II.6Документация и сопровождение разработки

speechless-zephyr-code-functionary-7b — экспериментальная модель, разработанная uukuguy в рамках проекта Mixture-of-Multi-LoRAs. Она создана на основе Mistral-7B-v0.1 с объединением LoRA-модулей, извлечённых из HuggingFaceH4/zephyr-7b-beta, meetkai/functionary-small-v2.2 и uukuguy/speechless-code-mistral-7b-v1.0. Для автоматической сборки модулей используется router Mixture-of-Multi-LoRAs с безградиентным подбором коэффициентов, в том числе для ранее не встречавшихся задач. Модель предназначена для генерации текста, программирования, работы с функциями и плагинами, а также для универсальных задач, где требуется сочетание диалоговых, кодовых и инструментальных навыков. В README заявлена поддержка английского языка и использование через Transformers; также доступны варианты GGUF с 4-, 5- и 8-битным квантованием для CPU и GPU-инференса. Размер базовой модели — около 7 миллиардов параметров. Размер контекста и полный перечень поддерживаемых модальностей не указаны; по описанию модель относится к текстовым. К сильным сторонам относятся сочетание навыков генерации кода, вызова функций и общего диалога, а также возможность адаптивного комбинирования LoRA-модулей. В опубликованной оценке средний результат LM-Evaluation-Harness составляет 62,93; показатели включают 64,71 на MMLU, 43,82 на GSM8K и 83,88 на HellaSwag. Ограничения связаны с экспериментальным характером подхода, отсутствием подробных данных о контексте, поведении на других языках и практической надёжности вызова функций. Модель распространяется по лицензии Apache-2.0.

StableLM-Base-Alpha-7B — базовая авторегрессионная языковая модель Stability AI на архитектуре GPT-NeoX с плотным декодером. Она содержит около 10 млрд параметров по метаданным и обучена предсказывать продолжение текста на разнообразных англоязычных данных; контекст составляет 4096 токенов. Модель предназначена для генерации текста и как основа для дообучения под конкретные приложения. Модель работает с текстом на английском языке и распространяется в формате PyTorch. Версия Base-Alpha заменена более новыми моделями StableLM. В обучающих данных могли сохраниться оскорбительные или неподходящие материалы, что может отражаться в ответах; разработчик рекомендует соблюдать осторожность при использовании в производственных системах и не применять модель для причинения вреда или страданий. Лицензия CC BY-SA 4.0 требует указывать авторство Stability AI, ссылаться на лицензию и отмечать внесённые изменения.

StrangeMerges_3-7B-slerp — объединённая модель для генерации текста на архитектуре Mistral, созданная Gille с помощью LazyMergekit. Она получена методом SLERP из FelixChao/WestSeverus-7B-DPO-v2 и Gille/StrangeMerges_1-7B-slerp; размер составляет 7,1 млрд параметров, формат весов — Safetensors, контекст — до 32 768 токенов. Модель предназначена для генерации продолжений и ответов по текстовым запросам. В README приведены результаты оценки на задачах рассуждения AI2 ARC и HellaSwag. Поддержка русского языка отдельно не заявлена. Репозиторий распространяется по лицензии Apache-2.0.

SubtleOne_Qwen2.5-32b-Erudite-Writer-GGUF — это набор GGUF-квантизованных версий текстовой генеративной модели Qwen2.5-32b-Erudite-Writer, разработанной SubtleOne. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может применяться локально в LM Studio, llama.cpp и других проектах на базе llama.cpp. Доступны варианты от BF16 до различных уровней квантизации Q8, Q6, Q5, Q4, Q3 и IQ. Размер файлов составляет примерно от 14,81 до 65,53 ГБ, поэтому выбор варианта позволяет балансировать качество и требования к памяти. Для работы используется формат prompt-шаблона Qwen с ролями system, user и assistant. README не содержит сведений о точной архитектуре, максимальном контексте, поддерживаемых языках, мультимодальности или результатах benchmark-тестов. Сильными сторонами являются широкий выбор квантизаций, возможность локального запуска и сохранение высокого качества у старших вариантов, особенно Q6 и Q5. Более компактные варианты подходят для систем с ограниченным объёмом оперативной памяти, но могут заметнее терять качество. Модель распространяется по лицензии Apache-2.0; условия исходной базовой модели отдельно в README не описаны.

Superevolution — объединённая разговорная языковая модель от mergekit-community, созданная методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и mergekit-community/TopEvolution. Это плотная архитектура MistralForCausalLM примерно на 7,1 млрд параметров, рассчитанная на генерацию текста и диалоги; заявленная длина контекста — 32 768 токенов. Слияние настроено так, чтобы сочетать вклад Hermes на входе и выходе с вкладом WizardMath в средних слоях. Модель распространяется в формате safetensors и предназначена для Transformers. Её можно использовать для диалоговых приложений и генерации ответов на текстовые запросы. Карточка не описывает специальные предметные области, языки или результаты оценки качества, поэтому нельзя уверенно определить её преимущество в конкретных задачах. Условия лицензии в доступных данных не приведены.

Suppe-v1-7B — языковая модель на архитектуре Mistral, созданная автором nbeerbower путём объединения предварительно обученных моделей методом Model Stock с помощью mergekit. В качестве базовой использована yam-peleg/Experiment26-7B; в объединение также вошли automerger/YamshadowExperiment28-7B, chihoonlee10/T3Q-Mistral-Orca-Math-DPO, mlabonne/AlphaMonarch-7B и mlabonne/Zebrafish-7B. Модель предназначена для генерации текста и может применяться в диалогах, следовании инструкциям и решении задач на рассуждение и математику — эти возможности отражены в описании одной из объединённых моделей. Она содержит 7,1 млрд параметров, имеет контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Лицензия — Apache-2.0. Карточка не сообщает о собственных оценках качества Suppe-v1-7B или о явно заявленных языках. Практические результаты могут зависеть от запроса и сценария; характеристики отдельных моделей, вошедших в объединение, не гарантируют такие же результаты у итоговой модели.

Swift-Qwen3.8-27B-GGUF — квантованная GGUF-версия модели Swift-Qwen3.8-27B, разработанной UkisAI на базе Qwen3.8-27B. Модель ориентирована на задачи рассуждений, включая общее reasoning, математику, следование инструкциям и программирование. В метаданных также указан сценарий image-text-to-text, однако подробности о поддерживаемых визуальных входах в README не приведены. Ключевая особенность модели — сокращение числа thinking-токенов: по заявлению разработчика, их требуется на 58,3% меньше при потере качества менее 1% и ускорении примерно в 1,95 раза на ряде задач. В опубликованных сравнениях с базовой моделью результаты Swift близки к исходным на GPQA-Diamond, MMLU-Pro, C-Eval, IFBench и математических бенчмарках. Размер модели — 27B параметров; формат GGUF предназначен для использования с экосистемой llama.cpp и совместимыми средствами запуска. Сведения о контекстном окне и языках в README отсутствуют. Модель может быть полезна там, где важны качество рассуждений, экономия вычислений и сокращение задержки ответа. Ограничения включают некоторое снижение результатов на отдельных тестах, а также отсутствие в предоставленных данных подробных требований к оборудованию и характеристик квантования. Указана лицензия swift-open-license-1.0; README также содержит ссылку на условия лицензии и упоминает enterprise-лицензирование, поэтому перед коммерческим использованием следует проверить полный текст условий.

Swift-Qwen3.8-27B-MIX_GGUF — набор смешанных GGUF-квантизаций модели ukisai/Swift-Qwen3.8-27b, подготовленный пользователем vmarcelo. Исходная модель является дообученной версией Qwen/Qwen3.8-27B — плотной мультимодальной модели на 27 млрд параметров с гибридной архитектурой GatedDeltaNet и Gated Attention, а также встроенной головой Multi-Token Prediction (MTP). Модель предназначена для работы с текстом и изображениями, включая мультимодальные сценарии, при наличии отдельного файла vision encoder mmproj-F16.gguf. Заявлена поддержка multilingual-задач; точный перечень языков не указан. В набор входят варианты IQ4-MIX размером 14,16 ГБ, IQ3-MIX размером 12,87 ГБ и IQ2-MIX размером 10,12 ГБ. Они рассчитаны на потребительские видеокарты с 16 ГБ VRAM, например AMD Radeon RX 9070 XT. IQ4 ориентирован на лучшее качество при умеренном контексте, IQ3 обеспечивает больший запас памяти и более длинный контекст, а IQ2 предназначен для максимального контекста примерно 131–262 тыс. токенов, но имеет экспериментальное качество и слабее подходит для программирования. Встроенная MTP-голова позволяет использовать speculative decoding без загрузки второго файла. Квантизация выполнена с помощью llama.cpp и importance matrix, при этом наиболее чувствительные компоненты сохраняются в более высокоточных форматах. Основные ограничения связаны с потерей качества из-за квантизации, особенно у IQ2; README прямо предупреждает о заметном ухудшении по сравнению с IQ3. Для обработки изображений требуется загрузка mmproj-файла, а фактическая поддерживаемая длина контекста зависит от выбранного варианта, настроек KV-кэша и доступной памяти. Модель распространяется по лицензии Swift Open License 1.0; в метаданных также указано общее обозначение лицензии other.

SynapseLLM-7B-Mistral-v0.5-preview2 — предварительная версия языковой модели WebraftAI, дообученной на базе Mistral-7B-v0.1. Это плотный декодерный трансформер с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors для библиотеки Transformers. При дообучении использовался QLoRA, затем адаптеры были объединены с основной моделью. Модель предназначена для диалоговых вопросов и ответов, математических инструкций и генерации кода, включая Python. В README указано, что обучение проводилось на англоязычных данных, а метаданные отмечают английский язык. Модель распространяется по лицензии Apache 2.0. Это preview-чекпойнт, обученный на ограниченном по охвату наборе данных. Разработчики предупреждают о возможных фактических ошибках, слабом следовании системным инструкциям и смещениях в ответах; у модели нет встроенной памяти.

Synthia-7B-v1.2 — языковая модель семейства LLaMA 2, разработанная migtissera и дообученная на данных в стиле Orca. Она рассчитана на следование инструкциям, продолжительные диалоги и генерацию текста; автор также указывает на способности к обобщённому рассуждению с использованием подходов Tree of Thought и Chain of Thought. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch. Её родной контекст составляет 2048 токенов, основной язык карточки — английский. Модель подходит для диалоговых помощников, развёрнутых локально, и для задач генерации ответов и рассуждений по текстовым запросам. В README приведены результаты оценки на ARC и HellaSwag. Автор предупреждает, что ответы могут быть неточными или вводящими в заблуждение, а модель может выдавать предвзятый, оскорбительный или иной неподходящий контент; модель описана как uncensored. Для использования действует лицензия Llama 2.

Kaballas/T36Model — дообученная Kaballas модель семейства Qwen2 для генерации текста. Она построена на базе Kaballas/T35Model и имеет 7,1 млрд параметров; заявленная длина контекста — до 131 072 токенов. Модель обучали с использованием Unsloth и библиотеки Hugging Face TRL. Модель подходит для генерации текста на английском языке. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит сведений о специализированных областях применения или дополнительных возможностях.

nlpguy/T3QM7 — это объединённая текстовая модель на архитектуре Mistral с 7,1 млрд параметров, созданная автором репозитория с помощью mergekit. В объединение вошли liminerity/M7-7b и chihoonlee10/T3Q-Mistral-Orca-Math-DPO; применён метод SLERP, веса сохранены в формате safetensors. Модель предназначена для генерации текста и диалога, включая задачи с математическим уклоном, унаследованным от одной из объединённых моделей. Она принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Репозиторий указывает лицензию Apache-2.0. README не приводит отдельной оценки качества объединённой модели.

T3qm7Mergerix-7B — автоматически объединённая модель, созданная Maxime Labonne на основе Mistral-7B-v0.1, T3QM7 и Mergerix-7b-v0.3. Она предназначена для генерации текста и диалога, включая ответы на математические запросы. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстное окно до 32 768 токенов; веса опубликованы в формате safetensors. Модель распространяется по лицензии Apache-2.0. В README не приведены результаты оценки качества или сведения о поддерживаемых языках, поэтому практическую точность для конкретных задач и языков следует проверять отдельно.

T3qm7xNeuralsirkrishna_AlloyingotneoyExperiment28 — объединённая модель Mistral, созданная из automerger/T3qm7xNeuralsirkrishna-7B и automerger/AlloyingotneoyExperiment28-7B. Она предназначена для генерации текста и диалогов; модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий распространяет веса в формате safetensors. Модель принимает текст и генерирует текст. В README не описаны специализация, языки или результаты оценки качества, поэтому её можно охарактеризовать только как модель общего назначения для генерации текста. Лицензия — Apache-2.0.

T3qm7xNeuralsirkrishna_PasticheAlloyingotneoy — объединённая текстовая модель на архитектуре Mistral, созданная слиянием automerger/T3qm7xNeuralsirkrishna-7B и automerger/PasticheAlloyingotneoy-7B. Модель содержит 7,1 млрд параметров и принимает контекст длиной до 32 768 токенов. Она предназначена для генерации текста и диалогов. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не сообщает о специализированной предметной области или дополнительных возможностях.

Карточка модели cuong1692001/Terminal-complete-12k на Hugging Face совпадает с карточкой cuong1692001/Terminal_complete_12k, поэтому описание составлено по ней. Terminal-complete12k — дообученная модель на базе Qwen/Qwen3-8B, созданная автором репозитория cuong1692001. Это плотная языковая модель с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров; она принимает текст и генерирует текст. Карточка указывает на диалоговый сценарий, а базовая модель поддерживает многоязычную генерацию, рассуждения, следование инструкциям, работу с кодом и вызов инструментов. Максимальная длина контекста составляет 40 960 токенов. Модель можно применять для диалога и генерации текста. README сообщает о дообучении на наборе qwen_data_complete, но не описывает его состав, целевые задачи или результаты оценки, поэтому специфические преимущества Terminal-complete12k подтвердить нельзя. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия указана как other; конкретные условия использования в доступных данных не раскрыты.

Карточка модели cuong1692001/Terminal-complete-8k на Hugging Face совпадает с карточкой cuong1692001/Terminal_complete_8k, поэтому описание составлено по ней. Terminal-complete8k — дообученная модель на 7,6 млрд параметров на базе Qwen/Qwen3-8B, созданная автором cuong1692001 с использованием набора данных qwen_data_complete. Это диалоговая языковая модель для генерации текста; метаданные указывают архитектуру Qwen3ForCausalLM и контекст до 40 960 токенов. Подходит для диалогов и других задач генерации текста на поддерживаемых базовой моделью языках. Карточка не описывает состав обучающих данных, результаты оценки или особые ограничения этой версии. Модель распространяется в формате safetensors; лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория.

TernaryQuench-Qwen3.8-27B-GGUF — это сжатая версия языковой модели Qwen3.8-27B, подготовленная penkia с использованием проекта TernaryQuench. Базовая модель разработана командой Alibaba Qwen. Модель предназначена для локального текстового вывода и совместима с llama.cpp и Ollama; заявлена поддержка генерации текста, структурированного JSON и tool calling. Модель содержит 27 млрд параметров. В большинстве матриц декодера применено ternary-кодирование с тремя значениями весов: −scale, 0 и +scale; первые 62 слоя хранятся в формате Q2_K, последние два слоя — в BF16, а embeddings и output head — в Q4_1. Файл занимает около 10,86 ГБ, при этом требуется дополнительная память для runtime и context cache; в примере запуска указан контекст до 32 768 токенов. Сжатие снижает качество относительно исходной BF16-модели: средняя точность в пяти zero-shot задачах составила 72,28% против 74,35% у Qwen3.8-27B BF16, а perplexity на WikiText-2 — 12,8569 против 7,7471 у 4-битной версии. Модель рассчитана на эффективный локальный инференс, но приведённые проверки не подтверждают надёжность сложных многошаговых агентских сценариев. Лицензия — Apache-2.0.

Jebadiah/Tess-coder-ruby-p7 — модель генерации текста на основе архитектуры Llama, созданная слиянием предварительно обученных моделей с помощью mergekit. В слиянии использованы Jebadiah/Tess-coder-ruby-p6 и ChaoticNeutrals/Puppy_Purpose_0.69; применён метод DARE linear. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для диалоговой генерации текста и кода, включая задачи с Ruby. Она принимает текст и выдаёт текст; в метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

Это GGUF-квантизованная версия языковой модели OmniCoder-9B, разработанной Tesslate и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и кода, включая агентские сценарии и задачи программирования. Доступна для запуска через llama.cpp и совместимые приложения, в том числе LM Studio, koboldcpp, Jan AI и Text Generation Web UI. Модель содержит около 9 млрд параметров и распространяется в вариантах от BF16 до различных форматов квантизации Q2–Q8 и IQ. Квантизация выполнена с использованием imatrix; варианты различаются размером файла, требованиями к памяти и качеством, при этом в README рекомендуются некоторые форматы Q4–Q6 как баланс качества и ресурсоёмкости. Заявлен английский язык, однако сведения о контекстном окне, точной архитектуре и поддерживаемых модальностях отсутствуют. В качестве ориентира приведены результаты на AIME 2025: pass@1 — 83,8%, pass@3 — 86,4% и pass@5 — 90,0%, но методика оценки подробно не описана. Сильными сторонами являются широкий выбор уровней квантизации и возможность локального запуска на различном оборудовании. Ограничения включают потенциальное снижение качества в младших вариантах квантизации, зависимость совместимости от обновлений используемых инструментов и отсутствие подробных данных о контекстной длине и языковых возможностях сверх заявленного английского. Лицензия модели — Apache-2.0.

Tess-v2.5-Phi-3-medium-128k-14B-GGUF — квантизированная версия текстовой генеративной модели Tess-v2.5-Phi-3-medium-128k-14B, созданной migtissera на базе Microsoft Phi-3-medium-128k-instruct. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и диалоговых сценариев, а также локального запуска через совместимые инструменты llama.cpp. Модель содержит около 14 млрд параметров и поддерживает контекст до 128 000 токенов. Распространяется в формате GGUF с вариантами квантизации от Q8_0 до Q2_K и рядом IQ-квантов. Более высокие варианты обеспечивают лучшее качество, но требуют больше памяти; Q4–Q6 обычно рассматриваются как сбалансированные по качеству и размеру, тогда как Q2–Q3 экономят память за счёт заметного снижения качества. В README указан текстовый pipeline; сведения о поддерживаемых языках и мультимодальности не приведены. Модель подходит для локального использования, когда важны большой контекст и возможность выбрать требуемый объём памяти. Ограничения связаны с компромиссом между качеством и размером конкретного GGUF-файла, а также с тем, что часть вариантов имеет экспериментальный статус. Для диалогов следует использовать указанный шаблон prompt с разделителями system, user и assistant. Лицензия — MIT.

Hazi9/testing — дообученная языковая модель семейства Llama, разработанная Hazi9 на основе Hazi9/attnprun-llama-model_drop_mlp_layer. Модель с плотной архитектурой LlamaForCausalLM содержит 5,6 млрд параметров и принимает текст для генерации текста; заявлены диалоговый режим и интерфейс вызова инструментов. Контекст составляет 8192 токена, в карточке указан английский язык. Модель предназначена для генерации текста и диалогового взаимодействия. Она обучалась с использованием Unsloth и библиотеки TRL; репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. README не сообщает результатов оценки качества или конкретной специализации модели.

Модель duxx/test_model_16bit_25 — дообученная авторегрессионная языковая модель семейства Llama, разработанная duxx на основе unsloth/tinyllama-bnb-4bit с использованием Unsloth и библиотеки TRL. Она предназначена для генерации текста и может служить основой для диалоговых и текстовых приложений. Модель содержит около 1 млрд параметров, принимает текст и поддерживает контекст до 4096 токенов. В карточке указан английский язык и лицензия Apache-2.0. Данные не описывают специализацию дообучения или оценку качества, поэтому пригодность для конкретной предметной области не установлена.

Thea 3B 25r — дообученная Piotr Zalewski диалоговая модель семейства Llama 3.2 для генерации ответов и рассуждений по текстовым запросам. В основе лежит chuanli11/Llama-3.2-3B-Instruct-uncensored; для обучения использован набор KingNish/reasoning-base-20k. Модель имеет плотную архитектуру LlamaForCausalLM с 3,2 млрд параметров, принимает текст и формирует текстовые ответы. Заявленная длина контекста — 131 072 токена. Разработчик заявляет улучшенную производительность на задачах рассуждения и ускоренное обучение с использованием собственного кода. В метаданных также указаны возможности диалога и интерфейс вызова инструментов. Модель помечена как uncensored; качество и безопасность ответов зависят от запроса и способа применения. Распространяется по лицензии llama3.2.

Это GGUF-квантизированная версия языковой модели Big-Alice-28B-v1, разработанной TheDrummer. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель предназначена для генерации текста и может применяться в локальных сценариях общения с LLM, написания и преобразования текста, а также в других задачах текстовой генерации. Доступны варианты от BF16 до низкобитных Q2 и IQ-квантизаций. Размер исходной модели составляет 28B параметров; размер файлов варьируется примерно от 12 до 57,22 ГБ в зависимости от формата. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5, Q6 и IQ4_XS; более качественные квантизации требуют больше оперативной или видеопамяти, а низкобитные версии экономят ресурсы ценой снижения качества. Поддерживаются запуск через llama.cpp, LM Studio и другие совместимые проекты. Предусмотрен шаблон prompt в формате ChatML с ролями system, user и assistant. В README не указаны точные поддерживаемые языки, размер контекстного окна, мультимодальные возможности и детальные результаты оценки качества, поэтому эти характеристики нельзя определить по имеющимся данным. Модель распространяется по лицензии MIT.

TheMayonnaise — англоязычная причинная языковая модель на базе Mistral, созданная командой The Kaitchup методом TIES-слияния нескольких моделей с помощью mergekit. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и принимает текст для продолжения и генерации текста. Заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста на английском языке и задач общего языкового моделирования. В карточке приведены результаты оценки на Open LLM Leaderboard, включая средний балл 74,94, ARC и HellaSwag. Распространяется под лицензией Apache 2.0. Как и другие языковые модели, может генерировать ошибочные или некорректные ответы; результаты бенчмарков не гарантируют качество в конкретном применении.

ThetaMaven5 — языковая модель для генерации текста, созданная jefferylovely слиянием ThetaMaven4 и vanillaOVO/supermario_v2 методом SLERP через LazyMergekit. Это плотная модель архитектуры Mistral с 7,1 млрд параметров, рассчитанная на контекст до 32 768 токенов; веса опубликованы в формате Safetensors и BF16. Модель подходит для генерации продолжений и ответов на текстовые запросы. Репозиторий распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий. Карточка не описывает отдельную специализацию или оценку качества модели.

TheTop-5x7B-Instruct-S3-v0.1 — текстовая генеративная модель MaziyarPanahi, созданная слиянием нескольких языковых моделей класса 7B и дополнительным объединением SLERP. Репозиторий содержит веса в формате safetensors; модель основана на архитектуре Mistral и имеет около 7,1 млрд параметров. Для запуска и работы с моделью указана библиотека Transformers. Модель предназначена для генерации текста по запросу и может использоваться для ответов на вопросы, диалогов и решения широкого круга задач на естественном языке. В карточке приведены результаты оценки на тестах ARC, HellaSwag и MMLU, включая вопросы по естественным и точным наукам, истории и другим областям. Контекст модели составляет до 32 768 токенов. Карточка не подтверждает поддержку конкретных языков или специализированное назначение. Модель распространяется по лицензии Apache-2.0. Поскольку это слияние нескольких моделей, качество может различаться между задачами; опубликованные оценки не гарантируют точность отдельных ответов.

This_is_fine_7B — объединённая языковая модель на архитектуре Mistral, созданная ChaoticNeutrals с помощью mergekit. Модель размером 7,1 млрд параметров предназначена для генерации текста и диалогового общения; для объединения использован метод DARE TIES, базой послужила mlabonne/AlphaMonarch-7B, также включены четыре другие модели Mistral. Весовые файлы опубликованы в формате safetensors, заявленный контекст — до 32 768 токенов. Модель подходит для ведения диалога и генерации ответов или продолжений текста. В README приведены результаты оценок на задачах рассуждения и здравого смысла, однако подробные сведения о языках, специализации и условиях применения не представлены. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели и исходных компонентов.

TigerBot-7B-SFT-v2 — языковая модель семейства BLOOM, опубликованная TigerResearch. Карточка представляет её как основу для создания собственных больших языковых моделей; метаданные указывают архитектуру BloomForCausalLM и размер 9,1 млрд параметров. Модель предназначена для генерации текста и может служить основой для приложений на базе LLM. Репозиторий содержит веса PyTorch. Модель распространяется по лицензии Apache-2.0.