II.6Документация и сопровождение разработки

Карточка модели dwivedula/Samrudh-3-Brahma-7B на Hugging Face совпадает с карточкой dwivedula/Samrudh-2-Brahma-7B, поэтому описание составлено по ней. Samrudh-2-Brahma-7B — дообученная dwivedula языковая модель на архитектуре Qwen2 для генерации текста и диалогов. Она основана на unsloth/Qwen2.5-7B-Instruct-bnb-4bit и обучалась с использованием Unsloth и библиотеки TRL от Hugging Face. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Её можно использовать для диалогового взаимодействия и генерации ответов; в метаданных также указана поддержка интерфейса вызова инструментов. Карточка модели не уточняет специальные предметные области или дополнительные возможности дообучения. Модель распространяется по лицензии Apache-2.0. Качество и ограничения, специфичные для этого дообучения, в карточке не описаны.

SauerkrautLM Mixtral 8X7B Instruct — это инструкционная языковая модель на архитектуре Mixtral, разработанная VAGO solutions и представленная в квантованном формате GGUF командой TheBloke. Она предназначена для генерации текста и диалогового взаимодействия, включая выполнение пользовательских инструкций, ответы на вопросы и локальный запуск через llama.cpp и совместимые интерфейсы и библиотеки. Модель основана на SauerkrautLM-Mixtral-8x7B-Instruct и использует архитектуру Mixtral 8x7B. В репозитории доступны варианты квантования с разрядностью от 2 до 8 бит для инференса на CPU и GPU. Заявлена поддержка английского, немецкого, французского, итальянского и испанского языков. Для форматирования запросов используется шаблон Mistral [INST] {prompt} [/INST]. При обучении или доработке применялся датасет argilla/distilabel-math-preference-dpo. К сильным сторонам относятся инструкционная настройка, многоязычность и широкий выбор уровней квантования, позволяющий адаптировать требования к памяти и производительности. Ограничения включают возможные потери качества из-за квантования, зависимость производительности от выбранного варианта и оборудования, а также отсутствие в предоставленных данных сведений о размере контекста и детальных результатах оценки. Указана лицензия Apache-2.0.

ScikitLLM — языковая модель, созданная Probabl AI путём дообучения Mistral-OpenHermes 7B на справочных материалах и коде документации Scikit-Learn. Это плотная модель MistralForCausalLM с 7,1 млрд параметров, рассчитанная на генерацию текста и диалог; её базовый контекст составляет 32 768 токенов. Модель предназначена для ответов на вопросы о Scikit-Learn и помощи в работе с библиотекой. В сценарии RAG она принимает до трёх фрагментов документации и может приводить источники и цитаты в модифицированном wiki-синтаксисе, а также создавать примеры кода на основе цитируемых фрагментов. Обучение продолжало дообучение Mistral-OpenHermes 7B с пониженной скоростью обучения. Модель представлена в формате Safetensors. Сведения о лицензии в предоставленной карточке отсутствуют.

alekhm/sdam-gemma4-E2B-merged-bf16 — текстовая генеративная модель, опубликованная пользователем alekhm и основанная на unsloth/gemma-4-E2B-it-UD-MLX-4bit из семейства Gemma от Google. Модель предназначена для генерации текста и диалогового взаимодействия.

gotchu/season-8-v2-solar — текстовая диалоговая модель, созданная слиянием двух моделей SOLAR-10B: bhavinjawade/SOLAR-10B-OrcaDPO-Jawade и bhavinjawade/SOLAR-10B-Nector-DPO-Jawade. Разработчик применил метод SLERP с помощью mergekit; результат доступен в формате Safetensors и рассчитан на использование через Transformers. Модель предназначена для генерации текста в диалогах и ответов на запросы пользователя. Это плотная авторегрессионная архитектура LlamaForCausalLM с 10,6 млрд параметров и контекстом до 4096 токенов. Карточка не сообщает о специализированных предметных областях или поддержке других модальностей. Лицензия и явные сведения о качестве или ограничениях в предоставленных данных отсутствуют; как у языковой модели, ответы могут быть ошибочными или неподтверждёнными.

Seed-OSS-36B-Base-woSyn — базовая большая языковая модель команды ByteDance Seed, выпущенная в августе 2025 года. Это версия без синтетических инструкционных данных в предобучении, предназначенная как основа для исследований и создания специализированных моделей. Модель имеет плотную причинно-авторегрессионную архитектуру с RoPE, GQA, RMSNorm и SwiGLU; в метаданных указано 31,7 млрд параметров. Она поддерживает контекст до 524 288 токенов и рассчитана на международное применение. Модель подходит для генерации текста, многошаговых рассуждений и длинных контекстов, а также может служить основой для разработок с агентными сценариями. В карточке описана возможность гибко задавать бюджет рассуждений для семейства Seed-OSS. Модель распространяется по лицензии Apache-2.0. Языки и подробные ограничения именно этой версии в предоставленных данных не перечислены.

CultriX/SeQwence-14Bv1 — объединённая языковая модель на архитектуре Qwen2, созданная CultriX с помощью mergekit и метода DARE TIES. В качестве базовой модели при слиянии использована Qwen/Qwen2.5-14B; в состав также вошли CultriX/SeQwence-14B, CultriX/Qwen2.5-14B-Wernicke, CultriX/Qwen2.5-14B-MegaMerge-pt2, VAGOsolutions/SauerkrautLM-v2-14b-DPO и v000000/Qwen2.5-Lumen-14B. Модель предназначена для генерации текста и диалоговых сценариев. Это плотная модель с 14 млрд параметров и контекстом до 131 072 токенов; принимает текст и выдаёт текст. В метаданных указан английский язык, а интерфейс поддерживает чат и вызов инструментов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных сведений о поведении объединённой модели.

SeverusWestLake-7B-DPO — языковая модель на архитектуре Mistral, созданная объединением моделей FelixChao/Sectumsempra-7B-DPO и cognitivecomputations/WestLake-7B-v2-laser с помощью mergekit и метода SLERP. Модель содержит 7,1 млрд параметров и принимает текст для генерации текста; заявленная длина контекста — 32 768 токенов. Модель подходит для диалоговых сценариев, ответов на вопросы, написания и продолжения текста, а также задач рассуждения. В README приведены результаты Open LLM Leaderboard, включая средний балл 75,42, но они не гарантируют качество на конкретных прикладных задачах. Языковая поддержка отдельно не описана. Репозиторий распространяется по лицензии MIT.

Модель yuhengtu-bytedance/sfm_filtered_e2e_alignment-8k_9k_10k_11k_12k_simpleavg_merge — объединение предварительно обученных языковых моделей, созданное с помощью mergekit. Для слияния применён линейный метод: базовым чекпойнтом служил global_step12040, вместе с ним объединены чекпойнты global_step8000, global_step9000, global_step10000 и global_step11000. Модель построена на плотной архитектуре GPT-NeoX и содержит 8,8 млрд параметров; доступна в формате safetensors и предназначена для генерации текста и диалогового использования. Нативный контекст — 16 384 токена. Карточка не уточняет языки, предметную специализацию или подробные ограничения качества, поэтому область применения следует считать общей. Условия лицензии в предоставленных данных не приведены.

sfm_filtered_midtrain_alignment-4k_5k_6k_simpleavg_merge — объединённая языковая модель на архитектуре GPT-NeoX, созданная с помощью mergekit методом Linear. В слияние вошли контрольные точки filtered_midtrain_alignment на шагах 4000, 5000 и 6000; последняя использовалась как базовая. Модель содержит 8,8 млрд параметров и рассчитана на контекст до 16 384 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Она опубликована в формате safetensors и работает через библиотеку Transformers. Данных о специальных прикладных областях или поддерживаемых естественных языках в карточке нет. Условия лицензии в предоставленных сведениях не указаны.

sfmunfilterede2ealignment-4k5k6ksimpleavgmerge — объединённая модель генерации текста, созданная с помощью mergekit. В основе объединения лежат три контрольные точки одного проекта обучения: global_step6000 использована как базовая, а global_step5000 и global_step4000 также включены в слияние линейным методом с простым усреднением. Модель построена на архитектуре GPT-NeoX и содержит 8,8 млрд параметров. Она предназначена для генерации текста и диалогового взаимодействия; заявленная длина контекста составляет 16 384 токена. Модель распространяется в формате safetensors. Информация о лицензии и специальных языковых или предметных областях в предоставленных данных отсутствует.

sfm_unfiltered_midtrain_alignment-7k_8k_9k_10k_11k_simpleavg_merge — языковая модель, опубликованная пользователем yuhengtu. Это линейное слияние пяти предобученных чекпойнтов на шагах 7000, 8000, 9000, 10000 и 11000, выполненное с помощью mergekit; базой слияния указан чекпойнт global_step11000. Модель использует плотную архитектуру GPT-NeoX и содержит 8,8 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев. Она принимает текст и выдаёт текст; заявленный контекст составляет 16 384 токена. Карточка не сообщает языковую специализацию или прикладную область, поэтому модель следует считать общего назначения. Репозиторий содержит веса в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

ShadowYamshadow-7B — объединённая языковая модель, созданная Maxime Labonne методом SLERP из CorticalStack/shadow-clown-7B-slerp и automerger/YamShadow-7B. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов, предназначенная для генерации текста. Её можно использовать в сценариях, где требуется продолжение текста или диалоговая генерация на основе текстового запроса. Модель распространяется в формате Safetensors и доступна по лицензии Apache-2.0. Карточка описывает рецепт объединения и пример использования через Transformers, но не приводит сравнительных оценок качества и подробных рекомендаций по сценариям; результат зависит от входного запроса и выбранных параметров генерации.

SharkOgno2-7b-Passthrough — текстовая генеративная модель, созданная powermove72 с помощью LazyMergekit путём объединения powermove72/Shark-1 и eren23/OGNO-7b-dpo-truthful. В конфигурации passthrough взяты слои 0–7 первой модели и слои 8–31 второй; для токенизатора указан union, формат весов — float16 Safetensors. Архитектура — плотная MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста; базовая OGNO-7B описана как экспериментальная DPO-версия с акцентом на правдивость ответов. Карточка не приводит отдельных результатов оценки качества или сценариев применения именно этого объединения. Условия лицензии в предоставленных данных не указаны.

SJT-1.5B-Alpha — компактная языковая модель Sakalti, созданная слиянием моделей семейства Qwen2.5 методом TIES. В слиянии использована Qwen/Qwen2.5-1.5B-Instruct; базовой моделью указана Qwen/Qwen2.5-1.5B. Модель имеет плотную архитектуру Qwen2ForCausalLM и 1,5 млрд параметров. Модель предназначена для генерации текста и диалоговых сценариев, включая подготовку структурированных ответов. Она работает с текстом и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса Safetensors; для работы предусмотрена библиотека Transformers. Модель распространяется по лицензии Apache-2.0. Карточка не приводит результатов сравнительных оценок или подробных ограничений качества; фактическую пригодность для конкретной задачи следует проверять отдельно.

SJT-900M-Alpha — плотная языковая модель на архитектуре Qwen2, разработанная Sakalti и дообученная на базе Sakalti/SJT-900M. Она предназначена для генерации текста и диалоговых сценариев; в метаданных также отмечен интерфейс вызова инструментов. Модель содержит 762,3 млн параметров и поддерживает контекст до 131 072 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка сообщает об использовании Unsloth и TRL при обучении. В метаданных указан английский язык. Специализация по предметной области и конкретные ограничения качества не описаны.

kreynolds319/slm-trainer — дообученная автором kreynolds319 языковая модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 1,7 млрд параметров. Она основана на unsloth/qwen3-1.7b-unsloth-bnb-4bit и предназначена для генерации текста и диалогового взаимодействия; в метаданных также отмечен интерфейс вызова инструментов. Модель обучали с использованием Unsloth и библиотеки TRL для Hugging Face. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 40 960 токенов. Опубликована в формате safetensors под лицензией Apache-2.0. Карточка не описывает специализацию дообучения, поэтому конкретные преимущества в отдельных предметных областях установить нельзя.

smartyplats-7b-v2-Mistral-7B-Instruct-v0.2-slerp — диалоговая языковая модель на 7,1 млрд параметров, созданная слиянием Mistral-7B-Instruct-v0.2 и smartyplats-7b-v2 методом SLERP. Репозиторий связывает её с базовой моделью mistralai/Mistral-7B-Instruct-v0.2; веса опубликованы в формате SafeTensors. Модель предназначена для генерации текста и диалоговых ответов на инструкции. Архитектура — плотная MistralForCausalLM, контекст — до 32 768 токенов. Карточка не приводит специальных сведений о поддерживаемых естественных языках или узкой предметной области. Лицензия — Apache-2.0. Карточка описывает метод слияния и его конфигурацию, но не содержит сравнительной оценки качества или конкретных ограничений применения.

Smaug-34B-v0.1 — языковая модель семейства Llama, разработанная Abacus.AI и дообученная на базе jondurbin/bagel-34b-v0.2. Она содержит 33,9 млрд параметров, использует архитектуру LlamaForCausalLM и предназначена для генерации текста и диалоговых сценариев. Модель обучена методом DPO-Positive (DPOP) на предпочтениях ответов, включая варианты наборов ARC, HellaSwag и MetaMath. Авторы сообщают о результатах на ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Модель подходит для диалоговых помощников, ответов на вопросы и задач рассуждения, в том числе математических. В метаданных заявлено контекстное окно до 200 000 токенов; формат весов — Safetensors. Лицензия — Apache 2.0. README описывает один набор результатов, поэтому их не следует считать гарантией качества для любых задач; возможны ошибки и неточные ответы.

SmaugDolphin-34B-slerp — объединённая языковая модель, созданная автором репозитория с помощью mergekit и метода SLERP из cognitivecomputations/dolphin-2.2-yi-34b-200k и abacusai/Smaug-34B-v0.1. Она предназначена для генерации текста и диалогового общения. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM; в метаданных указаны 27,2 млрд параметров и контекст до 200 000 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Слияние объединяет возможности исходных моделей Smaug и Dolphin для диалоговой генерации текста. Модель можно применять для ответов на вопросы, ведения диалога и других задач генерации текста. README не сообщает результаты оценки качества или конкретный перечень поддерживаемых языков. Лицензия в предоставленных данных не указана.

Smaug-slerp-30b-v0.1 — языковая модель для генерации текста, созданная автором liminerity путём слияния весов abacusai/Smaug-72B-v0.1 методом SLERP с помощью mergekit. В репозитории указана архитектура LlamaForCausalLM с плотной сетью из 29,2 млрд параметров и контекстом до 32 768 токенов; веса представлены в формате safetensors. Модель предназначена для генерации ответов и продолжения текста в сценариях диалога, вопросов и ответов, а также рассуждений — эти возможности описаны для базовой Smaug-72B-v0.1. README показывает слияние двух ссылок на одну и ту же базовую модель, поэтому самостоятельное изменение возможностей этим слиянием не подтверждено. Лицензия — Apache-2.0.

SmolLM2-1.7B-Instruct — компактная диалоговая языковая модель семейства SmolLM2, опубликованная Hugging Face и размещённая в репозитории Unsloth. Это плотная Llama-совместимая модель с 1,7 млрд параметров, рассчитанная на генерацию текста и работу по инструкциям; длина контекста — до 8192 токенов. Версия Instruct создана дообучением с учителем и оптимизацией предпочтений (SFT и DPO) на основе открытых и курируемых наборов данных. Модель подходит для диалогов, следования инструкциям, переписывания и суммаризации текста, а также вызова функций. Компактный размер делает её пригодной для локального запуска и приложений с ограниченными ресурсами. В карточке отдельно упомянуты улучшения по сравнению с SmolLM1-1.7B в следовании инструкциям, знаниях, рассуждениях и математике; это не гарантирует точность ответов во всех сценариях. Поддерживаемый язык — английский. Лицензия — Apache 2.0.

buelfhood/SOCO-Java-CodeBERTa-MNRL-Triplets-100 — Sentence Transformer, дообученный разработчиком buelfhood на наборе soco_train_java на базе huggingface/CodeBERTa-small-v1. Модель использует архитектуру RoBERTa с усреднением токенных представлений и преобразует текст в плотные векторы размерностью 768; сходство оценивается косинусной мерой. Максимальная длина входа — 512 токенов (514 токенов контекстного окна по метаданным). Модель предназначена для сравнения семантической близости текстов, семантического поиска, поиска перефразировок, классификации и кластеризации. Обучение на данных Java ориентирует её на тексты и фрагменты, связанные с Java-кодом; выходные векторы можно использовать в системах поиска и ранжирования. Это не генеративная модель: она выдаёт эмбеддинги, а не готовые ответы или код. Лицензия в предоставленных данных не указана.

Lucyfer1718/Spartan_Alpha-Powered_v2.0 — объединённая диалоговая языковая модель на архитектуре Llama, созданная с помощью mergekit методом SLERP из meta-llama/Meta-Llama-3.1-70B-Instruct и mattshumer/Reflection-Llama-3.1-70B. Модель содержит 35,3 млрд параметров, принимает текст и генерирует текст; поддерживает контекст до 131 072 токенов. Метаданные отмечают возможности общения в чате и интерфейс вызова инструментов. Модель предназначена для генерации ответов в диалоге и других задач продолжения текста. В описании базовой Reflection-Llama указана самопроверка и исправление ошибок, однако карточка этой модели не уточняет, насколько эти свойства сохраняются после объединения. Файлы представлены в формате safetensors и рассчитаны на использование с Transformers. Условия лицензии в предоставленных данных не указаны.

mlx-community/stable-code-instruct-3b-4bit — преобразованная сообществом mlx-community версия модели stabilityai/stable-code-instruct-3b, подготовленная для запуска с MLX. Это плотная авторегрессионная модель StableLM с 2,7 млрд параметров, предназначенная для генерации текста и помощи с кодом в диалоговом режиме. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 16 384 токена, основной язык карточки — английский. README указывает на преобразование с помощью mlx-lm версии 0.4.0; метаданные обозначают файлы как safetensors и не подтверждают тип квантизации, несмотря на суффикс 4bit в названии. Лицензия указана как other; подробности лицензии и ограничения качества следует сверять с карточкой исходной модели.

StarlingBeagle-dare-ties — языковая модель для генерации текста, созданная объединением моделей AI-Sweden-Models/tyr, mlabonne/NeuralBeagle14-7B и neph1/bellman-7b-mistral-instruct-v0.2 методом DARE-TIES с помощью LazyMergekit. В конфигурации также указана Nexusflow/Starling-LM-7B-beta как базовая модель слияния. Модель основана на архитектуре Mistral и содержит 7,1 млрд параметров; максимальная длина контекста — 32 768 токенов. Модель предназначена для генерации текста по запросу. В описании базовой NeuralBeagle14-7B отмечены диалоги, следование инструкциям, рассуждения и творческая генерация, однако отдельные возможности итогового слияния в README не оценены. Модель опубликована в формате safetensors. Лицензия в предоставленных данных не указана.

Starling-LM-7B-alpha — языковая модель для диалогов, разработанная Banghua Zhu, Evan Frick, Tianhao Wu, Hanlin Zhu и Jiantao Jiao. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом до 8192 токенов, доступная в формате safetensors для Transformers. Модель дообучена на Openchat 3.5 с помощью обучения с подкреплением на основе отзывов ИИ (RLAIF). Для настройки использовались reward-модель Starling-RM-7B-alpha, набор ранжированных ответов Nectar и метод APA. Модель предназначена для диалогов и генерации ответов на английском языке; авторы рекомендуют применять шаблон чата Openchat 3.5. В редких случаях ответы могут быть многословными. В README приведены результаты оценки на MT-Bench, AlpacaEval и MMLU, однако они не гарантируют такого же качества в других сценариях. Лицензия — Apache-2.0 с указанным в карточке условием не использовать модель для конкуренции с OpenAI.

Strangemerges_32Experiment26-7B — автоматическое слияние моделей, созданное Maxime Labonne на основе Mistral-7B-v0.1, Gille/StrangeMerges_32-7B-slerp и yam-peleg/Experiment26-7B методом model_stock. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для генерации текста; длина контекста составляет до 32 768 токенов. Модель может использоваться для генерации продолжений, черновиков и ответов на текстовые запросы. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. README не приводит оценок качества или специальных ограничений на тематику применения.

StrangeMerges_46-7B-dare_ties — объединённая модель для генерации текста, созданная Gille с помощью LazyMergekit. В слияние вошли Gille/StrangeMerges_45-7B-dare_ties, kettleguts/zephyr-7b-beta_sparse05 и chihoonlee10/T3Q-Mistral-Orca-Math-DPO; в конфигурации также указана базовая модель liminerity/M7-7b. Метод слияния — dare_ties. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров. Нативный контекст — до 32 768 токенов. Она предназначена для генерации текста, диалогов и ответов на математические вопросы. В README приведены результаты Open LLM Leaderboard, включая среднюю оценку 69,96, ARC 67,24 и HellaSwag 86,40. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Подтверждённые сведения о языках и специальные ограничения в карточке не приведены.

Gille/StrangeMerges_56-7B-model_stock — объединённая модель семейства Mistral, созданная с помощью LazyMergekit из нескольких моделей на базе Mistral; метод слияния — model_stock, базовая модель конфигурации — snorkelai/Snorkel-Mistral-PairRM-DPO. Модель содержит 7,1 млрд параметров и предназначена для генерации текста и диалогового взаимодействия. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. В состав слияния входят модели, ориентированные в том числе на математику и диалог, однако README не приводит отдельных оценок качества или результатов тестирования. Файлы представлены в формате safetensors с точностью bfloat16. Лицензия в предоставленных данных не указана.