II.6Документация и сопровождение разработки

mistralai/Mistral-Nemo-Instruct-2407 дообучена автором репозитория nbeerbower на наборах jondurbin/truthy-dpo-v0.1 и kyujinpy/orca_math_dpo. Это плотная авторегрессионная модель семейства Mistral для генерации текста и диалога; метаданные указывают 12,1 млрд параметров, контекст до 1 024 000 токенов и формат Safetensors. Модель предназначена для ответов на инструкции, диалоговых сценариев и генерации текста, включая математические запросы и задачи на правдивость, представленные в данных дообучения. Базовая модель многоязычная и поддерживает вызов инструментов через соответствующий интерфейс. По README, дообучение выполнено в течение одной эпохи на A100 в Google Colab. Репозиторий приводит результаты Open LLM Leaderboard: среднее 24,72, IFEval 67,94 и BBH 29,54; эти оценки не гарантируют качество на конкретных пользовательских задачах. Лицензия — Apache-2.0.

CISCai/Mistral-Nemo-Instruct-2407-SOTA-GGUF — это набор квантизированных моделей в формате GGUF на основе Mistral-Nemo-Instruct-2407, разработанной Mistral AI. Квантизацию выполнил CISC с использованием importance matrix, обученной примерно на 1 млн токенов. Модель предназначена для генерации текста и диалоговых сценариев, включая использование через llama.cpp, сторонние графические интерфейсы и библиотеки, совместимые с актуальными версиями llama.cpp. Модель поддерживает текстовую модальность и английский язык. Встроенный шаблон чата Mistral Tekken включает поддержку function calling через OpenAI-совместимый параметр tools; также были исправлены связанные с tool calls проблемы токенизации и шаблона чата. Репозиторий содержит варианты квантизации IQ1_S, IQ1_M, IQ2, IQ3 и IQ4 с эффективной разрядностью примерно от 1,56 до 4,5 бит на вес и размером файлов примерно от 2,8 ГБ, что позволяет выбирать между экономией памяти и качеством. Главное преимущество набора — возможность локального запуска при ограниченных ресурсах и наличие вариантов с разным компромиссом между размером, требованиями к оперативной памяти и качеством. Низкоразрядные варианты характеризуются существенной или высокой потерей качества, поэтому для более требовательных задач предпочтительны более точные варианты. Файлы совместимы с llama.cpp начиная с версии от 22 июля 2024 года, включая commit 50e0535. Модель распространяется по лицензии Apache-2.0.

Mistral-Small-Drummer-22B — дообученная автором nbeerbower инструкционная плотная языковая модель на базе mistralai/Mistral-Small-Instruct-2409. Модель обучена методом ORPO в течение одной эпохи на наборах jondurbin/gutenberg-dpo-v0.1 и nbeerbower/gutenberg2-dpo. Она предназначена для диалогов и генерации текста по запросу. Модель содержит 22 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. В метаданных также указаны интерфейс вызова функций и библиотека Transformers. Карточка приводит отдельные результаты Open LLM Leaderboard: 29,45 в среднем, 63,31 на IFEval и 40,12 на BBH; этих данных недостаточно для вывода о качестве в других задачах. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория и базовой модели.

Это набор файлов GGUF с весами модели Meta-Llama-3.1-70B-Instruct в варианте BF16, опубликованный featherless-ai-quants на основе mlx-community/Meta-Llama-3.1-70B-Instruct-bf16-CORRECTED. Модель семейства Llama 3.1 с 70 млрд параметров предназначена для генерации текста в диалоговом режиме; карточка указывает несколько вариантов квантования, включая IQ4_XS, Q2_K и Q3_K_L. Модель можно использовать для ответов на вопросы, диалогов и генерации текста. В карточке не приведены сведения о контекстном окне, поддерживаемых языках и лицензии, поэтому эти характеристики здесь не уточняются. Качество и требования к памяти зависят от выбранного варианта квантования; это крупная модель, для запуска которой нужны значительные вычислительные ресурсы.

Mocha-Dare-7b-ex — языковая модель, созданная объединением нескольких предварительно обученных моделей с помощью mergekit и метода DARE TIES. В качестве основы использована Mistral-7B-v0.1; в объединение также вошли Open-Orca/Mistral-7B-OpenOrca, Mistral-7B-v0.1-Open-Platypus и WizardMath-7B-V1.1. Модель предназначена для генерации текста и может применяться в диалогах, ответах на вопросы, решении задач по математике и общих инструкциях. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Доступны веса в формате safetensors; библиотека из метаданных — Transformers. В карточке не описаны результаты оценки качества или отдельные гарантии для конкретных сценариев. Указана лицензия CC BY 4.0.

leekh7624/model3 — языковая модель семейства Llama, разработанная leekh7624 и дообученная на основе leekh7624/model2. Это плотная модель с 7,5 млрд параметров для генерации текста и диалогового общения; она принимает текст и выдаёт текст. Указанный размер контекста — 8192 токена, формат весов — safetensors. Модель подходит для создания чат-ботов и генерации ответов на текстовые запросы. В карточке отмечен английский язык. Для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель распространяется по лицензии Apache-2.0.

MonarchPipe-7B-slerp — текстовая генеративная модель на архитектуре Mistral, созданная сообществом ichigoberry путём слияния OpenPipe/mistral-ft-optimized-1227 и mlabonne/AlphaMonarch-7B с помощью LazyMergekit. Слияние выполнено методом SLERP; репозиторий содержит веса в формате Safetensors, размер модели — 7,1 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для диалогов, следования инструкциям, ответов на вопросы и рассуждений в текстовом формате. В README приведены результаты бенчмарка Nous: средний балл MonarchPipe-7B-slerp составляет 58,77; таблица показывает результаты по AGIEval, GPT4All, TruthfulQA и Bigbench. Модель распространяется по лицензии CC BY-NC 2.0, которая ограничивает коммерческое использование. README не описывает отдельные языки или специальные прикладные области; их не следует считать подтверждёнными характеристиками модели.

Montebello_7B_SLERP — языковая модель, созданная объединением моделей yam-peleg/Experiment21-7B и louisgrc/Marengoli_7B_SLERP методом SLERP с помощью LazyMergekit. Она предназначена для генерации текста и может использоваться в сценариях, где требуется продолжать или создавать текст по текстовому запросу. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров и поддерживает контекст длиной до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Лицензия — Apache 2.0. Доступные сведения не описывают качество модели, её целевые языки или специализированные области применения. Это слияние двух моделей, одна из которых обозначена в каталоге как экспериментальная модель для проверки конвейера обучения и оценки LLM; поэтому результаты следует проверять на собственных задачах.

Moonlight-16B-A3B-Instruct-MXFP4_MOE-GGUF — квантованная в формате GGUF модель Moonlight-16B-A3B-Instruct, опубликованная пользователем noctrex. Это чат-модель для генерации текста и выполнения инструкций на основе архитектуры Mixture-of-Experts; она имеет 16 млрд общих и около 3 млрд активных параметров. Модель предназначена для диалогов и генерации ответов на текстовые запросы. Вариант MXFP4_MOE использует квантование MXFP4 и распространяется в формате GGUF. Сведения о поддерживаемых языках, длине контекста и лицензии в предоставленных данных отсутствуют.

zelk12 выпустила объединённую методом SLERP языковую модель MT1-Gen5-BMMIMU на базе Gemma 2. Модель с архитектурой Gemma2ForCausalLM содержит 9 млрд параметров, рассчитана на диалоговое общение и генерацию текста; для работы с ней используются библиотека Transformers и файлы Safetensors. Контекст модели составляет до 8192 токенов. Модель объединяет чекпойнты zelk12/MT1-Gen5-IMU-gemma-2-9B и zelk12/MT1-Gen5-BMM-gemma-2-9B. В карточке указаны метод слияния и конфигурация, но не раскрыты специальные предметные области, поддерживаемые языки или результаты оценки качества. Лицензия в предоставленных данных не указана.

zelk12/MT1-Max-Merge_02012025163610-MM-gemma-2-MTM5MTM1-9B — объединённая методом SLERP языковая модель, созданная с помощью mergekit на основе zelk12/MT-Merge5-gemma-2-9B и zelk12/MT-Merge1-gemma-2-9B. Это плотная модель Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; максимальная длина контекста составляет 8192 токена. Модель подходит для чат-ботов, ответов на вопросы и генерации текста. Метаданные указывают на поддержку разговорного режима, однако карточка не уточняет языки, качество на отдельных задачах или дополнительные специализированные возможности. Модель опубликована в формате safetensors для библиотеки Transformers. Условия лицензирования в предоставленных данных не указаны.

zelk12 создал эту модель как объединение методом SLERP двух предварительно обученных языковых моделей: zelk12/MT-Gen4-gemma-2-9B и zelk12/MT-Merge5-gemma-2-9B. Это плотная авторегрессионная модель семейства Gemma 2 с 9 млрд параметров, предназначенная для генерации текста и диалогов. Она принимает текст и выдаёт текст; поддерживает контекст до 8192 токенов и распространяется в формате safetensors для библиотеки Transformers. Модель подойдёт для диалоговых приложений и генерации текста. В карточке не описаны специализированные области применения или языки, поэтому их нельзя уточнить по предоставленным сведениям. Лицензия в данных не указана.

zelk12/MT4-Gen2-gemma-2-9B — объединённая разговорная языковая модель семейства Gemma 2, опубликованная в формате safetensors для использования с Transformers. Это плотная авторегрессионная модель на 9 млрд параметров; она создана слиянием SLERP двух предварительно обученных моделей: zelk12/MT4-Gen2-IMM-gemma-2-9B и zelk12/MT4-Gen2-GBMAMU-gemma-2-9B. В конфигурации слияния указаны bfloat16 и параметр t=0.25. Модель предназначена для генерации текста и диалоговых сценариев: она может отвечать на запросы и продолжать текст. Контекстное окно составляет 8192 токена. Карточка приводит результаты оценки на Open LLM Leaderboard, в том числе IFEval и BBH, но не описывает целевые области применения или языковую специализацию. Лицензия в предоставленных данных не указана.

zelk12/MT5-Gen3-MAGBMU-gemma-2-9B — объединённая разговорная языковая модель на архитектуре Gemma 2, созданная с помощью mergekit методом SLERP из zelk12/MT5-Gen3-MAG-gemma-2-9B и zelk12/MT5-Gen3-BMU-gemma-2-9B. Репозиторий содержит модель размером 9 млрд параметров в формате Safetensors; для генерации текста доступно контекстное окно до 8192 токенов. Модель предназначена для диалоговой генерации текста и других сценариев, решаемых задачей text-generation. Доступные сведения не описывают специализацию на отдельных предметных областях или конкретные преимущества слияния. Лицензия в предоставленных источниках не указана.

zelk12/MT5-GP-gemma-2-RIv0.1RAv0.1-9B — объединённая языковая модель, созданная разработчиком с помощью mergekit из двух предварительно обученных моделей Gemma 2: zelk12/recoilme-gemma-2-Ataraxy-9B-v0.1 и zelk12/recoilme-gemma-2-Ifable-9B-v0.1. Для слияния использован метод SLERP с параметром t=0,5; архитектура — плотная Gemma2ForCausalLM, размер — 9 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на запросы и продолжения текста в приложениях на базе Transformers. Нативная длина контекста составляет 8192 токена. Карточка не уточняет языковую специализацию или преимущества модели; метаданные указывают на поддержку чата. Лицензия в предоставленных данных не указана.

zelk12/MT-GP-gemma-2-RAt0.75v0.1RAv0.1-9B — слияние двух предварительно обученных языковых моделей Gemma 2, созданное с помощью mergekit методом SLERP. Модель имеет плотную архитектуру Gemma2ForCausalLM и 9 млрд параметров; веса представлены в safetensors. В метаданных указана поддержка диалогового режима, генерации текста и контекст длиной до 8192 токенов. Модель подходит для диалогов, выполнения инструкций и генерации текста. README указывает только способ слияния и исходные модели, поэтому более узкие специализации и подтверждённые преимущества не заявлены. Лицензия в предоставленных сведениях не указана.

zelk12 выпустил MT-Merge5-GMA-gemma-2-9B — разговорную языковую модель на архитектуре Gemma 2, созданную слиянием двух моделей с помощью SLERP и mergekit. Модель содержит 9 млрд параметров и рассчитана на генерацию текста в диалоговом формате; она принимает текстовые запросы и выдаёт текстовые ответы. Модель подходит для чат-ботов и других сценариев генерации ответов. Контекстное окно составляет 8192 токена. В карточке указаны форматы safetensors и библиотека Transformers; сведения о лицензии и языках в предоставленных источниках отсутствуют.

Mtrini-27B-Tellus-Merged — объединённая модель CompiwerAI для запуска через Transformers. В README в качестве базовой модели указана Qwen3.8-27B; метаданные описывают архитектуру как плотную Qwen3.5 для авторегрессионной генерации текста. Размер по метаданным — 22,3 млрд параметров, нативный контекст — 262 144 токена, файлы представлены в формате safetensors. Модель предназначена для диалогов, генерации кода, математических задач и рассуждений. Для обучения использовалась смесь из 11 200 примеров, включающая данные по программированию и математике, а также марокканскую дариджу и арабский язык. В README сказано, что LoRA-адаптер CompiwerAI объединён с базовой моделью в самостоятельный чекпойнт. Модель распространяется по лицензии Apache-2.0. Результаты обучения и состав обучающей смеси приведены в карточке, но независимые оценки качества и подробные ограничения не описаны.

Карточка модели Muse-research/Muse2-230M-Base на Hugging Face совпадает с карточкой Muse-research/Muse2-230M, поэтому описание составлено по ней. Muse2-230M — компактная авторегрессионная языковая модель Muse Research, дообученная на основе Muse2-230M-Base. Она предназначена для диалогового помощника, форматирования ответов и извлечения структурированных данных, например преобразования журналов разработчиков в JSON, а также для запуска на устройствах с ограниченными ресурсами и дальнейшей тонкой настройки. Модель содержит 221,2 млн параметров и использует плотную гибридную архитектуру Muse2: блоки коротких причинных свёрток чередуются с полным вниманием, применяются grouped-query attention и объединённый SwiGLU MLP. Вход и выход — текст; основной язык — английский, также модель обрабатывает программный код и математические тексты. Контекст в карточке указан как 128 000 токенов, хотя README уточняет, что стандартная длина составляет 8 000 токенов, а 128 000 — максимум. Модель обучена методом supervised fine-tuning с маскированием функции потерь только на ответах; RLHF и DPO не применялись. Качественная и безопасностная проверка ограничена, поэтому модель может галлюцинировать, повторяться или выдавать смещённые и нежелательные ответы. Разработчик не рекомендует полагаться на неё в критичных, медицинских, юридических или иных фактически значимых сценариях без оценки и защитных мер. Веса доступны по лицензии Apache-2.0.

Muse-Glimmer-30B-EXP-EVE-v1 — экспериментальная объединённая модель автора win10 на базе Muse-Glimmer-30B. В README описано слияние моделей разных архитектур методом Tensor Gene Evolution с добавлением возможностей и поведенческих особенностей DeepSeek-V4-Flash-0731 и dots3-note-prev. По метаданным это плотная мультимодальная модель семейства Muse Glimmer на 30 млрд параметров, работающая через Transformers и принимающая изображения и текст для генерации текстовых ответов. Модель предназначена для диалогов, анализа изображений, программирования, агентных сценариев и вызова инструментов. Автор отмечает более широкое и глубокое рассуждение и разнообразие способов решения задач по сравнению с базовой моделью; это заявление из карточки, а не приведённый результат независимой оценки. Распространяется по лицензии Apache-2.0.

Карточка модели PS4Research/MYeHpTDS1ljdIHt9 на Hugging Face совпадает с карточкой PS4Research/mbazkhYJvXJIVctL, поэтому описание составлено по ней. PS4Research/mbazkhYJvXJIVctL — дообученная плотная языковая модель семейства Seed OSS на архитектуре SeedOssForCausalLM, основанная на ByteDance-Seed/Seed-OSS-36B-Instruct. Разработчик — PS4Research; для обучения использовались Unsloth и библиотека Hugging Face TRL. Модель содержит 31,7 млрд параметров и поддерживает контекст до 524 288 токенов. Модель предназначена для диалогов, генерации текста и работы с инструментами через интерфейс вызова инструментов. Карточка не описывает специальную предметную область или отличия дообучения от базовой модели. Модель принимает и выдаёт текст, основной язык в карточке — английский. Распространяется в формате safetensors по лицензии Apache-2.0. Ограничения, связанные с качеством ответов или конкретными сценариями применения, в карточке не описаны.

sgpark2026/my-fusion-v1 — текстовая генеративная модель, опубликованная пользователем sgpark2026 на Hugging Face. В метаданных она относится к семейству Qwen2 и предназначена для работы с Transformers; также доступны обозначения форматов safetensors и GGUF. Модель ориентирована на генерацию текста и диалоговые сценарии. Её можно применять для создания ответов, продолжения текста, простых чат-ботов и интеграции в приложения, которым нужна компактная языковая модель. Объём модели составляет 494 млн параметров, а заявленная длина контекста — 32 768 токенов. README содержит автоматически созданную карточку без сведений о разработчике, языках, лицензии, обучающих данных, результатах оценки и специальных областях применения. Поэтому качество, фактические языковые возможности и пригодность для конкретных доменов следует проверять самостоятельно; модель не следует использовать без дополнительной валидации для критически важных решений.

Nanbeige 16B Chat 32K — это диалоговая языковая модель семейства Nanbeige, разработанная Nanbeige LLM Lab и представленная в данном репозитории в формате GGUF. Квантованные файлы подготовлены TheBloke; исходная модель доступна в формате PyTorch на Hugging Face. Модель предназначена для генерации текста и ведения диалогов, включая локальный запуск через llama.cpp и совместимые графические интерфейсы и библиотеки. Модель имеет около 16 миллиардов параметров и заявленный контекст до 32K токенов. В метаданных указаны английский и китайский языки. Архитектура обозначена как nanbeige, а формат GGUF поддерживает различные варианты квантования с разрядностью от 2 до 6 бит, что позволяет выбирать компромисс между размером, требованиями к памяти, скоростью и качеством генерации. Модель рассчитана на текстовую модальность; сведения о поддержке изображений или других типов данных отсутствуют. К сильным сторонам относятся большой контекст, диалоговая специализация и возможность запуска на CPU и GPU с использованием llama.cpp, text-generation-webui, LM Studio, KoboldCpp и других совместимых инструментов. Ограничения включают возможные потери качества из-за квантования, зависимость требований к ресурсам от выбранного варианта GGUF и отсутствие в README подробных данных о результатах тестирования, обучающем наборе и точных характеристиках базовой архитектуры. В метаданных указана лицензия Apache-2.0.

RoroMachine14/nanbeige-4.1-3b-deepseek-distilled — дообученная версия Nanbeige4.1-3B, созданная автором RoroMachine14 на датасете sequelbox/Tachibana4-DeepSeek-V4-Pro. Модель относится к классу text-generation и предназначена для генерации текста, структурированного рассуждения, решения математических задач, включая суммирование и интегрирование, а также написания кода с пошаговым объяснением. Модель содержит около 3 млрд параметров и наследует встроенную способность Nanbeige4.1 к reasoning/thinking, усиленную трассами рассуждений DeepSeek-V4-Pro в задачах программирования и математики. Заявлена поддержка английского и китайского языков. Модель может запускаться на пользовательском оборудовании через transformers или llama.cpp, что делает её пригодной для локального использования при ограниченных аппаратных ресурсах. Данные о размере контекста, поддерживаемых модальностях, конкретных ограничениях качества и дополнительных требованиях отсутствуют. Распространяется по лицензии Apache-2.0.

Nenque-MoT-0.6B-Elite14 — компактная языковая модель для генерации текста, дообученная PrithivMLmods на базе Qwen3-0.6B на наборе Mixture-of-Thoughts с акцентом на математические рассуждения, программирование и структурированные технические задачи. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Она предназначена для пошагового решения математических задач, генерации и отладки кода, технического обучения и выдачи структурированных ответов в форматах вроде JSON, LaTeX и Markdown. Карточка заявляет поддержку более 20 языков для технических задач; в метаданных указан английский. Модель рассчитана на компактный инференс, включая устройства с ограниченными ресурсами. Ограничения: модель может уступать в свободном творческом письме, естественности общего диалога и задачах вне технических областей; качество на длинных многошаговых рассуждениях может снижаться. Лицензия — Apache-2.0.

Neona-12B — объединённая текстовая модель на 12,1 млрд параметров, созданная kyx0r с помощью mergekit и метода NearSwap. В качестве базовой использована yamatazen/NeonMaid-12B-v2; в объединение также включена yamatazen/LorablatedStock-12B. Модель построена на архитектуре Mistral и предназначена для генерации текста в диалоговом формате ChatML. Заявленная длина контекста — 131 072 токена. Модель подходит для диалогов и генерации текста. В карточке не указаны поддерживаемые естественные языки и специализированные области применения. Весы опубликованы в формате safetensors; лицензия и ограничения использования в предоставленных данных не описаны.

Neural-4-ARC-7b — объединённая языковая модель, созданная Kukedlc с помощью LazyMergekit на основе пяти моделей: paulml/OmniBeagleSquaredMBX-v3-7B, nlpguy/AlloyIngotNeoX, Gille/StrangeMerges_21-7B-slerp, Kukedlc/Jupiter-k-7B-slerp и Kukedlc/NeuralSirKrishna-7b. Это плотная архитектура MistralForCausalLM с 7,1 млрд параметров, предназначенная для генерации текста и диалогов; поддерживает контекст до 32 768 токенов. Модель принимает текст и выдаёт текст. В карточке не описаны специализированные сценарии, языки или результаты оценки качества. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0.

Kukedlc выпустил экспериментальную плотную авторегрессионную модель семейства Mistral на 7,1 млрд параметров, дообученную на базе Kukedlc/NeuralExperiment-7b-dare-ties. По карточке, обучение было направлено на исправление ошибки «INSTINST» и охватывало математические задачи, логические рассуждения и программирование; использовались наборы Orca Math, Magicoder Evol Instruct и Tested Python Alpaca. Модель принимает текст и генерирует текст, а её контекстное окно составляет 32 768 токенов. Модель подходит для генерации и объяснения кода, решения математических задач и логических головоломок. Автор описывает результаты как предварительные и отмечает, что влияние обучения на качество рассуждений ещё оценивается. Репозиторий распространяется под лицензией Apache-2.0.

NeuralKrishna-7B-v3 — объединённая модель для генерации текста, созданная Kukedlc с помощью LazyMergekit. В конфигурации указана база mlabonne/Monarch-7B и слияние методом DARE-TIES с NeuralGlitch-Yam-Peleg-7B-DT, Fasciculus-Arcuatus-7B-slerp и Neural4gsm8k; веса сохранены в формате bfloat16. Метаданные указывают архитектуру Mistral с плотной сетью из 7,1 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и может быть полезна для диалогов и решения задач на рассуждение, включая математические вопросы, благодаря включённой в слияние Neural4gsm8k. Поддерживаемый язык в источниках не указан. Модель распространяется по лицензии Apache-2.0.

NeuralLLaMa-3-8b-DT-v0.1 — объединённая плотная авторегрессионная языковая модель семейства Llama от автора репозитория Kukedlc. Она предназначена для генерации текста и диалогов. Модель содержит 7,5 млрд параметров, принимает текст, выдаёт текст и поддерживает контекст до 8192 токенов. Модель собрана методом DARE-TIES из трёх моделей: mlabonne/ChimeraLlama-3-8B-v2, nbeerbower/llama-3-stella-8B и uygarkurt/llama-3-merged-linear; в конфигурации также указан NousResearch/Meta-Llama-3-8B. README приводит результаты оценки на IFEval и BBH, но не описывает отдельную специализацию или гарантии качества. Репозиторий содержит веса в формате Safetensors. Указана лицензия «other», поэтому условия использования следует сверить с лицензиями базовых моделей и полными условиями репозитория.