II.6Документация и сопровождение разработки

Карточка модели princeton-nlp/Mistral-7B-Instruct-DPO 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/Mistral-7B-Instruct-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.

Это квантизированная версия в формате GGUF модели MaziyarPanahi/Mistral-7B-Instruct-v0.1-16k-Mistral-7B-Instruct-v0.2-slerp. Модель разработана и подготовлена MaziyarPanahi; исходная версия получена объединением Mistral-7B-Instruct-v0.1-16k от NurtureAI и Mistral-7B-Instruct-v0.2 от Mistral AI методом slerp. Модель предназначена для генерации текста и работы с инструкциями, включая локальные чат-сценарии и другие задачи text generation, совместимые с поддерживаемыми GGUF инструментами. Модель имеет около 7 миллиардов параметров и работает только с текстом. Доступны варианты квантизации с разрядностью от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файла, требованиями к памяти и качеством. README не указывает точный размер контекстного окна объединённой модели, языки, результаты тестирования или специализированные преимущества. Формат GGUF поддерживается llama.cpp, text-generation-webui, KoboldCpp, GPT4All, LM Studio, llama-cpp-python и другими совместимыми средствами, поэтому модель подходит для локального запуска на различных платформах, в том числе с GPU-ускорением. Ограничениями являются зависимость характеристик от выбранного уровня квантизации и отсутствие подтверждённых в README данных о качестве, языковой специализации и производительности. Модель распространяется по лицензии Apache-2.0.

MaziyarPanahi/Mistral-7B-Instruct-v0.1-GGUF — это набор файлов модели в формате GGUF для Mistral-7B-Instruct-v0.1, разработанной Mistral AI (mistralai) и квантизированной MaziyarPanahi. Модель предназначена для генерации текста и инструкционного диалога, включая локальный запуск через llama.cpp и совместимые приложения и библиотеки. Основа модели — Mistral с 7 миллиардами параметров; точные архитектурные характеристики, поддерживаемые языки и размер контекста в README не указаны. Доступны варианты квантизации от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между размером файла, требованиями к памяти, скоростью и качеством. Формат GGUF ориентирован на эффективный запуск, в том числе с GPU-ускорением, в локальных интерфейсах и серверных решениях. Сильными сторонами являются широкий выбор уровней квантизации и совместимость с популярными инструментами локального инференса. Ограничения включают возможное снижение качества на агрессивно квантизированных вариантах, а также отсутствие в README подробных данных о результатах оценки, языковых возможностях и контекстном окне. Модель распространяется по лицензии Apache-2.0.

Карточка модели bany1111/mistral-7b-lima_v2 на Hugging Face совпадает с карточкой bany1111/mistral-7b-arc_reasoning_v2, поэтому описание составлено по ней. bany1111/mistral-7b-arc_reasoning_v2 — дообученная языковая модель семейства Mistral с архитектурой MistralForCausalLM и 7,1 млрд параметров. Она создана bany1111 на основе unsloth/mistral-7b-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель предназначена для генерации текста; контекст составляет до 32 768 токенов. Карточка не описывает специализацию на конкретных сценариях рассуждения или отдельных областях, поэтому её можно рассматривать как модель общего назначения для текстовых запросов и ответов. Указана поддержка английского языка. Модель распространяется по лицензии Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений; результаты следует проверять на целевых задачах.

Mistral7B-PairRM-SPPO-Iter1 — языковая модель на архитектуре Mistral, разработанная UCLA-AGI методом Self-Play Preference Optimization. Это первый этап серии итерационных дообучений на синтетических ответах: использованы запросы из UltraFeedback, разделённые на части для трёх итераций; в каждой итерации генерировалось пять ответов. Модель дообучена на базе mistralai/Mistral-7B-Instruct-v0.2 и содержит 7,1 млрд параметров. Модель предназначена для диалогов и генерации ответов на инструкции на английском языке. Её можно применять для создания чат-ботов, ответов на вопросы и выполнения пользовательских запросов; карточка приводит результаты оценок на наборах AlpacaEval, Arena-Hard, MT-Bench и Open LLM Leaderboard. Модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов и опубликована в формате safetensors. Лицензия — Apache-2.0. Результаты оценки относятся к конкретным тестам и не гарантируют качество во всех сценариях; обучение на синтетических данных может влиять на характер ответов.

Mistral-7B-SlimOrca — демонстрационная диалоговая языковая модель Open-Orca, созданная дообучением Mistral 7B на отфильтрованной выборке датасета OpenOrca/SlimOrca. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и принимает текстовые запросы, оформленные в шаблоне ChatML. Указанная в метаданных длина контекста — 32 768 токенов. Модель предназначена для генерации ответов в диалоге и выполнения инструкций на английском языке. Авторы представляют её как демонстрацию качества компактной версии обучающих данных SlimOrca; в README приведены оценки на тестах Hugging Face Leaderboard, но они не гарантируют качество на пользовательских задачах. Модель выпущена по лицензии Apache-2.0. Это предварительная демонстрационная версия, поэтому её результаты следует проверять на целевых сценариях.

biggesto/mistral_aida — дообученная языковая модель семейства Mistral, разработанная biggesto на базе unsloth/mistral-7b-v0.3-bnb-4bit. Она предназначена для генерации текста; карточка не описывает специализацию или конкретные сценарии применения. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Для обучения применялись Unsloth и библиотека Hugging Face TRL. Модель распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества и подробности обучающих данных, поэтому пригодность для конкретных задач следует проверять отдельно.

Это квантизированная в формате GGUF версия instruct-модели Ministral-3-3B-Instruct-2512 от Mistral AI, подготовленная DevQuasar для запуска в совместимом локальном ПО. Модель предназначена для диалогов, выполнения инструкций и генерации текста; базовая модель также поддерживает анализ изображений. Компактный размер семейства рассчитан на локальные и периферийные устройства. В репозитории представлены варианты GGUF BF16 и F16. Лицензия в предоставленных данных не указана; перед использованием проверьте условия лицензии базовой модели Mistral AI. Доступная карточка не описывает конкретные ограничения качества или производительности.

OpenPipe создала эту плотную авторегрессионную языковую модель на архитектуре Mistral с помощью слияния весов методом SLERP. В состав слияния вошли Weyaxi/OpenHermes-2.5-neural-chat-v3-3-Slerp и Q-bert/MetaMath-Cybertron-Starling, построенные на базе mistralai/Mistral-7B-v0.1. Модель содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. Модель предназначена как сильная исходная точка для последующего дообучения на разных задачах генерации текста. Авторы сообщают о хороших результатах на внутренних оценках, но не приводят в карточке их подробностей. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями; авторы также рекомендуют обновлённую версию модели с более разрешительной лицензией.

TensorVizion/mistral-nemo-alpaca-finetune — дообученная TensorVizion языковая модель семейства Mistral на базе unsloth/mistral-nemo-base-2407-bnb-4bit. Это плотная авторегрессионная модель с архитектурой MistralForCausalLM и 12,1 млрд параметров. Она предназначена для генерации текста и может использоваться в сценариях диалога и создания текстовых ответов. Модель обучали с помощью Unsloth и библиотеки TRL от Hugging Face; заявленный размер контекста — 131 072 токена. Карточка указывает английский язык и лицензию Apache-2.0. README не описывает конкретную специализацию или результаты оценки качества.

win10/Mistral-Nemo-Base-2407-20b — плотная языковая модель семейства Mistral для генерации текста. В метаданных указаны архитектура MistralForCausalLM, 23 млрд параметров, библиотека Transformers и контекст до 1 024 000 токенов. Модель создана на основе unsloth/Mistral-Nemo-Base-2407 слиянием предварительно обученных языковых моделей методом passthrough; README указывает, что в слиянии участвовала эта базовая модель. Модель предназначена для генерации текста и может служить основой для дальнейшей адаптации под прикладные задачи. В карточке не описаны конкретные сценарии, языки или результаты оценки качества. Лицензия в предоставленных сведениях не указана.

mistral-nemo-bophades3-12B — дообученная модель для генерации текста и диалогов, созданная на основе Mahou-1.5-mistral-nemo-12B-lorablated. Она использует архитектуру Mistral с плотной моделью на 12,1 млрд параметров и доступна в формате safetensors для библиотеки Transformers. Обучение методом ORPO проводилось в течение двух эпох на наборах данных truthy-dpo-v0.1, orca_math_dpo и physical-reasoning-dpo. Модель предназначена для диалоговых сценариев, генерации ответов, рассуждений и математических задач. Заявленное нативное окно контекста — 1 024 000 токенов. Лицензия Apache 2.0 допускает использование на её условиях; README не приводит сравнительных оценок качества или результатов тестирования.

bartowski/Mistral-NeMo-Minitron-8B-Instruct-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Mistral-NeMo-Minitron-8B-Instruct, разработанной NVIDIA и преобразованной в GGUF с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через LM Studio и другие совместимые среды локального вывода. Для взаимодействия используется специальный шаблон с ролями System, User и Assistant. Доступны варианты от полноразмерных весов F16 до различных уровней квантования Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 4,2 до 16,8 ГБ, что позволяет выбирать между качеством, требованиями к памяти и скоростью инференса. Квантизации выполнены с использованием imatrix; версии Q6 и Q5 заявлены как близкие к исходному качеству, а Q4 — как хороший компромисс для ограниченных ресурсов. Отдельные варианты оптимизированы для ARM и требуют соответствующих аппаратных возможностей. README не указывает поддерживаемые языки, размер контекстного окна, точные архитектурные характеристики исходной модели или результаты бенчмарков. Для ARM-оптимизированных вариантов имеются ограничения совместимости: их не рекомендуется использовать на Mac и Windows. Условия лицензирования в предоставленных данных не указаны.

Mistral-Small-22B-ArliAI-RPMax-v1.1-GGUF — это квантизированная версия текстовой генеративной модели ArliAI/Mistral-Small-22B-ArliAI-RPMax-v1.1. Исходную модель разработала ArliAI, а сборку в формате GGUF подготовил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и запуска локально через совместимые инструменты, включая llama.cpp и LM Studio. Модель относится к семейству Mistral и содержит около 22 миллиардов параметров. Доступны версии от F16 до разных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ4_XS, что позволяет выбирать между качеством генерации, потреблением памяти и скоростью инференса. Размер файлов варьируется примерно от 11,7 до 44,5 ГБ. Для некоторых вариантов предусмотрена оптимизация под ARM, включая требования к поддержке sve или i8mm. Рекомендуемый формат prompt — <s> [INST] запрос [/INST]. Сильной стороной сборки является широкий выбор квантизаций, включая варианты с высоким качеством и уменьшенным потреблением памяти, что упрощает локальное развертывание. Ограничения и дополнительные характеристики исходной модели, включая поддерживаемые языки, размер контекста, точную архитектуру, мультимодальность и результаты тестирования, в README не указаны. Модель распространяется по лицензии MRL-0.1; в метаданных она обозначена как license: other.

Mistral-Small-Instruct-2409-GGUF — это набор GGUF-квантизаций инструкционной языковой модели Mistral-Small-Instruct-2409, разработанной Mistral AI и подготовленной пользователем bartowski. Модель предназначена для генерации текста и диалоговых сценариев, включая работу через llama.cpp и LM Studio. Для взаимодействия используется шаблон промпта <s> [INST] запрос [/INST]. В README указана поддержка английского, французского, немецкого, испанского, итальянского, португальского, китайского, японского, русского и корейского языков. Архитектура, число параметров, размер контекстного окна и поддержка модальностей, кроме текстовой, не указаны. Доступны варианты от F16 размером 44,50 ГБ до IQ3_M размером 10,06 ГБ, а также форматы Q8_0, Q6_K, Q5_K, Q4_K, Q3_K и другие. Более высокие уровни квантизации обеспечивают лучшее качество, тогда как компактные варианты требуют меньше оперативной памяти, но могут снижать качество ответов. Сильной стороной набора является широкий выбор квантизаций, включая варианты, оптимизированные для ARM, что позволяет подобрать баланс между качеством и ресурсами устройства. Ограничения связаны с потерями качества при низких уровнях квантизации и отсутствием в README подробных сведений о возможностях исходной модели и результатах оценки. Модель распространяется по лицензии Mistral Research License (MRL) 0.1; применяются условия лицензии Mistral AI.

cloudyu/Mixtral_11Bx2_MoE_19B — разговорная языковая модель семейства Mixtral, опубликованная пользователем cloudyu. По README, она объединяет Sakura-SOLAR-Instruct и CarbonVillain-en-10.7B-v1 в архитектуру смеси экспертов (MoE). Метаданные указывают 10,6 млрд параметров, контекст до 4096 токенов и формат Safetensors. Модель предназначена для генерации текста в диалоговом формате и общих задач языкового моделирования. В README приведены результаты оценки на HellaSwag и Open LLM Leaderboard, но этих тестов недостаточно, чтобы гарантировать качество в конкретных прикладных сценариях. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование; модель следует применять с соблюдением её условий.

Mixtral-8x7B-Instruct-v0.1-GGUF — это набор файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе оригинальной модели Mixtral-8x7B-Instruct-v0.1, разработанной Mistral AI. Модель предназначена для генерации текста и диалоговых сценариев, а GGUF-версии позволяют запускать её локально с помощью llama.cpp и совместимых приложений и библиотек, включая text-generation-webui, LM Studio, GPT4All, KoboldCpp и llama-cpp-python. Архитектура исходной модели — Mixtral с восемью экспертами по 7B параметров; конкретные характеристики контекста, языковой поддержки и модальностей в README не указаны. Репозиторий содержит варианты квантования с разной разрядностью — от 2 до 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством генерации. Модель текстовая и относится к pipeline text-generation. Сильной стороной является поддержка множества локальных инструментов и возможность подбирать степень квантования под доступное оборудование. Ограничения и влияние конкретных вариантов квантования на качество в README подробно не описаны; также не указаны рекомендуемые аппаратные требования и максимальная длина контекста. Модель распространяется по лицензии Apache-2.0.

DS-Archive выпустил объединённую языковую модель Mixtral-8x7B-Instruct-v0.1-LimaRP-ZLoss-DARE-TIES, созданную методом DARE TIES с помощью mergekit. В объединение вошли Mixtral-8x7B-Instruct-v0.1 и Mixtral-8x7B-v0.1-LimaRP-ZLoss; базой указан Mixtral-8x7B-v0.1. Архитектура — Mixtral MoE для авторегрессионной генерации текста; модель распространяется в формате safetensors и имеет контекст длиной 32 768 токенов. Модель предназначена для генерации текста в диалоговом формате и других сценариях продолжения текста. Карточка называет один из компонентов LimaRP-ZLoss, однако не приводит подробностей о целевых сценариях и языках. Лицензия в предоставленных данных не указана.

mHossain/ml_sum_v2 — дообученная версия T5ForConditionalGeneration объёмом 123,8 млн параметров, созданная на основе mHossain/ml_sum_v1. Модель предназначена для суммаризации: она принимает текст и генерирует краткий текстовый пересказ. Максимальная длина контекста — 512 токенов. В карточке приведены метрики на оценочном наборе: Loss 1,9401, ROUGE-1 8,1448, ROUGE-2 3,3615, ROUGE-L 7,4641 и ROUGE-Lsum 7,9361; длина генерации — 19 токенов. Датасет обучения не указан, а карточка не описывает предполагаемые сценарии применения и ограничения качества. Модель распространяется под лицензией Apache-2.0.

Jackrong/MLX-Qwen3.5-9B-DeepSeek-V4-Flash-4bit — языковая генеративная модель, разработанная Jackrong и преобразованная в формат MLX из базовой модели Jackrong/Qwen3.5-9B-DeepSeek-V4-Flash с использованием mlx-lm 0.30.7. Модель предназначена для генерации текста и может применяться в сценариях, требующих рассуждений, дистилляции, работы с длинными цепочками рассуждений, агентных задач и эффективного инференса на совместимом оборудовании Apple MLX. Модель имеет размер 9B параметров, использует 4-битное квантование и поддерживает библиотеку MLX. Заявлена поддержка английского, китайского, корейского, японского, испанского и русского языков. Доступная модальность — текст; модель относится к классу text generation. Максимальная длина контекста и точные архитектурные характеристики в README не указаны. Для запуска требуется mlx-lm, предусмотрена работа через chat template. Модель удобна для локального и эффективного вывода в экосистеме MLX, а 4-битное представление снижает требования к памяти. Ограничения включают отсутствие данных о результатах оценки, качестве на отдельных языках, производительности и максимальном контексте. Модель распространяется по лицензии Apache-2.0; в качестве датасета указано Jackrong/DeepSeek-V4-Distill-8000x.

Undi95/MM-ReMM-L2-20B — слитая языковая модель семейства Llama, опубликованная Undi95. Она объединяет Gryphe/MythoMax-L2-13b и Undi95/ReMM-v2.1-L2-13B с использованием промежуточного варианта ReMM, смешанного с MythoMax для сохранения согласованности ответов. Модель предназначена для генерации текста и диалоговых сценариев с шаблоном Alpaca. Модель содержит 19,8 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст на вход, генерируя текст на выходе. Родной контекст — 4096 токенов; веса опубликованы в формате safetensors. В README приведены результаты оценивания на ARC и HellaSwag, однако полная таблица в доступном тексте отсутствует. Лицензия CC BY-NC 4.0 требует атрибуции и ограничивает коммерческое использование.

MoMo-72B-lora-1.8.6-DPO — языковая модель компании Moreh на архитектуре Llama, обученная методом DPO на основе MoMo-72B-LoRA-V1.4. Базовая версия MoMo-72B-LoRA-V1.4 была дообучена методом SFT с LoRA на QWEN-72B; авторы сообщают, что слияние весов не применялось. Для совместимости с Llama веса были адаптированы при подготовке к отправке на лидерборд. Модель содержит около 71 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. При обучении использовались наборы SlimOrca, Truthy и Orca DPO Pairs; обучение проводилось на платформе MoAI компании Moreh с ускорителями AMD MI250. В карточке приведён результат проверки на утечку данных для TruthfulQA, но полных результатов бенчмарков нет. Указана лицензия MIT.

MoMo-72B-lora-1.8.7-DPO — языковая модель Moreh, дообученная методом Direct Preference Optimization (DPO) на основе MoMo-72B-LoRA-V1.4. Предыдущая версия MoMo-72B-LoRA-V1.4 прошла supervised fine-tuning с LoRA на базе QWEN-72B; для совместимости с Llama обученные веса были переориентированы, слияние весов не применялось. Модель представляет собой плотную авторегрессионную архитектуру LlamaForCausalLM с 71 млрд параметров и контекстом до 32 768 токенов. Модель предназначена для генерации текста и диалоговых ответов. При обучении использовались наборы SlimOrca, Truthy и Orca DPO Pairs; разработчики приводят результаты TruthfulQA и GSM8K, но полная таблица оценок не заполнена. Карточка содержит пример загрузки через Transformers. Поддержка английского указана в метаданных. Лицензия — MIT.

Moonlight-16B-A3B-Instruct-Bruno — чат-модель rawcell, полученная модификацией MoonshotAI Moonlight-16B-A3B-Instruct методом MoE gate abliteration с настройкой Bruno. Она предназначена для генерации текста и ответов на инструкции; модификация снижает частоту отказов. Модель использует архитектуру Mixture-of-Experts: 16 млрд параметров всего и около 3 млрд активных. По метаданным, контекст составляет 8192 токена; модель работает через Transformers и распространяется в формате safetensors. В README сообщается о проверке на MMLU, HellaSwag и GSM8K, а также о снижении отказов на тестовом наборе запросов. Эти результаты приведены авторами карточки и не гарантируют аналогичное качество в других сценариях. Для запуска указаны минимум 32 ГБ VRAM с квантизацией и рекомендация от 48 ГБ VRAM. Лицензия — Apache-2.0.

Motif 2.6B v1.1-LC — дообученная плотная языковая модель Motif-Technologies на 2,6 млрд параметров для генерации текста и диалоговых приложений. Версия v1.1-LC поддерживает контекст до 16 384 токенов; карточка приводит результаты тестов MMLU, MMLU-Pro и WinoG. Модель ориентирована на английский и корейский языки. Её можно использовать для диалога и генерации текста в приложениях на базе Transformers; для загрузки в примере README используется trust_remote_code. Модель распространяется по лицензии MIT.

Это GGUF-квантизированная версия текстовой генеративной модели Qwen3-14B-ft-limo, разработанной mrm8488 и дополнительно подготовленной в различных вариантах точности пользователем bartowski. Базовая модель связана с датасетом GAIR/LIMO и предназначена для генерации текста, включая запуск локально через llama.cpp, LM Studio и совместимые проекты. Модель имеет размер 14 млрд параметров и поддерживает наборы весов от BF16 до низкоразрядных вариантов Q2–Q8, что позволяет выбирать компромисс между качеством, требованиями к памяти и скоростью работы. Рекомендуемыми указаны варианты Q4_K_M, Q5 и Q6; более компактные версии подходят для систем с ограниченной оперативной памятью, но обеспечивают более низкое качество. Используется шаблон запросов в формате ChatML. Сведения о поддерживаемых языках, максимальном контексте и дополнительных модальностях в README не приведены, поэтому модель следует рассматривать как текстовую. Сильной стороной являются разнообразные варианты квантизации, включая imatrix-квантизацию, позволяющие запускать модель на локальном оборудовании. Ограничения зависят от выбранного формата: уменьшение размера весов может снижать качество генерации, а для запуска требуются совместимые llama.cpp-инструменты и достаточный объём памяти. Указанная лицензия — Apache-2.0.

DazzlingXeno/MS-Beast-33b — объединённая языковая модель на архитектуре Mistral, созданная DazzlingXeno с помощью mergekit. В README описан метод passthrough, который соединяет слои модели DazzlingXeno/MS-Drummer-Sunfall-22b; метаданные связывают её с этой же моделью как с базовой. Размер модели — 33 млрд параметров, контекст — до 32 768 токенов. Модель предназначена для генерации текста и диалоговых сценариев. Метаданные также указывают интерфейс для вызова инструментов. Она принимает текст и генерирует текст; языки в карточке не определены. Файлы представлены в формате safetensors. Карточка не содержит сведений о качестве на конкретных задачах или ограничениях поведения. Лицензия в предоставленных данных не указана.

zelk12/MT1-Gen3-MU-gemma-2-S2S5-9B — плотная языковая модель семейства Gemma 2 с 9 млрд параметров, созданная слиянием моделей allknowingroger/Gemmaslerp2-9B и allknowingroger/GemmaSlerp5-10B методом SLERP с помощью mergekit. Репозиторий содержит веса в формате Safetensors; модель доступна для текстовой генерации и диалогового взаимодействия, использует архитектуру Gemma2ForCausalLM и имеет контекст до 8192 токенов. Модель подходит для генерации продолжений текста и ведения диалога на основе текстовых запросов. В README приведены базовые модели и параметры слияния, но не описаны специальные предметные навыки или оценки качества. Лицензия в предоставленных данных не указана.

zelk12/MT1-IMMMU-gemma-2-9B — объединённая языковая модель на базе Gemma 2, созданная разработчиком zelk12 методом SLERP с помощью mergekit из моделей zelk12/MT1-IM-gemma-2-9B и zelk12/MT1-MMU-gemma-2-9B. Модель предназначена для генерации текста и диалогового общения; репозиторий указывает архитектуру Gemma2ForCausalLM и размер 9 млрд параметров. Модель работает с текстом и имеет контекстное окно 8192 токена. Файлы представлены в формате safetensors; библиотека для работы — Transformers. Метаданные и README не описывают специализированные предметные области или дополнительные возможности. Лицензия в доступных данных не указана.