II.6Документация и сопровождение разработки

Monarch-7B-slerp — объединённая модель для генерации текста на основе архитектуры Mistral, созданная mlabonne с помощью LazyMergekit. Она объединяет mlabonne/OmniTruthyBeagle-7B-v0 и mlabonne/NeuBeagle-7B методом SLERP; размер модели — 7,1 млрд параметров, формат файлов — safetensors. Модель предназначена для генерации и продолжения текста, включая диалоговые ответы. Она поддерживает контекст до 32 768 токенов. В README не описаны специальные предметные области или языки; лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Sakalti/mont-xl-agi — языковая модель для генерации текста, созданная слиянием моделей с помощью mergekit и метода SLERP. В неё вошли allknowingroger/Qwen2.5-42B-AGI и Qwen/Qwen2.5-0.5B-Instruct; в метаданных также указан Qwen2 как семейство архитектуры и класс Qwen2ForCausalLM. Модель содержит 747,4 млн параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена для диалогов, выполнения инструкций и генерации текста. Метаданные отмечают интерфейс для вызова инструментов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Сведения о лицензии и поддерживаемых естественных языках отсутствуют в предоставленной карточке и метаданных.

Moza-7B-v1.0 — экспериментальная языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная автором kidyu как слияние нескольких предварительно обученных и дообученных моделей с помощью mergekit и метода DARE TIES. Среди компонентов — варианты Mistral, NeuralHermes, OpenOrca, Neural Chat, Starling, Dolphin и MetaMath; базой слияния указана mistralai/Mistral-7B-v0.1. Модель предназначена для генерации текста по инструкциям и диалоговых сценариев. Для инференса предлагается формат Alpaca. Контекст составляет 32 768 токенов; в репозитории есть веса safetensors и квантованный вариант GGUF. Карточка не описывает отдельную специализацию по языкам или областям применения. Лицензия — Apache-2.0. Автор предупреждает, что слияние выполнено экспериментально, а использовать модель следует на свой риск.

iamplus/mpt-30b-v2 — дообученная языковая модель на архитектуре MPT, созданная на базе mosaicml/mpt-30b. В README указаны llm-foundry от MosaicML и набор данных flan3m-GPT3.5; метаданные также связывают репозиторий с датасетом ehartford/dolphin. Модель предназначена для генерации текста по запросам, включая ответы на вопросы в формате с системным сообщением и вопросом. Веса опубликованы в формате PyTorch, размер модели — 30 млрд параметров по идентификатору базовой модели. Указана лицензия Apache-2.0. В карточке нет данных о поддерживаемых естественных языках и длине контекста, поэтому их нельзя уточнить.

korvo/MS-RandomMergeTest_v2-TIES-22B — объединённая модель для генерации текста, созданная автором репозитория с помощью mergekit. В основе объединения лежит concedo/Beepo-22B; также использованы nbeerbower/Mistral-Small-Gutenberg-Doppel-22B, anthracite-org/magnum-v4-22b, crestf411/MS-sunfall-v0.7.0 и TheDrummer/Cydonia-22B-v1.1. В README указан метод della_linear, а метаданные описывают архитектуру как плотную MistralForCausalLM размером 22 млрд параметров. Модель предназначена для генерации связного текста и диалогового применения. Она принимает текст и выдаёт текст, работает с контекстом до 32 768 токенов; базовая модель описана в каталоге как англоязычная диалоговая модель для следования инструкциям и создания прозы. Репозиторий содержит веса в формате safetensors и имеет интерфейс для вызова инструментов. Лицензия в предоставленных данных не указана.

Карточка модели zelk12/MT2-GP-gemma-2-RIv0.1RAv0.1-9B на Hugging Face совпадает с карточкой zelk12/MT5-IF-gemma-2-RIv0.1RAv0.1-9B, поэтому описание составлено по ней. zelk12 выпустил объединённую модель Gemma 2 для диалогов и генерации текста. Она создана методом SLERP с помощью mergekit из моделей zelk12/recoilme-gemma-2-Ifable-9B-v0.1 и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1. Модель имеет плотную архитектуру Gemma2ForCausalLM и содержит 9 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 8192 токена. Репозиторий распространяет веса в формате safetensors и использует библиотеку Transformers. Модель подходит для ведения диалогов и генерации ответов по текстовым инструкциям. README и метаданные не сообщают о специальных прикладных областях или ограничениях качества. Лицензия в предоставленных данных не указана.

zelk12 создал эту диалоговую языковую модель, объединив с помощью SLERP двух предварительно обученных моделей Gemma 2: recoilme/recoilme-gemma-2-9B-v0.3 и zelk12/recoilme-gemma-2-Ifable-9B-v0.1. Модель использует плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и рассчитана на генерацию текста и диалоговое общение; поддерживает контекст до 8192 токенов. Модель подходит для чат-ботов и генерации ответов на текстовые запросы. В карточке указаны формат safetensors и библиотека Transformers. Сведения о лицензии и конкретных языках в доступных данных отсутствуют, поэтому условия распространения и языковой охват по этой карточке определить нельзя.

zelk12/MT3-Gen5-GP-gemma-2-RAv0.1E-9B — объединённая языковая модель, созданная разработчиком с помощью mergekit из Aashraf995/Gemma-Evo-10B и zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1. Для слияния использован метод SLERP с параметром t=0.5; архитектура — плотная Gemma 2, класс Gemma2ForCausalLM, размер — 9 млрд параметров. Модель предназначена для генерации текста и диалогового взаимодействия, принимает текст и выдаёт текст. Нативная длина контекста — 8192 токена; доступна в формате safetensors для библиотеки Transformers. Модель подойдёт для создания разговорных приложений и генерации текста. В README и метаданных не приведены подробные результаты оценки качества или сведения о специальных предметных областях. Лицензия в предоставленных данных не указана.

zelk12/MT4-Gen4-BI-gemma-2-9B — это объединённая модель для генерации текста и диалогов, созданная с помощью mergekit методом SLERP из двух предварительно обученных моделей Gemma 2. Модель разработана автором репозитория zelk12 и представлена в формате safetensors для библиотеки Transformers. Модель содержит 9 млрд параметров, использует плотную архитектуру Gemma2ForCausalLM и поддерживает контекст до 8192 токенов. Её можно применять для генерации ответов в диалогах и других текстовых сценариях. README не уточняет языки обучения или специализацию объединённых моделей; поэтому отдельные языки и прикладные области не выделяются. Веса объединены в формате bfloat16. Лицензия в предоставленных данных не указана.

zelk12/MT5-IG-gemma-2-9B — объединённая языковая модель на основе Gemma 2, опубликованная как результат слияния двух предварительно обученных моделей с помощью SLERP в mergekit. Она предназначена для генерации текста в диалоговом формате и других сценариев, поддерживаемых задачей text-generation. Модель имеет плотную архитектуру Gemma2ForCausalLM, содержит 9 млрд параметров и принимает контекст длиной до 8192 токенов. В состав слияния вошли zelk12/MT5-IF-gemma-2-RIv0.1RAv0.1-9B и zelk12/MT5-GP-gemma-2-RIv0.1RAv0.1-9B; веса сохранены в формате safetensors. Метаданные не дают оснований указать конкретные языки или специализированные предметные области. Лицензия в предоставленных сведениях не указана.

zelk12/MT5-IGMAMU-gemma-2-9B — объединённая языковая модель, созданная методом SLERP с помощью mergekit на основе zelk12/MT5-IG-gemma-2-9B и zelk12/MT5-MAMU-gemma-2-9B. Модель построена на архитектуре Gemma 2, содержит 9 млрд параметров и рассчитана на генерацию текста и диалоговые ответы; поддерживает контекст до 8192 токенов. Модель подходит для чат-ботов и других сценариев генерации текста. Веса доступны в формате safetensors для библиотеки Transformers. В README не указаны языковая специализация и лицензия, поэтому они не описываются.

zelk12/MT-Gen5-IF-gemma-2-MT5g4MT4g2-9B — объединённая модель для генерации текста и диалогов, созданная с помощью mergekit из zelk12/MT4-Gen2-gemma-2-9B и zelk12/MT5-Gen4-gemma-2-9B. Для слияния применён метод SLERP; модель основана на архитектуре Gemma 2, содержит 9 млрд параметров и рассчитана на контекст до 8192 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Модель предназначена для генерации текста и диалогового взаимодействия. Карточка не приводит сведения о конкретных языках или специализированных областях применения. Условия лицензии в предоставленных данных не описаны.

zelk12 создал эту разговорную модель, объединив методом SLERP две предварительно обученные языковые модели: zelk12/MT-Gen4-gemma-2-9B и zelk12/MT3-Gen4-gemma-2-9B. Это плотная модель Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она поддерживает контекст длиной до 8192 токенов и работает через библиотеку Transformers; веса опубликованы в формате Safetensors. Модель подходит для диалоговых приложений и генерации текстовых ответов. В карточке указана лицензия Gemma, поэтому перед использованием следует соблюдать её условия. README не приводит оценок качества или специальных ограничений по сценариям применения.

DazzlingXeno/Mystery-Magnum — языковая модель, созданная объединением предварительно обученных моделей методом Model Stock с помощью mergekit. Базой служит 01-ai/Yi-1.5-34B-32K; в объединение также вошли anthracite-org/magnum-v3-34b и TheSkullery/Y1.5-MS-Mysteria-34b. Модель с плотной архитектурой семейства Llama содержит 33,9 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста. Веса доступны в формате safetensors; для запуска указана библиотека Transformers. Карточка не описывает конкретные сильные стороны или ограничения модели. Условия лицензии в предоставленных данных не приведены.

win10/nemolita-21b — объединённая автором win10 с помощью mergekit языковая модель на архитектуре Mistral, созданная из unsloth/Mistral-Nemo-Instruct-2407 и MarinaraSpaghetti/Nemomix-v1.0-12B методом passthrough merge. Модель содержит 20,7 млрд параметров и предназначена для генерации текста и диалогового взаимодействия; метаданные также указывают интерфейс вызова инструментов. Она принимает текст и выдаёт текст. Модель распространяется в формате safetensors и рассчитана на контекст до 1 024 000 токенов. Языки и специализированные области применения в предоставленных данных не определены. Лицензия не указана в источниках; качество и ограничения объединения отдельно не описаны.

NeoHorse-1-4B-GGUF — GGUF-версии примерно 4-миллиардной причинной языковой модели NeoHorse-1-4B, разработанной TokenRhythm на базе Qwen3.5-4B. Модель дообучалась для текстовых агентных сценариев, использования инструментов, программирования, рассуждений и следования инструкциям. Это текстовая модель без заявленной поддержки изображений или других мультимодальных данных. Репозиторий предназначен для локального запуска через llama.cpp, Ollama и LM Studio. Доступны веса в формате BF16, а также 8-, 5- и 4-битные квантизованные варианты, которые требуют меньше дискового пространства и оперативной памяти. Архитектура описана как агентно-ориентированная причинная языковая модель; размер контекста и поддерживаемые языки в README не указаны. К сильным сторонам относятся ориентация на агентное взаимодействие и tool use, задачи программирования и instruction following, а также заявленное улучшение среднего результата на десяти бенчмарках по сравнению с Qwen3.5-4B: 64,87 против 58,94. Ограничения включают отсутствие подробных сведений о языках, контексте и характеристиках отдельных квантизаций; заявленные результаты могут зависеть от условий оценки. Модель распространяется по лицензии Apache-2.0.

NeoHorse-1-9B-GGUF — это набор GGUF-квантизованных файлов модели NeoHorse-1-9B, разработанной TokenRhythm и распространяемой в этой сборке сообществом ngquocvinh. Модель представляет собой причинную языковую модель примерно на 9 млрд параметров, созданную на основе Qwen3.5-9B и предназначенную для текстовых агентских систем, использования инструментов, программирования, рассуждений и выполнения инструкций. В сборке применена библиотека llama.cpp и поддерживается текстовая генерация. Модель рассчитана на локальный запуск с разными уровнями квантизации. Размер файлов варьируется примерно от 1,97 до 9,53 ГБ; Q4_K_M указан как сбалансированный вариант, а Q5_K_M, Q6_K и Q8_0 обеспечивают большую точность при наличии достаточного объёма памяти. Согласно данным исходной карточки, базовая модель поддерживает контекст до 262 144 токенов с возможностью расширения до 1 010 000 токенов, однако эти характеристики относятся к upstream-модели и могут зависеть от используемой конфигурации запуска. Сильными сторонами являются поддержка агентских сценариев, tool use, программирования и рассуждений, а также возможность локального запуска на совместимом оборудовании. Ограничения включают отсутствие vision-весов и поддержку только текста, а также потенциальное снижение качества на низких уровнях квантизации. Приведённые результаты оценки качества относятся к совпадению следующего токена с BF16-версией, а не напрямую к качеству решения задач; показатели исходной модели не являются результатами тестирования этих GGUF-файлов. Лицензия — Apache-2.0.

Neural-AlphaMistral-7B — диалоговая языковая модель, созданная Ppoyaa слиянием трёх моделей с помощью LazyMergekit: AlphaMonarch-7B, Mistral-7B-Instruct-v0.2 и NeuralMaths-Experiment-7b. Используется архитектура MistralForCausalLM с плотной структурой и 7,1 млрд параметров; веса сохранены в формате safetensors. Модель предназначена для генерации текста и ответов в диалоге, включая задачи, опирающиеся на возможности исходных моделей. Контекстное окно составляет до 32 768 токенов. Модель принимает текстовые запросы и генерирует текст. Репозиторий распространяется по лицензии Apache-2.0. README не приводит оценок качества или подробных результатов по отдельным задачам; фактические возможности унаследованного экспериментального компонента могут отличаться от поведения исходных моделей.

NeuralDareDMistralPro-slerp — объединённая модель на основе mlabonne/NeuralDaredevil-7B и NousResearch/Hermes-2-Pro-Mistral-7B, созданная автором репозитория методом slerp с помощью LazyMergekit. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она предназначена для генерации текста; базовые модели ориентированы на диалоги и выполнение инструкций, однако отдельные возможности объединённой модели в карточке не описаны. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Locutusque/NeuralHyperion-2.0-Mistral-7B — языковая модель на архитектуре Mistral, дообученная разработчиком Locutusque на Hyperion-v2.0 и дополнительно с помощью DPO на предпочтениях Capybara. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на сложные вопросы, диалогов и рассуждений в научно-технических областях, генерации кода, математических задач и понимания медицинских текстов. В README заявлена поддержка английского языка; метаданные также отмечают задачи, связанные с кодом и химией. Качество ответов может быть непоследовательным из-за различий в форматировании и качестве разметки обучающих данных; результаты оценки в карточке пока не приведены. Модель распространяется по лицензии Apache-2.0.

Neuralmistral — слитая модель генерации текста на архитектуре Mistral, созданная Kiruthikarthi с помощью LazyMergekit. Она объединяет OpenPipe/mistral-ft-optimized-1218 и mlabonne/NeuralHermes-2.5-Mistral-7B методом slerp; конфигурация смешивает веса слоёв self-attention и MLP. Модель содержит 7,1 млрд параметров, использует формат safetensors и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста по текстовому запросу, например для диалоговых ответов и создания текста. Карточка не сообщает отдельных результатов оценки, целевых языков или специальных прикладных областей. Лицензия в предоставленных данных не указана.

NeuralMonarch-7B — языковая модель на 7,1 млрд параметров, разработанная Mlabonne на основе Monarch-7B. Это плотная авторегрессионная модель семейства Mistral, дообученная методом DPO на наборах предпочтений truthy-dpo-v0.1 и distilabel-intel-orca-dpo-pairs. Исходная Monarch-7B создана слиянием нескольких моделей, включая OmniTruthyBeagle-7B-v0, NeuBeagle-7B и NeuralOmniBeagle-7B. Модель предназначена для диалогов, следования инструкциям и задач рассуждения. Карточка рекомендует шаблон чата Mistral Instruct и сообщает об окне контекста 8 тыс. токенов; метаданные указывают нативный контекст 32 768 токенов. Заявлены хорошие результаты в бенчмарках для моделей класса 7B, однако эти оценки не гарантируют качество в конкретных сценариях. Модель принимает текст и генерирует текст. В карточке указан английский язык. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

NeuralsirkrishnaShadow_AlloyingotneoyExperiment24 — объединённая методом SLERP модель Mistral, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/AlloyingotneoyExperiment24-7B. Она содержит 7,1 млрд параметров, принимает текст и предназначена для генерации текста, включая диалоговые сценарии. Контекст модели — до 32 768 токенов; веса опубликованы в формате safetensors. Модель подходит для генерации ответов и продолжения текста. Репозиторий создан 9 апреля 2024 года и распространяется по лицензии Apache-2.0. Карточка не сообщает о специальной предметной области или гарантированных характеристиках качества.

NeuralsirkrishnaShadow_ShadowExperiment24 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/ShadowExperiment24-7B. Модель разработана и опубликована MaziyarPanahi; в её карточке указано объединение двух базовых моделей. Модель предназначена для генерации текста и принимает текстовые запросы. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Сведения о специализации на конкретных языках или прикладных областях отсутствуют. Модель доступна по лицензии Apache-2.0. Карточка не приводит оценки качества или подробных сведений о поведении модели, поэтому пригодность для конкретного применения следует проверять отдельно.

NeuralsirkrishnaShadow_Strangemerges_32Experiment28 — объединённая языковая модель на архитектуре Mistral, созданная из automerger/NeuralsirkrishnaShadow-7B и automerger/Strangemerges_32Experiment28-7B. Модель содержит 7,1 млрд параметров и предназначена для генерации текста, включая диалоговые сценарии и продолжение текстовых запросов. Контекст модели достигает 32 768 токенов. Репозиторий содержит веса в формате safetensors. В карточке не описаны языковая специализация или дополнительные возможности, поэтому её назначение можно определить как генерацию текста общего назначения. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/NeuralsirkrishnaShadow_YamshadowExperiment28 — слитая текстовая модель, созданная на основе automerger/NeuralsirkrishnaShadow-7B и automerger/YamshadowExperiment28-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Модель распространяется по лицензии Apache-2.0. Данных о специализированных областях применения и языках в карточке нет.

NeuralStock-7B — объединённая языковая модель семейства Mistral, созданная Kukedlc с помощью LazyMergekit из liminerity/M7-7b, Gille/StrangeMerges_32-7B-slerp и automerger/YamShadow-7B. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и предназначена для генерации текста и диалогов. Модель принимает текст и выдаёт текст. Заявленная длина контекста составляет 32 768 токенов. В README указаны метод объединения model_stock и формат весов bfloat16; репозиторий содержит файлы safetensors. Данные не устанавливают специализированные области применения или основной язык. Карточка не сообщает результатов оценки качества или известных ограничений, поэтому пригодность для конкретных сценариев следует проверять отдельно. Лицензия в предоставленных данных не указана.

Newq-0.5B-Instruct — компактная инструктивная языковая модель примерно с 494 млн параметров, созданная на базе Qwen/Qwen2.5-0.5B-Instruct. Она предназначена для диалогов и генерации текста общего назначения. Модель использует архитектуру Qwen2 с 24 слоями и групповым запросным вниманием (14 голов Q и 2 головы KV), поддерживает контекст до 32 768 токенов и представлена в формате safetensors для библиотеки Transformers. Компактный размер позволяет запускать её на CPU или видеокарте умеренной мощности, а длинный контекст подходит для работы с объёмными текстовыми запросами. В метаданных указана поддержка английского языка и интерфейса вызова инструментов. Модель распространяется по лицензии Apache-2.0.

yejingfu/nmagic-Meta-Llama-3.1-8B-Instruct-FP8 — это FP8-квантизированная версия Meta-Llama-3.1-8B-Instruct, разработанная Neural Magic на базе модели Meta. Она предназначена для задач генерации текста и ассистентского диалога, включая коммерческое и исследовательское использование. Модель принимает и возвращает текст; в метаданных указаны английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки, однако README отдельно ограничивает использование языками, отличными от английского, поэтому языковая применимость требует осторожной проверки. Модель имеет архитектуру Meta-Llama-3.1 и около 8 миллиардов параметров. Веса и активации линейных операторов в трансформерных блоках квантизированы в FP8 с использованием симметричной потензорной схемы. Это снижает число битов на параметр с 16 до 8, а размер на диске и требования к памяти GPU примерно на 50%. Модель оптимизирована для инференса с vLLM и поддерживает OpenAI-совместимую подачу сервиса. По данным README, средний результат на OpenLLM Leaderboard составляет 73,44 против 73,79 у неквантизированной исходной модели, что указывает на небольшое снижение качества при заметном сокращении требований к ресурсам. Для квантизации использовались 512 калибровочных последовательностей UltraChat длиной до 4096 токенов; это не подтверждает максимальный контекст модели. Модель распространяется по лицензии llama3.1, применяемой к исходной Meta Llama 3.1.

Norns-Qwen2.5-12B — языковая модель семейства Qwen2.5 с архитектурой Qwen2ForCausalLM, опубликованная пользователем win10. В репозитории указаны 11,7 млрд параметров, контекст до 32 768 токенов и формат весов safetensors; модель предназначена для генерации текста и диалогового общения. Модель создана с помощью mergekit методом passthrough merge на основе win10/Norns-Qwen2.5-7B. Метаданные также отмечают эту базовую модель как дообученную. Модель работает с текстом и поддерживает чатовый сценарий; сведения о конкретных языках и специализированных областях применения в карточке отсутствуют. Лицензия в предоставленных данных не указана. Карточка не приводит результатов оценки качества или специальных ограничений, поэтому пригодность для конкретных задач следует проверять отдельно.