II.6Документация и сопровождение разработки

llama-3-bophades-v3-8B — дообученная разговорная модель семейства Llama 3, опубликованная nbeerbower. Она основана на nbeerbower/llama-3-wissenschaft-8B и дообучена на наборах jondurbin/truthy-dpo-v0.1 и kyujinpy/orca_math_dpo; в карточке также описан метод Direct Preference Optimization (DPO). Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста и диалогов, в том числе для ответов на вопросы и решения математических задач. В репозитории указаны веса Safetensors и библиотека Transformers. README ссылается на лицензию META LLAMA 3 COMMUNITY LICENSE AGREEMENT; метаданные обозначают лицензию как other.

Llama3-ChatQA-1.5-8B-IMat-GGUF — это GGUF-квантизированная версия текстовой модели Llama3-ChatQA-1.5-8B, разработанной NVIDIA. Квантизацию выполнил legraphista с использованием llama.cpp b3003 и методов IMatrix. Модель предназначена для генерации текста и диалоговых сценариев, включая ответы на вопросы и работу в локальных приложениях, совместимых с llama.cpp. Модель имеет около 8 млрд параметров, поддерживает английский язык и работает с текстовой модальностью. Доступны варианты от FP16 и Q8_0 до низкобитных форматов Q2, Q3, Q4, IQ2, IQ3 и IQ4; для части вариантов применена IMatrix-квантизация. Размер файлов варьируется примерно от 2,61 до 16,07 ГБ, что позволяет выбирать между качеством, скоростью и требованиями к памяти. Размер контекстного окна в README не указан. Основное преимущество модели — широкий выбор GGUF-вариантов для запуска на оборудовании с разным объёмом памяти и возможность эффективного локального использования через llama.cpp. Ограничения связаны с компромиссами квантизации: низкобитные варианты могут уступать FP16 по качеству, а точные требования к производительности и совместимости зависят от выбранного формата и оборудования. Модель распространяется по лицензии llama3.

Llama3-Crab-DPO — англоязычная плотная авторегрессионная языковая модель семейства Llama 3, разработанная Yunjia Qi, Hao Peng, Xiaozhi Wang, Bin Xu, Lei Hou и Juanzi Li. Модель дообучена на основе Llama3-8B с применением метода CRAB, который добавляет к инструкциям сложные ограничения, уже соблюдённые в исходных ответах, и направлен на улучшение следования таким инструкциям. Модель предназначена для генерации текста по инструкциям с несколькими требованиями, включая заданные формат и длину ответа. Она имеет 7,5 млрд параметров и контекстное окно 8192 токена; поддерживает английский язык и распространяется в формате PyTorch. Лицензия — Apache-2.0.

Карточка модели princeton-nlp/Llama-3-Instruct-8B-KTO на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Base-8B-SFT, поэтому описание составлено по ней. princeton-nlp/Llama-3-Base-8B-SFT — разговорная модель генерации текста на архитектуре Llama, опубликованная как часть работы SimPO: Simple Preference Optimization with a Reference-Free Reward. Репозиторий содержит модель на 7,5 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на запросы и ведения беседы. README отсылает к репозиторию SimPO за дополнительными сведениями. Лицензия и конкретные языковые возможности в предоставленных данных не определены.

Карточка модели princeton-nlp/Llama-3-Instruct-8B-KTO-v0.2 на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Instruct-8B-SimPO-v0.2, поэтому описание составлено по ней. Llama-3-Instruct-8B-SimPO-v0.2 — диалоговая языковая модель семейства Llama, выпущенная командой Princeton NLP как модель из работы SimPO (Simple Preference Optimization with a Reference-Free Reward). Она предназначена для генерации текста в формате инструкций и диалога. Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно 8192 токена. Модель связана с исследованием оптимизации предпочтений без эталонной модели. В карточке не приведены подробности обучения, оценки качества или специальные области применения; метаданные указывают поддержку чата и формат весов safetensors. Лицензия в предоставленных данных не указана.

Карточка модели princeton-nlp/Llama-3-Instruct-8B-ORPO на Hugging Face совпадает с карточкой princeton-nlp/Llama-3-Base-8B-SFT, поэтому описание составлено по ней. princeton-nlp/Llama-3-Base-8B-SFT — разговорная модель генерации текста на архитектуре Llama, опубликованная как часть работы SimPO: Simple Preference Optimization with a Reference-Free Reward. Репозиторий содержит модель на 7,5 млрд параметров в формате safetensors; заявленная длина контекста — 8192 токена. Модель предназначена для диалоговой генерации текста и может использоваться для ответов на запросы и ведения беседы. README отсылает к репозиторию SimPO за дополнительными сведениями. Лицензия и конкретные языковые возможности в предоставленных данных не определены.

UCLA-AGI/Llama-3-Instruct-8B-SPPO-Iter3 — англоязычная диалоговая модель генерации текста, разработанная методом Self-Play Preference Optimization на третьей итерации. Она основана на meta-llama/Meta-Llama-3-8B-Instruct и дообучена на синтетических ответах с использованием наборов запросов из UltraFeedback, разделённых на три этапа. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалогов и генерации ответов на инструкции. В README приведены результаты AlpacaEval и тестов Open LLM Leaderboard; на AlpacaEval Iter3 показала лучшие результаты среди трёх указанных итераций. Модель распространяется в формате safetensors по лицензии Apache-2.0.

grimjim/Llama-3-Instruct-8B-SPPO-Iter3-SimPO-merge — чат-модель для генерации текста на основе Meta Llama 3, созданная слиянием моделей UCLA-AGI/Llama-3-Instruct-8B-SPPO-Iter3 и princeton-nlp/Llama-3-Instruct-8B-SimPO методом SLERP с помощью mergekit. В репозитории указаны архитектура LlamaForCausalLM, 7,5 млрд параметров, формат safetensors и контекст до 8192 токенов. Модель предназначена для диалогов и генерации ответов на инструкции. В карточке приведены результаты Open LLM Leaderboard, включая IFEval и BBH; они дают ориентир по оценке, но сами по себе не гарантируют качество в конкретном сценарии. Базовые модели описаны как англоязычные, поэтому основным языком следует считать английский. Лицензия — Llama 3; применяются её условия использования.

llama-3-neural-chat-v2.2-8B-GGUF — набор GGUF-квантизаций модели llama-3-neural-chat-v2.2-8B. Исходную модель разработал Locutusque, а квантизации подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев; в README указан английский язык и формат конвейера text-generation. Модель относится к семейству Llama 3 и содержит около 8 млрд параметров. Доступны варианты квантизации Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K, IQ4, IQ3, IQ2 и IQ1 размером примерно от 2,16 до 8,54 ГБ, что позволяет выбирать между качеством, скоростью и требованиями к памяти. Наиболее качественными и рекомендуемыми названы Q6_K, Q5_K и некоторые варианты Q4; низкобитные варианты экономят память, но заметно уступают по качеству. Модальность — текстовая, размер контекста и точные архитектурные характеристики в README не указаны. Лицензия обозначена как other, без дополнительных условий.

WesPro/Llama3-OrpoSmaug-Slerp-8B — плотная авторегрессионная языковая модель семейства Llama 3, созданная слиянием предварительно обученных моделей с помощью метода SLERP в mergekit. В объединение вошли Llama-3-Smaug-8B и OrpoLlama-3-8b; параметры слияния различаются для слоёв self-attention и MLP. Модель содержит 7,5 млрд параметров, распространяется в формате safetensors и имеет контекст до 8192 токенов. Модель предназначена для генерации текста и диалогового взаимодействия. Её можно использовать для ответов на вопросы, черновиков и продолжения текста, а также для чат-сценариев на базе Llama 3. В метаданных указана возможность chat; отдельные специализированные задачи и поддерживаемые естественные языки не перечислены. Это результат слияния, а не самостоятельное дообучение. README не указывает лицензию и не приводит оценки качества или подробные ограничения применения; совместимость лицензий исходных моделей следует проверять отдельно перед использованием.

RLHFlow/LLaMA3-SFT — контрольная точка supervised fine-tuning, подготовленная авторами проекта RLHFlow/Online-RLHF для исследований обучения с обратной связью от людей. Модель основана на Meta Llama 3 8B и дообучена за одну эпоху на смеси разнообразных высококачественных открытых данных. В метаданных указаны архитектура LlamaForCausalLM, около 7,5 млрд параметров, библиотека Transformers и контекст до 8192 токенов. Модель предназначена для генерации текста и диалоговых сценариев, а также как начальная точка для экспериментов с RLHF. Авторы подчёркивают, что сама эта контрольная точка не обучалась с помощью RLHF. В README приведены результаты академических бенчмарков, в том числе по математическим задачам, программированию и общим знаниям. Лицензия в предоставленных данных не указана.

nisten/llamagnific-3-87b — плотная авторегрессионная языковая модель семейства Llama, созданная автором репозитория как экспериментальное слияние дообученных моделей. В README указаны Llama 3 70B Instruct и NousResearch/Hermes-2-Pro-Llama-3-70B; метаданные связывают модель с meta-llama/Meta-Llama-3-70B-Instruct. Размер модели — 85,8 млрд параметров, контекст — 8192 токена. Она рассчитана на диалог и генерацию текста; для запуска описан шаблон промпта. Модель может подойти для экспериментального использования в диалоговых ассистентах, ответах на вопросы и генерации текста. Автор отмечает, что результаты слияния оказались неожиданно связными, но сохраняются галлюцинации, связанные с шаблонами промптов. Репозиторий содержит веса Safetensors и распространяется по лицензии Llama 3.

LLaMA-MoE-v1-3_5B-2_8-sft — версия с supervised fine-tuning семейства LLaMA-MoE, обученная разработчиками модели на наборе Deita-6k в течение двух эпох. Это языковая модель с архитектурой Mixture of Experts: из 8 экспертов активируются 2; в README для варианта указано 3,5 млрд активных параметров, а метаданные репозитория сообщают 6,6 млрд параметров всего. Модель предназначена для генерации текста и диалоговых сценариев. Контекст составляет 4096 токенов, веса доступны в формате safetensors, лицензия — Apache-2.0. README приводит результаты оценки на языковых и диалоговых бенчмарках, но доступная таблица не содержит результатов именно этой версии.

LlamaThink-8B-instruct — инструкционно дообученная языковая модель David Browne на архитектуре Llama 3.1. Она предназначена для диалогов и генерации структурированных ответов в формате из двух разделов; для соблюдения формата карточка рекомендует задавать соответствующую системную инструкцию. Модель содержит около 7,5 млрд параметров, принимает текст и выдаёт текст. В метаданных указан контекст до 131 072 токенов, а поддерживаемые сценарии включают чат и интерфейс вызова инструментов. Модель основана на meta-llama/Llama-3.1-8B-Instruct и распространяется под лицензией Apache 2.0. Карточка не приводит количественной оценки качества или подробностей обучения. Формат ответа зависит от системной инструкции; для использования интерфейса вызова инструментов требуется совместимая интеграция.

KKHYA/llavaqwen2.5-32b-finetune-dense-2m-half — плотная 32-миллиардная причинная языковая модель семейства LlavaQwen2, доступная в формате safetensors и рассчитанная на диалоговую генерацию текста. В метаданных заявлено контекстное окно до 131072 токенов и интерфейс для вызова инструментов. README сообщает, что модель обучена с нуля на неизвестном наборе данных, но не приводит сведений о разработчике, обучающих данных или оценке качества. Модель можно применять для диалогов и генерации текста, в том числе в сценариях с длинным контекстом и подключением инструментов. Несмотря на семейство архитектуры LlavaQwen2, доступные метаданные не подтверждают поддержку изображений, поэтому мультимодальные возможности не заявляются. Лицензия в предоставленных данных не указана.

Это дообученная модель KKHYA на базе KKHYA/llavaqwen3-1.7b-finetune. Модель содержит 1,7 млрд параметров, использует архитектуру LatentMoELLaVAQwen3ForCausalLM и предназначена для генерации текста и диалогов. Доступны интерфейс чата и интерфейс вызова инструментов. Модель принимает текст и выдаёт текст. Заявленная длина контекста — 40 960 токенов. Она распространяется в форматах PyTorch и Safetensors по лицензии Apache-2.0. Данные обучения и специальные сценарии применения в карточке не описаны.

KKHYA/llavaqwen3-1.7b-finetune-moe-4e-2k-sd3h_20260809_183926 — дообученная авторами KKHYA модель на базе KKHYA/llavaqwen3-1.7b-finetune. Она предназначена для генерации текста и диалогов. Модель содержит 1,7 млрд параметров, использует архитектуру MoELLaVAQwen3ForCausalLM и доступна в форматах PyTorch и Safetensors; максимальная длина контекста составляет 40 960 токенов. В метаданных указаны возможности чата и интерфейс вызова инструментов. Датасет дообучения и подробные сценарии применения в карточке не описаны. Модель распространяется по лицензии Apache-2.0.

Hikari07jp разработал эту японско-английскую диалоговую модель на основе llm-jp/llm-jp-4.1-32b-a3b-thinking, применив abliteration: изменение весов, снижающее склонность модели отказывать в ответах. Модель использует архитектуру Qwen3 MoE с 32 слоями, общим размером 32 млрд параметров и примерно 3,3 млрд активных параметров. Она предназначена для генерации текста в диалогах, рассуждений, ответов на вопросы и вызова инструментов; в карточке приведены результаты небольших проверок знаний и математических задач. Доступны исходные веса BF16 и сборки GGUF, в том числе смешанная Q5-квантизация и NVFP4 W4A8. Указанная в карточке лицензия — Apache-2.0. Контекст модели составляет 65 536 токенов по метаданным, хотя примеры запуска llama.cpp в README используют 4096 токенов. Известна проблема совместимости llama.cpp: обработчик Harmony может не разобрать начальный токен-пробел в `/v1/chat/completions` и вернуть ошибку, хотя текст ответа может присутствовать в сообщении об ошибке. В README рекомендуется использовать raw prompt через `/completion` либо адаптировать клиент для извлечения канала `final`. Abliteration снижает склонность к отказам, поэтому модель может отвечать на запросы, от которых базовая модель отказалась бы.

Карточка модели PS4Research/LUHANADJolTctKlt 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.

lumikabra-195b_v0.4 — объединённая языковая модель, созданная автором репозитория с помощью mergekit из слоёв schnapper79/lumikabra-123B_v0.4. Она использует архитектуру MistralForCausalLM с плотной структурой и содержит 194,2 млрд параметров. Модель предназначена для генерации текста и диалогов, включая развёрнутые повествовательные ответы; карточка также указывает интерфейс вызова инструментов. Контекст составляет до 131 072 токенов. Модель загружается через Transformers, веса опубликованы в формате safetensors. Лицензия в предоставленных данных не указана. Основание merge — повторное включение диапазонов слоёв [0, 70] и [18, 88] исходной модели с методом passthrough; поэтому характеристики и поведение наследуются от неё. README не содержит сведений о языковой специализации или результатах оценки качества.

M7-7b — текстовая генеративная модель на архитектуре Mistral, опубликованная пользователем liminerity. Это плотная причинная языковая модель объёмом 7,1 млрд параметров с контекстом до 32 768 токенов. В карточке приведён пример ответа на запрос о создании ASCII-арта; модель предназначена для генерации текста и диалоговых сценариев. Согласно README, модель Multiverse-Experiment-slerp-7b создана с помощью mergekit путём слияния liminerity/merge4 и liminerity/merge2; метаданные также указывают liminerity/merge4 как базовую модель. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0. Карточка демонстрирует текстовый вывод, но не приводит подробной оценки качества или ограничений.

M7T3qm7xp_Experiment26T3qm7xp — объединённая языковая модель MaziyarPanahi на архитектуре Mistral с 7,1 млрд параметров. Она создана слиянием моделей automerger/M7T3qm7xp-7B и automerger/Experiment26T3qm7xp-7B и предназначена для генерации текста.

M7Yamshadowexperiment28_AlloyingotneoyExperiment24 — объединённая модель семейства Mistral, созданная слиянием automerger/M7Yamshadowexperiment28-7B и automerger/AlloyingotneoyExperiment24-7B. Она предназначена для генерации текста и может использоваться для диалогов, написания черновиков и продолжения текста. Модель содержит 7,1 млрд параметров, принимает текстовый ввод, работает с контекстом до 32 768 токенов и распространяется в формате Safetensors. Модель размещена на Hugging Face 9 апреля 2024 года. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не описывает специальные предметные области или подтверждённые языковые возможности, поэтому их нельзя конкретизировать; качество ответов и сильные стороны относительно исходных моделей также не заявлены.

M7Yamshadowexperiment28_AlloyingotneoyExperiment28 — объединённая модель генерации текста семейства Mistral, созданная из automerger/M7Yamshadowexperiment28-7B и automerger/AlloyingotneoyExperiment28-7B. Она предназначена для генерации текста и диалоговых сценариев. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не описывает специальную предметную область или отдельные языковые возможности, поэтому назначение следует считать общим. Качество, поведение при диалоге и языковое покрытие могут зависеть от исходных моделей слияния; сведений об их оценке в карточке нет.

M7Yamshadowexperiment28_Experiment28Strangemerges_32 — слитая языковая модель семейства Mistral, созданная объединением automerger/M7Yamshadowexperiment28-7B и automerger/Experiment28Strangemerges_32-7B. Она содержит 7,1 млрд параметров, построена на плотной архитектуре MistralForCausalLM и предназначена для генерации текста по текстовому запросу с контекстом до 32 768 токенов. Модель подходит для диалоговых сценариев, продолжения текста и других задач генерации на базе языковой модели. В карточке не приведены сведения о целевых языках, специализированных навыках или результатах оценки качества, поэтому их нельзя определить по доступным данным. Репозиторий распространяется под лицензией Apache-2.0.

M7Yamshadowexperiment28_Inex12Neural — объединённая MaziyarPanahi модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для генерации текста и поддерживает контекст до 32 768 токенов. Модель объединяет automerger/M7Yamshadowexperiment28-7B и automerger/Inex12Neural-7B. Репозиторий содержит веса в формате safetensors. Языки и специализированные прикладные области в карточке не обозначены. Модель распространяется по лицензии Apache-2.0. README не описывает специальные возможности или оценки качества.

M7Yamshadowexperiment28_ShadowStrangemerges_32 — слитая языковая модель, опубликованная MaziyarPanahi. Она предназначена для генерации текста и диалогового применения. Модель построена на архитектуре Mistral, содержит 7,1 млрд параметров, имеет контекстное окно 32 768 токенов и распространяется в формате safetensors. Модель объединяет automerger/M7Yamshadowexperiment28-7B и automerger/ShadowStrangemerges_32-7B. Поддерживаемая задача — text-generation; сведения о специальных предметных областях и языковой специализации не приведены. Лицензия — Apache-2.0.

maid-yuzu-v8 — языковая модель для генерации текста, созданная автором репозитория rhplus0831 путём последовательного слияния моделей через SLERP с помощью mergekit. В финальном шаге объединены maid-yuzu-v8-step4 и smelborp/MixtralOrochi8x7B; ранее в цепочке использовались Mixtral-8x7B, Bagel, Dolphin и Noromaid. Архитектура Mixtral MoE, класс MixtralForCausalLM; размер — 7,1 млрд параметров, формат весов — Safetensors, контекст — 32 768 токенов. Модель предназначена для генерации текста и диалогов. Карточка описывает сборку как экспериментальную пробу и отмечает, что автор сомневался в получении полноценной модели. Лицензия в предоставленных данных не указана.

Marco-Nano-Base — компактная разреженная языковая модель семейства Marco-MoE, разработанная Alibaba International Digital Commerce. Это decoder-only Transformer с архитектурурой Mixture-of-Experts: по README, из 8 млрд параметров на каждый токен активируются около 0,6 млрд. Модель создана на основе Qwen3-0.6B-Base с помощью разбиения матриц и Drop-Upcycling; в метаданных указаны архитектура Qwen3 MoE и 507,9 млн параметров, поэтому фактический размер репозитория отличается от описания в README. Модель предназначена для генерации текста и диалогов на 29 языках, включая английский, китайский, русский, арабский, японский и другие. Поддерживает контекст до 32 768 токенов и интерфейс вызова инструментов. README приводит результаты сравнительных тестов: модель показывает конкурентные результаты на англоязычных и многоязычных бенчмарках при низком числе активных параметров. Для запуска используются Transformers и веса Safetensors. Лицензия — Apache-2.0. Как базовая модель, она предназначена для дальнейшей адаптации; README не описывает ограничения по качеству для отдельных языков или сценариев, поэтому результаты бенчмарков не гарантируют качество на конкретных пользовательских задачах.

Модель peterhsu/marian-finetuned-kde4-en-to-zh_TW — дообученная на датасете KDE4 модель машинного перевода на базе Helsinki-NLP/opus-mt-en-zh. Она построена на архитектуре MarianMT, содержит 58,4 млн параметров и рассчитана на перевод текста с английского на традиционный китайский (Тайвань). В карточке указаны результаты оценки на тестовом наборе: BLEU 39,0863 и loss 1,0047. Модель предназначена для перевода текстов в домене KDE4, в частности строк интерфейса и документации KDE. Доступны веса PyTorch; лицензия — Apache-2.0. Контекст модели составляет 512 токенов.