27B от Qwen, подготовленная peculiar-ragdoll для запуска на Apple Silicon через MLX и совместимые среды, включая oMLX и mlx-vlm. Модель предназначена для текстовых и визуальных запросов, генерации ответов, анализа изображений, агентного программирования и других сценариев, где важны скорость, компактность и экономное использование токенов. Модель представляет собой плотную vision-language модель с 27 млрд параметров, поддерживает английский и китайский языки, сохраняет vision tower и MTP head для multi-token-prediction и speculative decoding. Используется смешанная imatrix-калиброванная квантизация oQ4e примерно 4,9 bpw; размер модели составляет около 15,8 ГБ, что позволяет запускать её на Mac с 24 ГБ памяти с запасом под контекст. Заявлено окно контекста до 262 144 токенов при использовании соответствующей настройки runtime. В комплект включён Sharp chat template v22.5.0 с компактным стилем ответов и управляемым уровнем reasoning_effort от low до xhigh; по умолчанию используется medium. Сильные стороны модели — поддержка изображений без отдельного projector-файла, возможность ускорения генерации с помощью MTP, компактные ответы и адаптация под локальный запуск на Apple Silicon. Ограничения связаны с потерями точности, характерными для квантизации, зависимостью от совместимого vision loader и runtime, а также с тем, что заявленные собственные benchmark-результаты ещё находятся в процессе измерения. Для корректной работы рекомендуется mlx-vlm версии 0.6.3 или новее; mlx-lm использовать не следует. Модель распространяется по лицензии Apache-2.0.

Многоязычная модель Manuel Romero для обнаружения опечаток в тексте. Она основана на distilbert-base-multilingual-cased и дообучена на GitHub Typo Corpus с разметкой в стиле NER: модель классифицирует токены, отмечая ошибочные фрагменты. Подходит для автоматической проверки текста и поиска опечаток в пользовательском вводе, например в сообщениях и кодовых комментариях. В README указаны результаты на тестовом наборе: F1 93,51, точность 96,08 и полнота 91,06. Модель использует архитектуру DistilBERT для классификации токенов, принимает текст и имеет контекст до 512 токенов. Карточка сообщает об обучении на корпусе для 15 языков; среди языков, перечисленных в метаданных, есть английский, китайский, японский, русский, французский, немецкий, португальский, испанский, корейский и хинди. Лицензия в предоставленных данных не указана.

Dolphin 2.1 Mistral 7B — разговорная языковая модель, разработанная Eric Hartford и обученная на базе Mistral. Она предназначена для диалога, ответов на вопросы и выполнения инструкций в формате ChatML. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст до 32 768 токенов. При обучении использованы наборы Dolphin, созданный как открытая реализация подхода Microsoft Orca, и Airoboros 2.2.1 для расширения творческих ответов. Карточка описывает модель как uncensored и предупреждает о высокой готовности выполнять запросы, в том числе неэтичные; перед развёртыванием сервиса рекомендуется добавить собственный уровень фильтрации. Указана лицензия Apache 2.0, допускающая коммерческое и некоммерческое использование.