II.6Документация и сопровождение разработки

Карточка модели Lord1337iuu/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели OppokJr/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Vipvamps/DeepSeek-R1-Distill-Qwen-1.5B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели densafaradenza/DeepSeek-R1-Distill-Qwen-32B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

mlx-community/DeepSeek-R1-Distill-Qwen-32B-4bit — это 4-битная квантованная версия модели DeepSeek-R1-Distill-Qwen-32B, разработанная сообществом mlx-community и преобразованная из исходной модели deepseek-ai/DeepSeek-R1-Distill-Qwen-32B в формат MLX с использованием mlx-lm версии 0.20.2. Модель предназначена для генерации текста и диалогового использования в экосистеме MLX, в частности через библиотеку mlx-lm. В README приведён пример запуска с чат-шаблоном токенизатора, поэтому её можно использовать для ответов на запросы и интерактивного общения. Архитектура, число параметров, поддерживаемые языки, модальности и размер контекста в предоставленных данных не указаны. Ключевая характеристика модели — 4-битное представление, ориентированное на более эффективное использование памяти при локальном запуске в MLX. Ограничения, точные сильные стороны, лицензия и условия распространения в README не указаны. Для работы требуется установить библиотеку mlx-lm.

bartowski/DeepSeek-R1-Distill-Qwen-32B-GGUF — набор GGUF-квантизированных версий модели DeepSeek-R1-Distill-Qwen-32B, разработанной DeepSeek и подготовленной bartowski. Модель предназначена для генерации текста и локального запуска через llama.cpp и совместимые приложения, включая LM Studio. Доступны варианты от BF16 до низкобитных Q3 и IQ3, а также Q4, Q5, Q6 и Q8. Размер файлов составляет примерно от 13,71 до 65,54 ГБ. Версии с более высокой точностью обычно обеспечивают лучшее качество, но требуют больше оперативной или видеопамяти; варианты Q4 и Q5 предлагают компромисс между качеством и потреблением ресурсов, а Q3 рассчитаны на системы с ограниченным объёмом памяти. Квантизация выполнена с использованием imatrix и llama.cpp release b4514. Это текстовая модель, однако README не содержит достоверных сведений о поддерживаемых языках, размере контекстного окна, точной архитектуре исходной модели, результатах оценки или специализированных сценариях применения. Лицензия в предоставленных данных также не указана. Для работы следует использовать рекомендованный формат prompt с системным сообщением, запросом пользователя и ответом ассистента.

Карточка модели liruiyangnb666/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели Openintelligent123/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

Карточка модели xiaozhibro/DeepSeek-R1-Distill-Qwen-7B на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B, поэтому описание составлено по ней. DeepSeek-R1-Distill-Qwen-1.5B — плотная языковая модель на 1,5 млрд параметров, выпущенная DeepSeek и построенная на архитектуре Qwen2. Она дообучена на примерах рассуждений, сгенерированных DeepSeek-R1, а её базовая модель — Qwen2.5-Math-1.5B. Модель предназначена для генерации текста в диалогах и решения задач, требующих пошаговых рассуждений, в частности по математике и программированию. Модель принимает текст и генерирует текст; карточка также заявляет поддержку чата и интерфейса вызова инструментов. Контекстное окно составляет 131 072 токена. Веса опубликованы в формате Safetensors, лицензия — MIT. Результаты для семейства дистиллированных моделей приведены в README, но отдельные показатели именно версии 1.5B в доступном фрагменте не указаны.

bartowski/DeepSeek-R1-Distill-Qwen-7B-GGUF — это набор квантизированных версий языковой модели DeepSeek-R1-Distill-Qwen-7B, подготовленный bartowski в формате GGUF для запуска через llama.cpp и совместимые приложения, включая LM Studio. Модель предназначена для генерации текста и локального инференса на устройствах с ограниченными ресурсами. В основе лежит модель размером 7B параметров; точная архитектура, поддерживаемые языки и размер контекста в представленном README не указаны. Доступны версии от F32 и F16 до различных вариантов квантизации Q8, Q6, Q5, Q4, Q3 и Q2 с размером файлов примерно от 3,55 до 30,47 ГБ. Квантизация выполнена с использованием llama.cpp и imatrix, а для запуска рекомендуется применять указанный формат prompt. Сильная сторона набора — широкий выбор компромиссов между качеством, размером файла и требованиями к памяти: версии Q6 и Q5 заявлены как обеспечивающие очень высокое или высокое качество, а Q4 — как подходящие для большинства сценариев. Более компактные варианты предназначены для систем с небольшим объёмом RAM, но могут заметно уступать по качеству. Лицензия в README не указана, поэтому условия использования следует уточнять в документации исходной модели и репозитория.

Это набор GGUF-квантизаций модели DeepSeek-R1-Distill-Qwen-7B, базирующейся на модели deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Квантизации подготовлены пользователем Dhptl с использованием quant-kit 18 июня 2026 года. Модель относится к классу text-generation и предназначена для диалогов, генерации текста и локального запуска через llama.cpp, Ollama, LM Studio, Open WebUI и Jan. Доступны варианты Q2_K, Q3_K, Q4_K, Q5_K, Q6_K и Q8_0 размером примерно от 2,81 до 7,54 ГБ. Рекомендуемый вариант Q4_K_M занимает 4,36 ГБ и требует около 5,9 ГБ RAM; Q3_K_M ориентирован на системы с 8 ГБ RAM, а Q8_0 — на максимальное приближение к качеству исходной модели при потребности примерно в 9 ГБ RAM. Квантизация уменьшает размер и требования к памяти, но более агрессивные варианты могут заметно снижать качество. Для модели указан английский язык; контекст, точное число параметров архитектуры и мультимодальные возможности в карточке не раскрыты. Модель подходит для локального использования на компьютерах с ограниченными ресурсами и поддерживает работу на CPU или GPU в совместимых инструментах. Приведённые значения сохранения качества около 97–99% являются ориентировочными, а фактические результаты бенчмарков в README отсутствуют. Лицензия — MIT.

DeepSeek-R1-ReDistill-Qwen-7B-v1.1-GGUF — набор GGUF-квантизованных версий модели mobiuslabsgmbh/DeepSeek-R1-ReDistill-Qwen-7B-v1.1, опубликованный ThomasBaruzier. Базовая модель — deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Квантизация выполнена с помощью llama.cpp с использованием imatrix и калибровочного файла Bartowski. Модель предназначена для локального запуска задач генерации текста и диалогового применения через совместимое с GGUF программное обеспечение, включая llama.cpp. Доступны варианты квантизации от IQ1_S и IQ1_M до более точных Q4, Q5 и других форматов; размер файлов в представленной таблице составляет примерно от 1,8 до 5,1 ГБ. Для отдельных вариантов указаны значения perplexity и accuracy: более крупные и точные квантизации обычно обеспечивают лучшее качество при повышенных требованиях к памяти. Ключевые характеристики архитектуры, поддерживаемые языки, максимальная длина контекста и мультимодальные возможности в README не указаны. Основные преимущества — широкий выбор компромиссов между размером, потреблением ресурсов и качеством, а также формат GGUF для локального инференса. Ограничения связаны с потерями качества при агрессивной квантизации и зависимостью от совместимого рантайма; приведённые метрики относятся к тестированию конкретных квантов и не гарантируют качество в любых сценариях. Распространение указано по лицензии MIT.

DeepSeek-V4.1-Flash-Abliterated — созданная сообществом версия DeepSeek-V4.1-Flash, опубликованная s-zaizen с применением abliteration через инструмент Heretic; это не официальный выпуск DeepSeek. Модель сохраняет исходную архитектуру DeepSeek V4.1, токенизатор и компоненты для обработки изображений, а также использует формат весов FP8. В репозитории размещено 48 шардов safetensors общим размером около 510 ГБ. Модель предназначена для генерации текста в диалоге и обработки входов с изображениями. По заявлению автора, преобразование изменяет направления отказа в выходах модели: в описанной проверке Heretic ключевые слова отказа обнаружились в 24 из 100 ответов против 97 из 100 у исходной модели. Это измерение не является общим тестом качества или безопасности. Лицензия — MIT.

DeepSeek-V4-Flash-0731-MLX-Serve-mixed-2-3-8bit — это квантованная MLX-конверсия модели DeepSeek-V4-Flash-0731, опубликованная ddalcu и предназначенная для запуска через mlx-serve на Apple Silicon. Модель рассчитана на генерацию текста, включая диалоги, программирование, задачи coding agent и сценарии с вызовом инструментов. Она совместима с OpenAI, Anthropic и Ollama HTTP API, поэтому может использоваться с существующими клиентами и интерфейсами. В основе лежит полная модель размером 284B параметров с конфигурацией A13B. Сборка занимает 115,4 ГБ и использует смешанную точность: основные routed experts в слоях 0–38 имеют 2- и 3-битное квантование с калибровкой по матрице важности, последние четыре слоя — 4-битное, а attention, shared experts, embeddings, LM head и ряд чувствительных компонентов — 8-битную или более высокую точность. Архитектура включает MQA, сжатую историю внимания, hash-routed MoE, Sinkhorn hyper-connections, DSML-формат вызова инструментов и DSpark speculative decoding. Поддерживаются текстовые входы и выходы; в README не указаны дополнительные модальности и языковой охват. Для работы требуется Mac на Apple Silicon с не менее чем 128 ГБ unified memory, macOS 26.2 или новее и mlx-serve. Ожидаемый объём занятой памяти составляет около 98 ГБ, либо примерно 109 ГБ при использовании DSpark; заявлена скорость около 53 токенов в секунду на M-series Mac с 128 ГБ памяти и включённым DSpark. Сильными сторонами являются запуск полной 284B-A13B модели на одном совместимом Mac, native MLX-реализация без Python и калиброванное квантование, направленное на сохранение качества в агентских сценариях. Ограничениями остаются очень высокие требования к памяти и совместимость только с Apple Silicon и mlx-serve. Лицензия — MIT.

Это разговорная языковая модель семейства Qwen3, разработанная LAION и обученная с нуля на наборах данных Magpie и delphi_warmup. Модель содержит 2,2 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текст для генерации текста; в метаданных также отмечена поддержка чата. Контекстное окно составляет 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев. README не приводит результатов оценки или конкретных рекомендаций по применению. Лицензия указана как other, поэтому условия использования следует сверить с лицензией и файлами репозитория.

SakanaAI/DiscoPOP-zephyr-7b-gemma — диалоговая языковая модель Sakana AI, полученная дообучением HuggingFaceH4/zephyr-7b-gemma-sft-v0.1 на наборе argilla/dpo-mix-7k с применением алгоритма DiscoPOP (Discovered Preference Optimization). По сравнению с моделью Zephyr Gemma, обученной с DPO, здесь использован DiscoPOP для оптимизации предпочтений ответов. Модель построена на плотной архитектуре GemmaForCausalLM и содержит 8,2 млрд параметров. Она предназначена для генерации текста и диалоговых ответов; поддерживает контекст до 8192 токенов. В метаданных указан английский язык. Модель распространяется под лицензией Gemma. Карточка не приводит подробных оценок качества или отдельных ограничений применения.

argilla/distilabeled-Marcoro14-7B-slerp-full — языковая модель, созданная Argilla как DPO-дообучение модели mlabonne/Marcoro14-7B-slerp на наборе предпочтений argilla/distilabel-intel-orca-dpo-pairs. В отличие от варианта distilabeled-Marcoro14-7B-slerp, эта версия прошла полный цикл по датасету, а не 200 шагов обучения. Модель предназначена для генерации текста и диалоговых ответов. Это плотная причинная модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; карточка указывает английский язык. В README приведены результаты нескольких бенчмарков, однако они не гарантируют качество на конкретных пользовательских задачах. Модель распространяется в формате safetensors по лицензии Apache-2.0. Для запуска требуются ресурсы, соответствующие модели такого размера; карточка не описывает специальные ограничения безопасности или целевые прикладные области.

Это статически квантованная до INT8 модель DistilBERT для ответов на вопросы по заданному текстовому контексту. Её разработали Xin He, Zixuan Cheng и Yu Wenz; модель основана на distilbert-base-uncased-distilled-squad и предназначена для быстрого вывода при уменьшенном размере весов. Доступны варианты PyTorch и ONNX. Модель дообучена на Stanford Question Answering Dataset (SQuAD), её базовая архитектура — DistilBERT с головой для извлечения ответов. Контекст ограничен 512 токенами. В карточке приведены результаты F1 около 86 для INT8-вариантов; их размер меньше, чем у соответствующих версий FP32. Лицензия — Apache-2.0. Модель подходит для систем, которые находят ответ на вопрос в предоставленном отрывке, в том числе при ограниченных вычислительных ресурсах. Она рассчитана на английский язык и может терять точность на иных данных или при переносе за пределы сценария SQuAD; квантизация также может повлиять на точность. Для критичных применений рекомендуется проверять качество на целевых данных.

Это оптимизированная в ONNX версия Dolly v2 7B, созданной Databricks на базе Pythia-6.9B и дообученной следовать инструкциям на наборе databricks-dolly-15k. Репозиторий подготовлен с помощью Olive для запуска через ONNX Runtime, в том числе с DirectML; модель имеет архитектуру GPT-NeoX, около 8,8 млрд параметров и контекст до 2048 токенов. Модель предназначена для генерации ответов по инструкциям: мозгового штурма, классификации, вопросов и ответов, генерации текста, извлечения информации и суммаризации. Карточка указывает английский язык. Лицензия репозитория — MIT; исходная Dolly v2 описана как пригодная для коммерческого использования. Dolly v2 не является современной передовой моделью. Она может ошибаться в фактах и испытывает трудности со сложными запросами, программированием, математикой, датами, открытыми вопросами и точным форматированием. ONNX-оптимизация облегчает интеграцию с соответствующей средой выполнения, но для использования ONNX Runtime и DirectML вне Python потребуется самостоятельно реализовать токенизатор.

MaziyarPanahi/dolphin-2.6-mistral-7b-GGUF — это набор квантованных файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе модели cognitivecomputations/dolphin-2.6-mistral-7b, разработанной cognitivecomputations. Модель предназначена для генерации текста и может использоваться локально через llama.cpp и совместимые приложения и библиотеки, включая text-generation-webui, LM Studio, GPT4All и llama-cpp-python. Модель относится к семейству Mistral и имеет размер 7B параметров согласно идентификатору базовой модели. Доступны варианты квантования от 2 до 8 бит, включая Q2_K, Q3_K, Q4_K, Q5_K и Q6_K, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством генерации. В метаданных указан английский язык; другие языки, поддерживаемые моделью, размер контекста и мультимодальные возможности не заявлены. Основные преимущества — совместимость с широким набором инструментов для локального запуска и возможность подобрать степень квантования под доступное оборудование. Ограничения связаны с потерями качества при более агрессивном квантовании, а также с отсутствием в предоставленных данных подробных оценок, описания точных сценариев применения и характеристик контекстного окна. Распространение указано по лицензии Apache-2.0.

Dolphin-2.8-slerp — языковая модель семейства Mistral, собранная из предварительно обученных моделей yam-peleg/Experiment26-7B и cognitivecomputations/dolphin-2.8-experiment26-7b с помощью слияния SLERP через mergekit. Модель содержит 7,1 млрд параметров, использует архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации текста и диалогового применения через формат ChatML. В репозитории опубликованы веса safetensors; лицензия — Apache 2.0. В карточке указана поддержка английского языка. Подробные оценки качества и специфические ограничения в предоставленных материалах не описаны.

Dolphin-2.9.3-Mistral-Nemo-12B-Patched — текстовая генеративная модель, опубликованная AIOpsInSpace и созданная на основе cognitivecomputations/dolphin-2.9.3-mistral-nemo-12b. Модель предназначена для локального запуска и генерации текста, включая работу с длинными запросами и документами. В README заявлена специализация на английском языке. Модель имеет плотную архитектуру с 12 млрд параметров и поддерживает контекст длиной до 128K токенов. Версия распространяется в формате GGUF и содержит исправление ошибок сопоставления токенов в tokenizer, из-за которых некоторые локальные backend могли аварийно завершаться или зацикливаться при генерации на длинных промптах. Это является её ключевым преимуществом для локального использования и сценариев с большим контекстом. Ограничения включают отсутствие сведений о точных изменениях относительно базовой модели, результатах независимых тестов, требованиях к оборудованию, производительности и поддерживаемых языках помимо английского. В README указана лицензия Apache-2.0.

Dolphin 3.0 Llama 3.2 1B — модель для диалогов и выполнения инструкций, подготовленная Eric Hartford, Ben Gitter, BlouseJury и Cognitive Computations на основе Meta Llama 3.2 1B. Это плотная авторегрессионная языковая модель семейства Llama с 1,2 млрд параметров и контекстом до 131 072 токенов; используется формат ChatML. Модель предназначена для локального применения в качестве универсального помощника: она подходит для генерации кода, решения математических задач, вызова функций и общения на общие темы. Её можно настраивать системным промптом; обучающие данные включают наборы для кода, математики, агентных инструкций и диалогов. Карточка перечисляет английский язык. Доступны веса в формате safetensors. Модель лицензирована по условиям llama3.2. Это компактная модель с существенно меньшим числом параметров, чем крупные универсальные ассистенты; карточка не содержит результатов оценивания, поэтому качество для конкретных задач не подтверждено приведёнными тестами.

mlx-community/dolphin3.0-llama3.2-3B-4Bit — 4-битная версия языковой модели Dolphin3.0-Llama3.2-3B, разработанной cognitivecomputations и преобразованной сообществом mlx-community в формат MLX с использованием mlx-lm 0.21.1. Модель предназначена для локального запуска через библиотеку mlx-lm и генерации ответов в диалоговом формате с применением chat template, если он поддерживается токенизатором. Модель основана на архитектуре семейства Llama 3.2 и содержит около 3 миллиардов параметров; используется 4-битное квантование, уменьшающее требования к памяти по сравнению с полноформатной версией. В README указано, что основной язык — английский. Обучение или дообучение опиралось на наборы данных для программирования, математики, инструкций, function calling, агентных сценариев и диалогов, поэтому модель ориентирована на ответы по этим типам задач. Сильными сторонами являются компактный размер и готовность к запуску в экосистеме MLX, а ограничениями — возможное снижение точности из-за 4-битного квантования, неизвестные параметры контекстного окна и отсутствие в README подробных результатов оценки качества. Лицензия указана как llama3.2.

dots.llm1.base — базовая языковая модель семейства dots.llm1, разработанная командой dots1. Она предназначена для генерации и продолжения текста, а также служит основой для диалоговых приложений и дальнейшей настройки под инструкции. Модель построена на разреженной архитектуре Mixture of Experts (MoE): в README указаны 142 млрд параметров всего и 14 млрд активируемых при инференсе. Архитектура включает 62 слоя, multi-head attention с QK-Norm, маршрутизацию к 6 из 128 экспертов и 2 общих эксперта. Репозиторий содержит веса в формате Safetensors; контекст составляет 32 768 токенов. Поддерживаются английский и китайский языки. Разработчики сообщают о предобучении на высококачественном корпусе без синтетических данных и о производительности на уровне Qwen2.5-72B. Модель распространяется по лицензии MIT. Карточка описывает серию, включающую базовую и настроенную на инструкции версии; приведённые характеристики серии не гарантируют одинаковое качество на всех задачах.

eren23/dpo-binarized-NeutrixOmnibe-7B — диалоговая языковая модель на архитектуре Mistral, созданная разработчиком путём DPO-дообучения Kukedlc/NeuTrixOmniBe-7B-model-remix на парах предпочтений argilla/OpenHermes2.5-dpo-binarized-alpha. Модель предназначена для генерации ответов в диалоге и других задач продолжения текста; в карточке приведены результаты оценки на бенчмарках AI2 Reasoning Challenge и HellaSwag. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса в формате safetensors; лицензия — Apache-2.0. Карточка указывает английский язык. Результаты бенчмарков не гарантируют качество на конкретных пользовательских задачах.

DSE-QWen2-2b-MRL-V1 — дообученная модель на основе Qwen2-VL-2B-Instruct, разработанная для поиска документов по изображениям их страниц. Это bi-encoder: он кодирует текстовый запрос и скриншот документа в плотные векторы, которые можно сравнивать по сходству. Такой подход сохраняет текст, изображения и компоновку исходного документа без предварительного извлечения текста. Модель предназначена для поиска по PDF-документам, веб-страницам, слайдам и другим материалам, представленным изображениями. Она также умеет кодировать текст документа; обучение с Tevatron/msmarco-passage-aug поддерживает поиск по текстовому содержимому. В README указано значение 85,8 nDCG@5 на таблице лидеров ViDoRE. Архитектура основана на Qwen2-VL, размер модели — 1,5 млрд параметров, нативная длина контекста — 32 768 токенов; для запуска используется PyTorch и библиотека Tevatron. В метаданных указаны английский и французский языки. При обработке крупных изображений зрительный энкодер Qwen может требовать много видеопамяти; размер изображений можно уменьшить, чтобы уложиться в доступные ресурсы. Лицензия — Apache-2.0.

SGK86/dsi-mistral-7b-searchtome-subset — дообученная компанией или автором SGK86 диалоговая языковая модель на базе mistralai/Mistral-7B-Instruct-v0.2. Модель использует архитектуру Mistral с 7,1 млрд параметров и предназначена для генерации текста в ответ на сообщения пользователя; README указывает на обучение с помощью TRL. Модель поддерживает диалоговый режим и контекст до 32 768 токенов. В карточке приведён пример генерации ответа на открытый вопрос через Transformers. Специальная предметная область или целевой язык в материалах не обозначены, поэтому модель можно рассматривать как инструмент общего назначения для текстовых диалогов. Используется библиотека Transformers, файлы представлены в формате safetensors. Лицензия в предоставленных данных не указана.

AnassMzn/ECE-AFA — слитая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная с помощью mergekit методом SLERP из paulml/OmniBeagleSquaredMBX-v3-7B и paulml/NeuralOmniWestBeaglake-7B. Модель предназначена для генерации текста по запросу и поддерживает контекст до 32 768 токенов. Модель работает через библиотеку Transformers и распространяется в формате safetensors. README описывает способ слияния весов, но не приводит отдельной оценки качества, целевых сценариев или перечня поддерживаемых языков. Лицензия в предоставленных данных не указана.

Eclectic-Maid-10.7B-v3 — объединённая языковая модель на архитектуре Mistral, созданная ND911 с помощью mergekit. В README указаны модели-источники Maid-Reborn-v2-Remerge, ND911/Eclectic-Maid-10B-v2-1 и crestf411/daybreak-kunoichi-2dpo-7b; использован метод passthrough merge. Модель рассчитана на генерацию текста и имеет 10,6 млрд параметров и контекстное окно до 32 768 токенов. Модель доступна в формате safetensors для Transformers. В метаданных указана лицензия и поддерживаемые языки, однако они не приведены; README также не описывает специальные предметные области или конкретные ограничения качества. Тег not-for-all-audiences указывает, что модель может быть неподходящей для любой аудитории.